服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例
基于高光谱遥感的山区耕地土壤有机质反演研究V1.0

图片59.png

一、引言

贵州省喀斯特地貌广泛分布,地形复杂且气候多变,土壤干旱和侵蚀较为严重,耕地分布零碎同时土壤类型多样,使得部分地区农田耕作化程度低,造成土壤资源浪费。因此,运用合理的方法定量监测出山区耕地SOM含量从微观角度来说能提高耕地土壤质量,在宏观角度来看能促进贵州农业建设与发展。

本文研究通过高光谱遥感技术实现山区耕地土壤有机质的区域监测,构建行之有效的高光谱土壤有机质预估模型。通过研究区的土壤采集,借助高光谱遥感数据获取土壤反射率,结合耕地同步采样数据,综合运用遥感影像处理、光谱分析和模型构建等技术手段,筛选与土壤有机质相关的敏感波段,建立对应的估测模型,实现山区耕地土壤有机质的遥感监测。从而为土壤肥力信息的快速获取提供有效的技术途径,推动精准农业的快速发展。

二、数据获取及处理

2.1 研究区概况

研究区位于贵州省贵阳市花溪区,贵州省农业科学院猫塘坡辣椒研究示范基地(106°3922E26°3025N),海拔高度为1150米,耕地土壤以黄壤为主。采样点分布如图2-1所示。


图片60.png 

2-1研究区采样点


贵州省农业科学院拥有多个专业研究所,涵盖粮、油、果、蔬、茶、桑、药、畜牧、兽医、水产、土壤、肥料、植物保护等50余个专业领域,农产品培养基地多,使得土壤质地均匀,透水性好,由于耕种化程度高使得土壤的微量元素和有机质含量相对稳定。研究区属于亚热带温润温和型气候,年平均气温15.6℃,其中,春季平均气温17.5℃,夏季平均气温23.3℃,秋季平均气温15.5℃,冬季平均气温6.7℃。全年极端最高气温33.4℃,极端最低气温-3.8℃。年降水量1104.5毫米左右,一日最大降雨量133.8毫米,最长连续降水日数11天,最长连续无降水日数11天,全年日照时数1287.4小时,比历年多108.5小时,全年日照百分率29%,大于60%的天数有86天,小于20%的天数有184天,全年无霜期352天。充足的降雨量与日照时长为农业发展提供良好环境。

2.2数据获取

2.2.1土样采集及土壤有机质含量的测定

采集土样前要做好相应的准备(手持GPS定位仪、小铲、记号笔、密封袋)。

根据研究区做好采样规划,土样采集以田块为单元,以5m×5m的采样尺度在研究区耕地内布点,采集样点位置土样。总共采集100份土壤样品,其中厢间50份做训练集,厢面50份做验证集。采集到的土样经实验室风干、去杂、研磨通过2mm筛后进行有机质含量的测定。土壤有机质(SOM)测定采用重铬酸钾–硫酸硝化法。

2.2.2土壤有机质含量统计分析

厢间和厢面样本各50个,分别作为训练集和验证集,由表看出厢面样本土壤有机质含量多于厢间样本,这是因为厢面是农作生长所需的土壤,土壤耕作化程度和施肥量相对较高,所以有机质含量偏高。整体土壤有机质含量介于40.68~47.94,均值为24.66,标准差为7.22,训练集和验证集样本标准差分别为29.1331.07,变异系数偏中等。


2-1研究区土壤有机质含量统计分析

图片61.png 


2.2.3研究区机载高光谱数据的采集

本文采用高光谱成像系统对贵州省农业科学院猫塘坡辣椒研究示范基地的土壤进行高光谱采集。测定时间为202288日上午10时至下午2时之间,因为该时段光照充足,几乎无乌云遮挡,无人机捕捉的地物光谱信息较为全面。与此同时,提前在测区范围内布设好靶标布,影像经过后期测区的辐射定标和拼接,将RTK获取的土样点位信息导入ENVI从而获得土壤光谱反射率,机载光谱系统影像设置航高为100米,相机曝光时间设置为10毫秒,图2-2是机载高光谱成像系统。

 

图片62.png 

2-2机载高光谱成像系统


2.2.4研究区室外原位光谱数据采集


原位土壤反射光谱的测定采用便携式地物光谱仪(图2-3)。


1717064418373133.png 

2-3 便携式地物光谱仪


测定时间同样选择在地方时上午10时至下午2时之间,控制太阳高度角≥65°,微风条件,测量时排除白色衣装和潜在强反射体。光谱测定时选择在自然条件较为平整的土壤之上进行,面向阳光避免阴影干扰并使被测目标充满视场,在测定时激光探头保持距地表10cm且需要连续获取10条光谱,每处样点测定10次,5个点位共获取50条光谱曲线,完成以上操作进行白板校正,为保证得到完全反射率减少噪声,最后取算术均值作为得到土样实际的反射光谱数据。白板校正和原位光谱采集见图2-4


图片64.png 

2-4 靶标布


三、山区耕地土壤光谱特征及分析方法

3.1土壤有机质含量光谱曲线特征分析

由于原始光谱在350~400nm2400~2500nm之间存在很多噪声,因此选取400~2400nm波段做分析。处理后的光谱反射率曲线如图3-1所示,


图片65.png 

3-1 原始光谱反射率(a:地物光谱曲线; b:无人机高光谱曲线)


分析看出土壤样本测得的光谱曲线走向基本相似,因为每个土样的有机质含量等土壤理化性质的不同,所测得的土壤原始光谱反射率在波峰、波谷、反射率值大小均有所差异。基于地物光谱仪采集的土样原始光谱反射率总体波段范围介于0.05~0.4之间,其中在400~800nm波段范围上升速度比较明显,800~1900nm波段之间起伏较大,1900nm~2400nm之间反射率呈先增后降趋势。由图3-1a)可以明显看出在1400nm1900nm两个波段附近有两个强烈的吸收谷,2200nm处有较弱的吸收谷;基于无人机高光谱成像体系采集的土样原始光谱反射率总体波段范围介于0.025~0.35之间,在400~700nm波谱反射率上升相对缓慢,700nm~800nm上升速度比较明显,800nm~1000nm范围波普反射率趋于平缓。根据图3-1b)分析可得在700nm950nm两个波段附近有两个比较弱的吸收谷。

结合两种采集土壤光谱反射率特征得出在700nm950nm1400nm1900nm2200nm均存在强弱不同的吸收谷,主要是由于在此波段区间土壤样本中的水分与空气中的水分吸收产生的,这与土壤光谱反射率特征的相关研究结论一致。

3.2光谱数据分析方法

3.2.1数据平滑(SG)

滤波器(SG)被广泛地运用于数据流平滑除噪。该滤波方法是一种在时域内基于局域多项式最小二乘法拟合的滤波方法,最大的特点是在滤除噪声的同时可以保持信号的形状和宽度不变。使用平滑滤波器对信号滤波时,实际上是拟合了信号中的低频成分,而将高频成分平滑出去了。如果噪声在高频端,滤波的结果是去除噪声,反之,若噪声在低频段,滤波的结果是留下噪声。

计算机的唯一功能是充当一个平滑噪声起伏的滤波器并尽量保证原始数据的不失真。因此,SG将滤波器常应用于一系列数字数据点,以提高信噪比而不使信号失真。本文在软件中用Savitzky-Golay滤波进行9点平滑去噪处理,3-2是平滑前后对比。


图片66.png 

3-2 SG 平滑对比(a:原始光谱曲线; b:SG 平滑光谱曲线)


3.2.2光谱数据变化形式

为更有效筛选山区土壤光谱的特征波段,对平滑后的原始光谱反射率(R)进行一阶微分(FD)、二阶微分(SD)、倒数对数的一阶微分(LRD)、连续统去除(CR)4种变换处理。光谱一阶微分处理可在消除背景噪声干扰的同时提高光谱分辨率、降低相关波段的寻找难度,倒数对数法变换法可减少乘数因子对光照条件变化的影响,连续统去除法利于突出光谱曲线的吸收、反射特征,分类识别提取敏感波段。上述过程中FDSDLRD通过软件处理。


图片67.png 

3-3 地物原始光谱反射率变换(a:FD; b:SD; c:LRD; d:CR)


3-3是地物光谱仪采集的原位土壤原始光谱反射率经过一阶微分、二阶微分、倒数对数的一阶微分和连续统去除的数据变换得到效果,总体而言,除了CR变换之外,三种不同数据变换让光谱反射率整体数值大小降低,且在正负值之间波动。FD的光谱变换使得反射率在可见光部分呈正值,并在700nm范围出现最高反峰,而在近红外部分反射率值呈正负相交,于14001900nm范围出现强烈吸收谷,推测是由于在14001900nm2200nm等波段附近具有强烈的水分吸收谷,这一项与粘土矿物中所含的OH-有关;与FD变换不同的是SD变换在全波段范围间表现较为规则和均匀,密集出现吸收谷和反射峰,且在近红外波段范围反应更加强烈,说明山区耕地的土壤不仅在可见光部分含有SOM信息,在近红外部分极大可能蕴藏有机质的信息;因为倒数对数变换的原因,LRDFD的数据变换总体类似于对称分布,但在1600~2000nm之间,LRD反射率绝对值远大于FD的,这是由于倒数对数变换法能降低不确定因素对光照条件变化的影响,更加突出光谱曲线吸收和反射特征;连续统去除变换的光谱反射率类似于原始光谱的倒立分布,总体走向呈波浪形随波长增加而逐渐增大,虽然在全波段范围内均为正值,但总体反射率介于0.2~0.99之间,是四种数据变换中弧度和落差展现最大的光谱变换法,这说明CR可深挖山区土壤信息。以上四种变换均在不同程度展现山区土壤的光谱在各波段区间的特点,为下一步筛选敏感波段建模提供坚实的基础与保障与地物光谱变化趋势相似,如图3-4是机载原始光谱反射率经过一阶微分、二阶微分、倒数对数的一阶微分和连续统去除等数据变换得到特征结果。


图片68.png 

 图 3-4 无人机原始光谱反射率变换(a:FD; b:SD; c:LRD; d:CR)


FDLRD变换反射率在700nm处出现明显反射峰和吸收谷,同时在近红外部分,SD数据变换使得光谱曲线谷峰增多,锯齿曲线数量相对频繁,说明在可见光-近红外部分都含有山区土壤丰富的信息。与前三种光谱变换不同的是CR仅在可见光部分的光谱曲线差异明显,这表明CR变换能提高无人机光谱反射率在可见光区间的吸收、反射特征。

3.3光谱特征波段筛选和植被指数特征构建

山区耕地的土壤高光谱在5种不同形式下与SOM之间的相关分析如图3-5所示,分析得出,原始光谱R(图3-5a)与SOM大部分呈负相关并在可见光部分相关系数达到极值;四种光谱变换在可见光-近红外范围内均有波段在正负值之间波动,并且有不少波段通过0.01显著性检验;经FD(图3-5b)变换提高了光谱与SOM在近红外范围内的相关性,敏感波段从可见光至近红外之间呈均匀分配,有941个波段通过显著性检验(p>0.01),相关系数最大值为0.652SD(图3-5c)处理之后的光谱在近红外部分频繁出现吸收谷和反射峰,敏感波段范围也集中在此部分,统计有325个波段达到显著相关(p>0.01),相关系数极值为-0.561LRD(图2d)与FD数据变换相似,共有822个敏感波段,因为先经过倒数对数变换的原因,LRDFD的相关系数图类似于对称分布,相关系数极值为0.512;通过CR(图2e)变换使得土壤光谱和有机质大部分呈正相关,这说明CR变换能增强山区土壤光谱的吸收特征,通过显著性检验的波段有717个,相关系数极值为0.493;从相关系数绝对值的大小和通过显著性波段的数量上看FDLRDCRSD,说明光谱数据经过FDLRD的变换能提高山区耕地SOM与光谱波段之间的相关性,更有利于筛选特征波段。


图片69.png 

 图 3-5 地物光谱仪 SOM 相关系数(a:R;b:FD; c:SD; d:LRD; e:CR)


机载高光谱在5种不同形式下与SOM之间的相关分析如图3-6所示,与原位地物光谱的明显区别在于原始光谱在近红外波段呈显著相关。


图片70.png 

3-6 机载高光谱 SOM 相关系数(a:R;b:FD; c:SD; d:LRD; e:CR)


表明在未经光谱变换之前,机载高光谱原始反射率在近红外波段包含有大量山区耕地土壤有机质的信息,可通过相关系数法直接筛选敏感波段构建模型;与前人研究一致的是原始光谱R(图3-6a)与SOM在大部分波段区间呈负相关并在可见光部分相关系数达到极值,相关系数极值为-0.447;经FD光谱(图3-6b)变换通过显著相关(p>0.01)波段数量小于原始光谱的,同时可见光有部分(524~534nm)波段通过显著性检验,说明FD变换能提高光谱与SOM在可见光波段的相关性,FD变换共计有20个波段通过(p>0.01)显著性检验,相关系数极值为-0.487;在FD变换基础上,SD变换后的光谱在机载机高光谱全波段范围内频繁出现吸收谷与反射峰,但通过(p>0.01)显著性检验的波段数量少于FD变换,统计共有11个波段通过(p>0.01)显著性检验,相关系数极值为-0.387;与3.2.3章节的光谱反射率变换相似,经LRDFD光谱变换与SOM相关分析的曲线图同样类似于对称分布,原因是受到倒数对数变换的影响,共有12个敏感波段分布在可见光-近红外波段区间,相关系数极值为0.443

相对于原始光谱的相关系数,CR变换在可见光部分的数值有明显提高,并且土壤光谱和有机质呈正相关,这说明CR变换能增强山区土壤光谱的吸收特征,通过显著性检验的波段有10个,相关系数极值为-0.371;从整体上看,四种变换均在不同程度上提高山区SOM光谱波段之间的相关性,与从相关系数绝对值的大小和通过显著性波段的数量上看FDLRDSDCR


图片71.png 

3-7 机载高光谱不同形式光谱相关分析与 SOM 敏感波段范围图


图片72.png 

3-8 地物光谱仪不同形式光谱相关分析与 SOM 敏感波段范围图


3-7和图3-8分别是无人机高光谱和地物光谱的SOM值与不同形式光谱相关分析的特征波段范围分布,从中可以发现,原始光谱的特征波段大多集中在可见光部分,经光谱技术变换后在不同程度上挖掘出近红外部分的特征光谱信息,说明可见光-近红外波段范围都蕴含有山区耕地土壤的特征波段,这与等利用竞争性自适应重加权-连续投影算法筛选的建模波段以近红(1800~2400nm)波段部分为主有所差异,推测原因是研究区及土壤类型的不同,前人以江汉平原的潮土、水稻田和黄棕壤为研究对象,该地区雨量充沛且土壤耕作程度高,其土壤含水量相对较高,而土壤水含量的光谱特性主要集中在近红外波段范围,因此土壤水含量影响到土壤反射率及有机质的光谱信息。考虑到1400nm1900nm2200nm等波段附近受到水分影响,因此将其剔除,最后获得5种光谱的特征响应波段。

3.4本章小结

本章主要介绍了山区土壤光谱曲线特征,并利用SG光谱预处理结合四种数据形式(FDSDLRDCR)对原始光谱进行变换,经变换后的光谱与土壤有机质进行相关分析,筛选相关系数较高的波段用于下一章建模。本文模型选用偏最小二乘回归模型、支持向量机回归模型、随机森林模型和BP神经网络模型,模型精度验证采取决定系数、均平方根误差和相对分析误差作为验证指标。具体

总结如下:

1)地物光谱仪采集的光谱反射率比机载的反射率略高,均呈波浪式走向,其中地物光谱仪采集的光谱在1400nm1900nm存在两个明显吸收谷;无人机采集的光谱在700nm950nm附近有两个较弱的吸收谷;

2)经过SG9点平滑处理,无人机高光谱原始反射率有明显平滑效果,这跟无人机光谱仪采集波段范围窄且重采样间距大有关;

3)机载高光谱原始反射率与SOM相关分析整体近红外部分波段通过0.01显著检验,经FDSDLRDCR变换与SOM相关分析发现敏感波段主要集中在可见光500~550nm之间,近红外部分集中于800~1000nm范围。能提高光谱与SOM相关性的光谱变换法分别是FDLRDSDCR

4)地物光谱原始反射率与SOM相关分析整体没有波段通过0.01显著检验,但经过四种光谱变换极大程度提高光谱与SOM之间的相关性,敏感波段主要集中在可见光500~760nm附近,近红外部分900~1000nm1200~1224nm1715~1750nm2126~2150nm2320~2378nm均有山区SOM敏感波段。用于提高高光谱与SOM相关性的光谱变换法和机载中所用的方法一致。

 

~


推荐

地物光谱仪iSpecField-HH/NIR/WNIR

地物光谱仪是莱森光学专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品,独有的光路设计,噪声校准技术、可以实时自动校准暗电流,采用了固定全息光栅一次性分光,测试速度快,最短积分时间最短可达20μs,操作灵活、便携方便、光谱测试速度快、光谱数据准确,广泛应用于遥感测量、农作物监测、森林研究、海洋学研究和矿物勘察等各领域。


图片73.png 

Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号