顧 曉 鶴，王 堃，潘 瑜 春＊，蔡 玉 梅，黃 文 江，王 慧 芳，3

基于HJ1A-HSI超光譜影像的耕地有機質遙感定量反演

顧 曉 鶴1，王 堃1，潘 瑜 春1＊，蔡 玉 梅2，黃 文 江1，王 慧 芳1，3

（1.北京農業(yè)信息技術研究中心，北京 100097;2.中國土地勘測規(guī)劃院，北京 100035;3.浙江大學農業(yè)遙感與信息技術應用研究所，浙江 杭州 310029）

以環(huán)境小衛(wèi)星超光譜影像為主要數(shù)據(jù)源，在耕地有機質實測樣本的支持下，開展光譜反射率及其變化形式與有機質的相關性分析，篩選耕地有機質響應的敏感波段與特征組合算法，利用多元回歸分析方法，建立基于HSI影像的耕地有機質定量反演模型。研究結果表明，耕地有機質的HSI影像響應波段均位于可見光與近紅外波段間，其中以540～860 nm范圍最佳，相關系數(shù)均在0.5左右;HSI反射率對數(shù)一階微分預測模型精度最高，模型及其檢驗的決定系數(shù)都在0.7以上，均方根誤差在0.2%左右，可用于順義區(qū)耕地有機質全覆蓋空間填圖。因此，環(huán)境小衛(wèi)星的超光譜影像對耕地有機質含量具有較好的光譜響應能力，其空間覆蓋能力有助于開展縣域尺度的耕地有機質遙感反演和空間填圖。

有機質;HSI;多元回歸分析;空間填圖

0 引言

有機質是耕地肥力中重要的指標，對其他養(yǎng)分因子以及土壤的各種理化性質也有重要影響［1］。掌握有機質含量的空間變化規(guī)律對耕地肥力的調節(jié)及農業(yè)生產的可持續(xù)發(fā)展有重要的現(xiàn)實意義［2］。傳統(tǒng)的地統(tǒng)計定量預測法在大尺度有機質空間格局監(jiān)測中得到了大量應用，但通常要求規(guī)范的采樣方法和大量的野外樣本，導致野外采樣和室內分析工作量大、實時性差［3，4］。自20世紀70年代開始，國內外學者在土壤有機質高光譜響應方面開展了大量的研究［5－7］，但大多集中在室內或田間操作層面，研究結果存在不一致性且實用性有待提高［8］。而利用航空高光譜遙感影像反演土壤有機質的研究還少有嘗試［9］，且數(shù)據(jù)獲取成本太高，其應用可行性和普及性有待進一步提高。一些學者將遙感技術與空間分析技術相結合開展大尺度有機質空間格局的嘗試性研究［10，11］，總結出一些定量遙感反演模型，但存在結論不一致、尺度不一致以及遙感數(shù)據(jù)源不一致等問題。

環(huán)境與災害監(jiān)測預報小衛(wèi)星星座A、B星（簡稱環(huán)境小衛(wèi)星，簡寫 HJ-1A/1B）于2009年3月30日交付使用。其中 HJ-1A 星攜帶的超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）擁有115個探測波段，波段范圍為0.45～0.95μm，平均光譜分辨率為5 ns，幅寬50 km，空間分辨率100 m，是國內首先采用靜態(tài)干涉型成像光譜技術原理研制而成的，具有穩(wěn)定性好、光譜線性度高、光譜范圍寬等特點，為空間尺度的耕地有機質定量反演提供了可靠的遙感數(shù)據(jù)源［12］。

本文以HJ-1A超光譜影像為主要數(shù)據(jù)源，在耕地有機質實測樣本的支持下，進行光譜反射率及其變化形式與有機質的相關性分析，篩選耕地有機質響應的敏感波段與特征組合算法，利用多元回歸分析方法，建立基于HSI影像的耕地有機質定量反演模型，實現(xiàn)縣域尺度的耕地有機質空間分布填圖，為有機質高光譜響應模型由點及面空間拓展提供方法借鑒。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選取北京市東北郊的順義區(qū)，北緯40°01′～40°18′，東經116°28′～116°59′（圖1）。該區(qū)氣候溫和，水資源相對豐富，具有較為優(yōu)越的農業(yè)生產條件。全區(qū)土地面積1 019.37 km2，其中耕地面積50 291 hm2，占北京市耕地面積的14.9%，耕地以冬小麥—夏玉米一年兩熟制種植方式為主。

1.2 數(shù)據(jù)獲取

本研究使用的HJ-1A超光譜數(shù)據(jù)成像時間為2009年6月10日，軌道號為1/66。該時期小麥已收獲，而玉米在影像上主要表現(xiàn)裸土特征，所以該時期影像主要呈裸土特征，有利于反演土壤有機質含量，避免受到作物覆蓋的影響。

圖1 研究區(qū)空間位置與HSI影像Fig.1 Location of study area and HSI image

野外實測樣本為2009年7月初獲取的37個土壤樣點數(shù)據(jù)，取樣的耕地地塊面積不小于3 hm2?？紤]土壤類型和耕地利用方式，取樣深度0～30 cm，3點取土混合，形成土壤樣本。室內處理包括風干、磨碎、過篩60目、測定有機質含量，有機質分析測定采用磷酸浴重鉻酸鉀法。本研究還采用了2007年更新的北京市耕地本底數(shù)據(jù)，用于界定耕地范圍。

1.3 數(shù)據(jù)處理方法

1.3.1 遙感影像預處理 遙感數(shù)據(jù)預處理包括幾何糾正、大氣校正和投影變化等。大氣校正采用FLAASH模型，模型輸入?yún)?shù)可從遙感影像的頭文件中獲取（表1）;幾何糾正采用雙線性內差的多項式糾正方法，誤差控制在0.5個像元;遙感數(shù)據(jù)的投影方式均轉為UTM，地理坐標系為WGS84。

表1 HSI影像的FLAASH大氣校正參數(shù)設置Table 1 Parameters of atmospheric calibration of HSI image through FLAASH model

1.3.2 超光譜影像反射率變換 以HSI影像的光譜反射率及多種數(shù)學變化形式作為特征向量，與耕地有機質進行相關性分析，篩選對有機質含量敏感的光譜波段。各種變化形式分別是：反射率的倒數(shù)1/P、反射率的對數(shù)lgP、反射率對數(shù)的倒數(shù)1/lgP、反射率一階微分（P）′、反射率倒數(shù)的一階微分（1/P）′、反射率對數(shù)的一階微分（lgP）′、反射率對數(shù)的倒數(shù)的一階微分（1/lgP）′。有研究表明［13，14］，對反射率值進行微分變換有助于限制低頻噪聲對目標光譜的影響。對于光譜反射率的微分計算，一般用光譜的差分作為微分的有限近似，其表達式如下：

式中：P為各波段的波長，（P）′為波長的一階微分光譜，Δλ是波長λi到波長λi－1的間隔。

1.3.3 逐波段相關性分析 利用土壤樣本的有機質含量與光譜反射率及其變化形式進行逐波段相關性分析，獲取每個波段與有機質含量的相關系數(shù)R，計算公式如下：

式中：R為土壤有機質含量SOM與光譜反射率或其變換形式的單相關系數(shù)，i為波段序號，Pni為第n個土壤樣本第i波段的光譜反射率值（或其變換形式值）為N個土壤樣本在i波段光譜反射率（或其變換形式）的平均值，SOMn為第n個土樣的有機質含量為實測的N個土壤樣本的有機質含量平均值，N為土壤樣本的個數(shù)。

1.3.4 模型建立與檢驗 土壤的光譜反射率受到多種因素綜合影響，其特性也會體現(xiàn)在不同的敏感波段上。相關性分析有助于找到與土壤特性響應敏感的某幾個波段，并最終建立土壤特性預測的多元回歸方程。通過光譜反射率及其各種變換形式與土壤有機質含量的相關性分析，確定敏感波段，進而通過多元線性回歸方法建立預測模型。

本研究從37個土壤樣本中隨機抽取25個建立多元線性回歸模型，其余12個樣本用于預測模型的精度驗證，通過相關系數(shù)、相對均方根誤差（RMSE）進行評價。

式中：SOMi和PSOMi分別為耕地有機質含量的實測值和預測值，N為土壤樣本數(shù)（N＝12）。

2 結果與分析

2.1 HSI影像有機質敏感波段篩選

圖2顯示了通過實測耕地土壤樣本獲得的HSI影像115個波段反射率及其各種變化形式與耕地有機質含量的相關系數(shù)。

圖2 光譜反射率及其變換形式與有機質含量之間的相關系數(shù)Fig.2 Correlation coefficient between different transform form of reflectivity and organic matter

通過分析耕地有機質與HSI影像的反射率及變化特征之間的相關性（表2），篩選有機質敏感波段與變化形式。1）光譜反射率：有機質含量與光譜反射率呈負相關，相關系數(shù)的兩個峰值為－0.54（546.75 nm處）和－0.52（664.9 nm 處）。2）光譜反射率倒數(shù)：有機質含量與其既有正相關又有負相關關系，相關系數(shù)的兩個峰值分別為0.53（524.17 nm）和－0.50（669.29 nm）。3）光譜反射率對數(shù)：有機質含量與其呈負相關，相關系數(shù)的兩個峰值分別為－0.53（524.17 nm）和－0.51（673.73 nm）。4）光譜反射率對數(shù)的倒數(shù)：有機質含量與其呈正相關，相關系數(shù)的峰值為0.54（546.75 nm）和0.52（669.29 nm）。5）有機質含量與4種微分變化形式的相關系數(shù)的兩個峰值分別為－0.42（660.58 nm）和 －0.44（855.35 nm）、－0.52（862.62 nm）和 0.52（521.48 nm）、－0.50（521.48 nm）和0.46（862.62 nm）、－0.44（855.35 nm）和0.43（521.48 nm），可作為輸入變量構建有機質含量預測模型。

表2 不同變換形式與有機質相關系數(shù)的峰值及其所在波段位置Table 2 The peak value of correlation coefficient of different reflectivity transform form and organic matter and its corresponding band position

2.2 多元回歸分析

通過逐波段對8種變化形式的相關性分析，篩選出各種變化形式的敏感波段，在野外樣本數(shù)據(jù)支持下，采用多元線性回歸方法，對各種因變量分別構建有機質反演模型（表3），進而通過實測樣本進行精度驗證，確定HSI影像的耕地有機質最優(yōu)反演模型。

表3 不同因變量多元線性回歸模型比較Table 3 Comparison of multiple linear regression model with different dependent variable

2.3 模型分析與精度檢驗

耕地有機質的HSI敏感波段均位于可見光與近紅外波段之間，該結論與前人的研究結論［15，16］一致。通過分析有機質反演模型（表3）發(fā)現(xiàn)，采用反射率對數(shù)的一階微分所建立的反演模型相關系數(shù)最大，并且RMSE最小。據(jù)此采用HSI影像反射率對數(shù)倒數(shù)的一階微分預測土壤有機質含量，進行縣域尺度的空間填圖。以未參與建模的12個土壤樣本為準真值，對反演模型的穩(wěn)定性和預報能力進行檢驗：模型的穩(wěn)定性用決定系數(shù)（R）檢驗，模型的預報能力用總均方根差（RMSE）檢驗。

圖3 對數(shù)一階微分模型的預測值與實測值散點圖Fig.3 Scatterplot of measured value and predicted value of the first order differential logarithm model

從耕地有機質對數(shù)一階微分模型的預測值與實測值的散點分布（圖3）可看出，建模樣本和檢驗樣本都聚集在直線y＝x附近，建模樣本決定系數(shù)R為0.712，RMSE為 0.22，檢 驗 樣 本 決 定 系 數(shù)R為0.752，RMSE為0.19。因此，基于 HSI反射率對數(shù)一階微分的耕地有機質反演模型具有較高的精度，穩(wěn)定性好，可實現(xiàn)順義區(qū)的耕地有機質空間分布填圖（圖4）。

3 結論與討論

圖4 順義區(qū)耕地有機質含量空間分布Fig.4 Spatial distribution of farmland organic matter in Shunyi County

本文以HJ-1A超光譜影像為主要數(shù)據(jù)源，篩選耕地有機質響應的敏感波段與特征組合算法，建立定量反演模型，實現(xiàn)縣域尺度的耕地有機質空間分布填圖。結果表明：耕地有機質的HSI敏感波段均位于可見光與近紅外波段間，其中以540～860 nm范圍最佳，相關系數(shù)在0.5左右;反射率及其多種變化形式所建立的有機質反演模型決定系數(shù)R大多優(yōu)于0.6，其中對數(shù)一階微分預測模型的建模樣本決定系數(shù)R可達0.712，檢驗樣本決定系數(shù)R為0.752，可用于順義區(qū)耕地有機質全覆蓋空間填圖。該研究證明了環(huán)境小衛(wèi)星的超光譜影像對耕地有機質含量具有較好的響應能力，其空間覆蓋能力有助于開展縣域尺度的耕地有機質遙感反演和空間填圖。

本文利用環(huán)境小衛(wèi)星HSI影像在有機質高光譜響應模型由點及面空間拓展方面做出了初步嘗試，但在以下兩方面有待于進一步改進：1）由于HSI影像空間分辨率較低，必然存在大量的混合像元影響耕地有機質空間制圖的準確性，有必要在下一步研究中嘗試混合像元分解方法;2）土壤有機質受土地利用方式影響較大，本研究未能去除土地利用強度不同所帶來的影響，使得反演模型精度未能達到基于室內高光譜數(shù)據(jù)的模型精度，因此有必要在大樣本量的支持下分析不同耕地利用類型對HSI影像反演有機質精度的影響。

［1］吳樂知，蔡祖聰.中國土壤有機質含量變異性與空間尺度的關系［J］.地球科學進展，2006，21（9）：965－972.

［2］趙汝東，孫焱鑫，王殿武，等.北京地區(qū)耕地土壤有機質空間變異分析［J］.土壤通報，2010，41（3）：552－557.

［3］楊奇勇，楊勁松.不同尺度下耕地土壤有機質和全氮的空間變異特征［J］.水土保持學報，2010，24（3）：100－104.

［4］SHU Q S，LIU Z X，SI B C.Characterizing scale-and locationdependent correlation of water retention parameters with soil physical properties using wavelet techniques［J］.Environmental Quality，2008，37：2284－2292.

［5］GALVAO L S，VITORELL O I.Variability of laboratory leasured soil lines of soils from southeastern Brazil［J］.Remote Sens.Environ.，1998，63（2）：166－181.

［6］GALVAO L S，PIZARRO M A，EPIPHANIO J C.Variations in reflectance of tropical soils：Spectral-chemical composition relationships from AVIRIS data［J］.Remote Sensing of Environment，2001，75（2）：245－255.

［7］劉煒，常慶瑞，郭曼，等.土壤導數(shù)光譜小波去噪與有機質吸收特征提取［J］.光譜學與光譜分析，2011，31（1）：100－104.

［8］劉煥軍，張柏，趙軍，等.黑土有機質含量高光譜模型研究［J］.土壤學報，2007，44（1）：27－32.

［9］GOMEZ C，ROSSEL A V R，MCBRATNEY A B.Soil organic carbon prediction by hyperspectral remote sensing and field VIS-NIR spectroscopy［J］.An Australian Case Study Geoderma，2008，146（3）：403－411.

［10］張法升，曲威，尹光華，等.基于多光譜遙感影像的表層土壤有機質空間格局反演［J］.應用生態(tài)學報，2010，21（4）：883－888.

［11］張素梅，王宗明，張柏，等.利用地形和遙感數(shù)據(jù)預測土壤養(yǎng)分空間分布［J］.農業(yè)工程學報，2010，26（5）：188－194.

［12］高海亮，顧行發(fā)，余濤，等.環(huán)境衛(wèi)星HJ-1A超光譜成像儀在軌輻射定標及真實性檢驗［J］.中國科學（技術科學），2010，40（11）：1312－1321.

［13］CLOUTIS E A.Hyperspectral geological remote sensing：Evaluation of analytical techniques［J］.International Journal Remote Sensing，1996，17（12）：2215－2242.

［14］HUANG Z，TURNER B J，DURY S J，et al.Estimating foliage nitrogen concentration from HYMAP data using continuum removal analysis［J］.Remote Sensing of Environment，2004，93：18－29.

［15］徐彬彬.土壤剖面的反射光譜研究［J］.土壤學報，2002，32（6）：281－287.

［16］劉偉東.高光譜遙感土壤信息的提取與挖掘［M］.北京：中國科學院遙感所，2002.

Remote Sensing Quantitative Retrieval of Farmland Organic Matter Based on HJ1A-HSI Image

GU Xiao－h(huán)e1，WANG Kun1，PAN Yu－chun1，CAI Yu－mei2，HUANG Wen－jiang1，WANG Hui－fang1，3
（1.BeijingAgricultureInformationTechnologyResearchCenter，Beijing100097;2.ChinaLandSurveyingandPlanningInstitute，Beijing100035;3.InstituteofAgricultureRemoteSensingand InformationSystemApplication，ZhejiangUniversity，Hangzhou310029，China）

The research proposed a model to generate farmland organic matter distribution map using HJ1A-HSI images.The model was developed in the forms of quantitative retrieval model，considering correlation between organic matter and HSI reflectance variation，sensitive wavebands on organic matter and feature combing algorithm.The results suggested that：1）The most sensitive waveband on organic matter of HSI images are visible and near infrared spectrum，in which 540～860 nm bands is the best with a correlation coefficients around 0. 5;2）The model using HSI reflectance in first order differential logarithm can get the highest accuracy，with the coefficients of determinationRhigher than 0.7 and theRMSEaround 0.2%，which proves this model can be applied in Shunyi County.The sensitive response on farmland organic matter and the ability of larger coverage strongly support the HJ1A-HSI suitable for organic matter distribution mapping.

organic matter;HSI;multiple linear regressions;spatial distribution mapping

TP79

A

1672－0504（2011）06－0069－05

2011－09- 12;

2011－10－13

國家科技支撐計劃項目（2008BAJ08B03）

顧曉鶴（1979－），男，助理研究員，主要研究方向為農業(yè)遙感應用。＊通訊作者E－mail：panyc＠nercita.org.cn