孫宇樂，屈忠義，劉全明

（內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018）

0 引言

【研究意義】土壤養(yǎng)分是植物生存生長所必需的物質(zhì)，尤其是在耕種頻繁的河套灌區(qū)，監(jiān)測土壤養(yǎng)分狀況對(duì)農(nóng)業(yè)生產(chǎn)管理具有重要意義?！狙芯窟M(jìn)展】通常國內(nèi)外土壤氮磷量測定采用的多為有損的化學(xué)方法，采樣及預(yù)處理的復(fù)雜煩瑣既增加了成本，又延誤了時(shí)間[1]。高光譜數(shù)據(jù)具有準(zhǔn)確提取和監(jiān)測土壤信息的技術(shù)優(yōu)勢，能夠較為完整連續(xù)地提供土壤光譜信息，從而可以清晰反映地物光譜的細(xì)微特征。大量研究發(fā)現(xiàn)，350～2500nm 波段的高光譜反射率及其變換形式可以刻畫土壤各參數(shù)的微小差別[2-4]。He 等[5]

研究發(fā)現(xiàn)種植區(qū)土壤中的氮素等指標(biāo)可以通過紅外光譜技術(shù)進(jìn)行有效預(yù)測。Dalal 等[6]利用近紅外光譜估測了種植區(qū)的多種土地利用類型土壤中全氮，發(fā)現(xiàn)1 744、1 870 和2 052 nm 波段的估測效果最佳。徐麗華等[7]通過對(duì)土壤風(fēng)干樣本光譜曲線進(jìn)行去包絡(luò)線處理，構(gòu)建了土壤中總氮、總磷的偏最小二乘法預(yù)測模型。張娟娟等[8]構(gòu)建了基于特征光譜指數(shù)、偏最小二乘法和BP 神經(jīng)網(wǎng)絡(luò)的土壤全氮量估算模型，對(duì)我國中、東部地區(qū)主要土壤類型的土壤全氮量進(jìn)行了估測。韓磊等[9]基于BP 神經(jīng)網(wǎng)絡(luò)建立了土壤養(yǎng)分綜合評(píng)價(jià)模型，對(duì)安塞區(qū)土壤養(yǎng)分進(jìn)行了綜合評(píng)價(jià)?！厩腥朦c(diǎn)】通過國內(nèi)外眾多專家學(xué)者的研究，發(fā)現(xiàn)利用光譜分析技術(shù)預(yù)測土壤氮磷量是可行的，但眾多學(xué)者對(duì)于土壤氮磷量的遙感估測研究多集中在近紅外光譜方面，而隨著遙感技術(shù)的迅猛發(fā)展以及地物光譜儀分辨率的提高，現(xiàn)在可以更加精準(zhǔn)地對(duì)土壤氮磷量進(jìn)行測定；同時(shí)，河套灌區(qū)存在著大量的鹽堿化土壤，其呈斑狀分布，使得表層土壤變化狀況較為復(fù)雜且土壤結(jié)構(gòu)差異性較大，現(xiàn)有的遙感預(yù)測模型不能夠準(zhǔn)確、便捷地反映不同區(qū)域的實(shí)際土壤氮磷狀況及其變化特征。RADARSAT-2 是一款具有全天候、全天時(shí)特點(diǎn)的微波雷達(dá)，由于雷達(dá)不受霧、云和雨的阻擋，大量研究人員利用其對(duì)表層土壤水分進(jìn)行了研究[10-12]。【擬解決的關(guān)鍵問題】為此，使用RADARSAT-2雷達(dá)影像與同時(shí)期野外高光譜實(shí)測數(shù)據(jù)結(jié)合的方式，探索2種遙感數(shù)據(jù)源與土壤氮磷之間潛在的關(guān)系，以期提高土壤氮磷監(jiān)測的精度。

1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古河套灌區(qū)解放閘灌域境內(nèi)（40°12′—41°20′N，106°10′—109°30′E）。灌區(qū)地形平坦，西南高，東北低，海拔1007～1050 m，坡度0.125‰～0.2‰。屬典型的溫帶大陸性氣候，夏季高溫干旱、冬季嚴(yán)寒少雪，年降水量100～250mm，蒸發(fā)量2400 mm 左右，無霜期120～150 d。河套灌區(qū)東西長270 km，南北寬40～75 km，總面積105.33 萬余hm2。解放閘灌域位于內(nèi)蒙古河套灌區(qū)西部，南臨黃河，北靠陰山，東與永濟(jì)灌域毗鄰，西與烏蘭布和沙漠接壤，灌域控制面積22 萬hm2，現(xiàn)有灌溉面積14萬hm2，排域面積17 萬hm2，涉及杭錦后旗、臨河區(qū)、磴口縣、烏拉特中旗、烏拉特后旗共15個(gè)鎮(zhèn)和1個(gè)國營農(nóng)場的農(nóng)牧業(yè)生產(chǎn)區(qū)域。河套灌區(qū)降水量小、蒸發(fā)量大，土壤養(yǎng)分量地域分布極不均勻，土壤次生鹽漬化嚴(yán)重，導(dǎo)致土壤養(yǎng)分淋失、侵蝕流失及氣態(tài)化損失較大，加之灌區(qū)作物對(duì)養(yǎng)分吸收與利用的高依賴性，精確迅速地獲知灌區(qū)春灌（4—6月）前土壤氮磷分布狀況對(duì)灌區(qū)作物選種育種及確定種植和改良土壤方式有著重要意義。

圖1 研究區(qū)采樣空間分布圖Fig.1 Sampling diagram of study area

2 數(shù)據(jù)處理與分析

2.1 數(shù)據(jù)獲取與處理

于2017年4月6—10日完成土壤采樣與調(diào)研工作，該期為非種植期，地面植被覆蓋較少，采樣、光譜收集以及衛(wèi)星影像所測均為裸露土壤。樣點(diǎn)布設(shè)綜合考慮了研究區(qū)種植結(jié)構(gòu)、不同土地利用方式、灌溉方式、地下水位等情況，取樣土壤深度為表層0～10 cm，99個(gè)采樣點(diǎn)分布見圖1。

野外采樣時(shí)通過手持GPS 接收機(jī)測量采樣點(diǎn)WGS84 坐標(biāo)系統(tǒng)下的經(jīng)緯度坐標(biāo)，獲取采樣點(diǎn)地表粗糙度等數(shù)據(jù)，把每個(gè)土壤樣本編號(hào)裝入鋁盒，在距采樣點(diǎn)5 m的兩側(cè)位置，以同樣的方式進(jìn)行2次重復(fù)采樣，用于精度校驗(yàn)。使用半微量凱氏法測定土壤全氮，高氯酸-硫酸法、鉬銻抗比色法測定全磷量。野外采集數(shù)據(jù)時(shí)，試驗(yàn)區(qū)均未進(jìn)行灌溉或降雨。

本研究所使用的RADARSAT-2 影像數(shù)據(jù)，為C波段合成孔徑雷達(dá)系統(tǒng)。購置同時(shí)期RADARSAT-2精細(xì)四極化SLC（single look complex）格式雷達(dá)影像一景（地面分辨率8 m，相幅25 km×25 km）。使用ENVI 5.3 軟件的SAR Scape 模塊對(duì)原始SLC 影像進(jìn)行多視、濾波、地理編碼及輻射定標(biāo)等圖像預(yù)處理措施，在Google 影像上選取GCP（ground control point）對(duì)影像進(jìn)行幾何配準(zhǔn)后，利用Output ROIs to ASCII功能將所需的采樣點(diǎn)后向散射系數(shù)輸出成文本文檔以供使用。

同時(shí)，使用美國Analytical Spectral Device（ASD）公司生產(chǎn)的Field Spec4 便攜式光譜儀進(jìn)行采樣點(diǎn)土壤反射率光譜數(shù)據(jù)采集，該光譜儀可測波段范圍為350～2500nm，其中，350～1000nm 波段的光譜分辨率為3nm，光譜采樣間隔為1.4nm；1000～2500nm 波段的光譜分辨率為10nm，光譜采樣間隔為2nm。測量時(shí)要保證天氣晴朗，光照穩(wěn)定，且避開陰影和鄰近的運(yùn)動(dòng)物體；在測試前調(diào)試和檢驗(yàn)光譜儀與參考板，以保證測試結(jié)果的準(zhǔn)確性；測試前先用白板定標(biāo)，白板應(yīng)小于10°水平放置；光譜儀探頭距離待測土壤的高度統(tǒng)一固定在1m 處，每個(gè)采樣點(diǎn)測量25次，算術(shù)平均后得到該采樣點(diǎn)土壤的實(shí)際反射光譜數(shù)據(jù)；由于導(dǎo)數(shù)光譜有助于限制低頻噪聲的影響，可在一定程度上提高土壤氮磷量和光譜反射率的相關(guān)性。通過光譜儀自帶的ViewSpec Pro Version 6.0將原始光譜反射率R進(jìn)行了3種不同形式的變換：對(duì)數(shù)（lgR）、一階導(dǎo)數(shù)（R'）、二階導(dǎo)數(shù)（R''），并將上述3種變換光譜及土壤反射率作為本研究的輸入光譜，選擇和氮磷相關(guān)性最大的波段作為特征波段，取其值和SAR 后向散射系數(shù)值一同與氮磷回歸。

2.2 相關(guān)分析法

通過對(duì)土壤氮磷量與土壤光譜反射率及其3種變換形式各數(shù)據(jù)組進(jìn)行相關(guān)分析，得到各數(shù)據(jù)組與土壤氮磷量之間的相關(guān)系數(shù)（R）。選取相關(guān)系數(shù)較大的數(shù)據(jù)變換形式，進(jìn)行多元逐步線性回歸分析，分別建立土壤光譜反射率及其一階導(dǎo)數(shù)、二階導(dǎo)數(shù)及對(duì)數(shù)與土壤氮磷量之間的回歸方程。計(jì)算與分析使用Matlab 軟件。

2.3 小波分析法

小波變換可以通過伸縮平移運(yùn)算對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處對(duì)時(shí)間細(xì)分，低頻處對(duì)頻率細(xì)分的目的，在局部可做到更精確地描述與分離[13]。小波分解可以生成多層包含影響土壤高光譜反射率因素的特征圖譜，其中低頻系數(shù)有利于提取可以決定整個(gè)光譜形狀的原始光譜的吸收特征，高頻系數(shù)則更有利于提取原始光譜的噪聲及微小的吸收特征[14-15]，重構(gòu)后的低頻分量能夠一定程度上剔除由光譜儀精度、測試條件等不確定因素影響的高頻噪音，而重構(gòu)后的高頻分量則可以突顯光譜信息特征變化明顯、波動(dòng)較為劇烈的細(xì)節(jié)信息。計(jì)算部分使用Matlab 軟件自帶小波分析工具箱完成。

2.4 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)由大量神經(jīng)元構(gòu)成，即輸入層、輸出層和隱藏層，其結(jié)構(gòu)的關(guān)鍵并非神經(jīng)元，而是神經(jīng)元之間的連接線，每條連接線通過訓(xùn)練被賦予不同的權(quán)值[16]。它的學(xué)習(xí)規(guī)則是使用最速下降法，利用梯度搜索技術(shù)，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小。線性分析及神經(jīng)網(wǎng)絡(luò)計(jì)算使用Matlab 軟件及其工具箱編程實(shí)現(xiàn)。

3 模型構(gòu)建

3.1 土壤氮磷量與光譜反射率的相關(guān)性分析

圖2（a）顯示了反射率及其3種變化形式和全氮量的相關(guān)關(guān)系在不同波段上的變化。全氮量與土壤原始反射率在整個(gè)光譜波段負(fù)相關(guān)；與對(duì)數(shù)變換光譜在350～1850nm 基本正相關(guān)，在1850～2450nm 負(fù)相關(guān)；與一階、二階導(dǎo)數(shù)變換光譜的相關(guān)系數(shù)正負(fù)交叉，波動(dòng)劇烈，介于0.5 與-0.5之間，其峰值和相關(guān)性大幅提升。4種不同形式的光譜與全氮量的最大相關(guān)系數(shù)值分別達(dá)到0.468、-0.426、0.412，都出自一階、二階導(dǎo)數(shù)變換光譜。這表明，一階、二階導(dǎo)數(shù)變換光譜相較原始反射率與對(duì)數(shù)變換光譜更適合土壤全氮量的敏感波段篩選，同時(shí)，最大相關(guān)系數(shù)絕對(duì)值均小于0.50，相關(guān)性均不明顯，這也說明利用光譜反射率與其3種不同形式的變換光譜通過相關(guān)分析難以提取有關(guān)土壤全氮量的敏感波段。圖2（b）所示全磷量的相關(guān)關(guān)系與圖2（a）相似的規(guī)律，不同之處在于光譜反射率在660～1000nm 呈穩(wěn)定的負(fù)相關(guān)，相關(guān)系數(shù)約為-0.18；一階導(dǎo)數(shù)變換光譜在1660～1690nm 與2070～2100nm 波段都有相關(guān)系數(shù)絕對(duì)值大于0.5的敏感反應(yīng)。

圖2 土壤反射率及其不同變換形式與土壤氮磷量的相關(guān)性分析Fig.2 Correlation analysis of soil reflectance and its different transformation forms with Nitrogen and Phosphorus in soil

3.2 土壤氮磷模型擬合

分別對(duì)土壤氮磷量與光譜的4種形式之間進(jìn)行相關(guān)性分析，將各形式中與對(duì)應(yīng)氮磷量相關(guān)系數(shù)較大的敏感波段和土壤氮磷量分別作為預(yù)測土壤氮磷的自變量和因變量，多元線性回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型擬合所得的土壤氮磷實(shí)測值與預(yù)測值的對(duì)比分析結(jié)果如表1所示。從表1可以看出，反射率一階導(dǎo)數(shù)變換的預(yù)測值與實(shí)測值之間的擬合系數(shù)綜合高于其他變換，在氮磷兩種模型中分別為0.346 與0.349，其次為對(duì)數(shù)變換的0.332 與0.228，光譜反射率與二階導(dǎo)數(shù)變換的擬合度最低。通過多元線性回歸的擬合系數(shù)均小于0.5，結(jié)果都不理想，加入神經(jīng)網(wǎng)絡(luò)后結(jié)果有所提升，但依然欠佳。

3.3 小波變換后的模型擬合

為提取具有與土壤氮磷量更高相關(guān)性的光譜信息，通過Matlab 中小波分析模塊對(duì)反射率特異值進(jìn)行了適當(dāng)剔除，采用Biorthogonal 小波系的Bior1.3函數(shù)分別對(duì)上文中綜合擬合最優(yōu)的反射率一階導(dǎo)數(shù)光譜進(jìn)行1～8層的小波變換。圖3（a）為與土壤全氮相關(guān)系數(shù)最高的1層低頻重構(gòu)光譜、5層和6層高頻重構(gòu)光譜的相關(guān)系數(shù)。1層低頻重構(gòu)光譜（CA1）在剔除了部分噪音的基礎(chǔ)上，和原輸入光譜（反射率一階導(dǎo)數(shù)光譜）的相關(guān)性較高，尤其是在1480～1489、1514～1523、2050～2059 和2314～2323nm 4個(gè)波段，5層高頻重構(gòu)光譜（CD5）在419～434、1123～1154、1987～2010nm 3個(gè)波段，6層高頻重構(gòu)光譜（CD6）在1143～1473nm 1個(gè)波段均表現(xiàn)出與土壤全氮量大于0.4的相關(guān)，這些波段與未進(jìn)行小波分析的原輸入光譜的特征波段近似但卻不一致，說明小波變換在壓縮波長自變量的同時(shí)，增加了各組分之間的區(qū)別，可以顯著提高模型的反演精度。與土壤全氮不同，土壤全磷與2層和3層低頻重構(gòu)光譜、6層高頻重構(gòu)光譜的相關(guān)系數(shù)最高，如圖3（b）所示。2層與3層低頻重構(gòu)光譜相關(guān)曲線幾近重合，體現(xiàn)出較高的相關(guān)性，其中，2層低頻重構(gòu)光譜在1679～1688、2133～2142、2319～2328nm 3個(gè)波段，3層低頻重構(gòu)光譜在2083～2092、2131～2140、2321～2330nm3個(gè)波段以及 6層高頻重構(gòu)光譜在 1443～1452、2275～2284、2371～2380nm 3個(gè)波段均表現(xiàn)出與土壤全磷量大于0.42的相關(guān)，尤其是2層低頻重構(gòu)光譜的第3個(gè)特征波段相關(guān)系數(shù)超過了0.5。

表1 土壤氮磷多元回歸及神經(jīng)網(wǎng)絡(luò)分析結(jié)果Table1 Test results of MLR model and neural network for Nitrogen and Phosphorus contents of soil

圖3 小波分解重構(gòu)分量與土壤氮磷量的相關(guān)性分析Fig.3 Analysis on correlation of between wavelet decomposition and reconstruction and Nitrogen and Phosphorus contents of soil

圖4 土壤全氮量反演值與實(shí)測值擬合分析Fig.4 Fitting analysis of inversion value and measured value of soil total nitrogen content

通過選取篩選后1層低頻重構(gòu)光譜、5層和6層 高頻重構(gòu)光譜中的特征波段，結(jié)合微波雷達(dá)RADARSAT-2 四極化后向散射系數(shù)VV、VH、HH、HV及其2種組合HH/VV、HV/VH以及地表粗糙度ZS建立線性回歸模型，結(jié)果如式（1）所示。其模型反演與實(shí)測值決定系數(shù)R2為 0.46，均方差RMSE=0.1729，如圖4（a）所示。將線性回歸模型中的參量帶入神經(jīng)網(wǎng)絡(luò)中，其模型反演與實(shí)測值決定系數(shù)R2為0.7496，均方差RMSE=0.1102，如圖4（b）所示。

式中：X1480、X1514、X2314分別為1層低頻重構(gòu)光譜1480～1489、1514～1523、2314～2323nm的波段的算術(shù)平均數(shù)；X1123、X1987為 5層高頻重構(gòu)光譜1123～1132、1987～1996nm的波段的算術(shù)平均數(shù)；X1443為六層高頻重構(gòu)光譜1443～1452nm的波段的算術(shù)平均數(shù)，ZS為地表組合粗糙度。

通過選取篩選后2層和3層低頻重構(gòu)光譜、6層高頻重構(gòu)光譜中的特征波段，結(jié)合微波雷達(dá)及地表參數(shù)建立線性回歸模型，結(jié)果如式2所示。其模型反演與實(shí)測值決定系數(shù)R2為0.3954，均方差RMSE=0.1921，如圖5（a）所示。將線性回歸模型中的參量帶入神經(jīng)網(wǎng)絡(luò)中，其模型反演與實(shí)測值決定系數(shù)R2為0.7592，均方差RMSE=0.1102，如圖5（b）所示。

式中：X1679、X2133、X2319分別為2層低頻重構(gòu)光譜1679～1688、2133～2142、2319～2328nm的波段的算術(shù)平均數(shù)；X1443、X2275、X2371分別為6層高頻重構(gòu)光譜1443～1452、2275～2284、2371～2380nm的波段的算術(shù)平均數(shù)，ZS為地表組合粗糙度。

圖5 土壤全磷量反演值與實(shí)測值擬合分析Fig.5 Fitting analysis of inversion value and measured value of total phosphorus content in soil

圖6 土壤全氮與土壤全磷量反演預(yù)測結(jié)果Fig.6 Inversion results of Nitrogen (a) and Phosphorus (b) content of soil

3.4 土壤氮磷的預(yù)測

圖6所示為小波重構(gòu)特征波段和雷達(dá)參數(shù)建立的經(jīng)驗(yàn)回歸模型模擬的氮磷分布，先將特征光譜波段中心反射率一階導(dǎo)數(shù)和地表粗糙度用ArcGIS 軟件地統(tǒng)計(jì)模塊克立格插值生成柵格文件，同時(shí)提取生成SAR 后向散射系數(shù)柵格文件，最后基于上述式（1）和式（2），采用ENVI 遙感圖像軟件進(jìn)行柵格文件波段運(yùn)算獲取氮磷空間分布。從結(jié)果看出研究區(qū)西部養(yǎng)分貧瘠，其主要原因在于研究區(qū)西部主要為土壤鹽堿化嚴(yán)重地區(qū)和多年撂荒地，土地未得到合理的治理和使用，這正是今后規(guī)劃土地利用和土壤研究治理關(guān)注的重點(diǎn)。

4 討論

聯(lián)合使用地面實(shí)測光譜和SAR 后向散射特性進(jìn)行土壤氮磷反演試驗(yàn)。全氮量與土壤原始反射率在整個(gè)光譜波段負(fù)相關(guān)；與對(duì)數(shù)變換光譜在350～1 850 nm基本正相關(guān)，在1 850～2 450 nm 負(fù)相關(guān)；與一階、二階導(dǎo)數(shù)變換光譜的相關(guān)系數(shù)正負(fù)交叉，波動(dòng)劇烈，介于0.5 與-0.5之間，這與萬余慶等[17]的研究一致。全磷量與光譜反射率在660～1 000 nm 呈穩(wěn)定的負(fù)相關(guān)，相關(guān)系數(shù)約為-0.18；一階導(dǎo)數(shù)變換光譜在1 660～1 690 nm 與2 070～2 100 nm 波段都有相關(guān)系數(shù)絕對(duì)值大于0.5的敏感反應(yīng)，這與徐麗華等[18]研究一致。分析中對(duì)光譜值進(jìn)行了不同形式的數(shù)學(xué)變化，發(fā)現(xiàn)光譜反射率一階導(dǎo)數(shù)與土壤氮磷的相關(guān)性優(yōu)于原始數(shù)據(jù)及其他變換，這與王靜等[19]研究一致。在進(jìn)行土壤氮磷模型擬合時(shí)分別使用了一元線性回歸、多元線性回歸和BP 神經(jīng)網(wǎng)絡(luò)等不同的擬合分析方法，通過BP 神經(jīng)網(wǎng)絡(luò)所取得的擬合結(jié)果較其他方法更佳，BP 神經(jīng)網(wǎng)絡(luò)表現(xiàn)出在復(fù)雜非線性函數(shù)逼近方面的優(yōu)越性，這與吳善玉等[20]研究一致。通過對(duì)影像原始數(shù)據(jù)進(jìn)行小波變換，從而獲得的影像數(shù)據(jù)的有效融合，可以實(shí)現(xiàn)多源遙感數(shù)據(jù)的特征互補(bǔ)，這與楊曉蕊等[21]研究成果一致。本文更進(jìn)一步的發(fā)現(xiàn)高光譜數(shù)據(jù)低頻分量的1～3層、高頻分量的4～6層經(jīng)小波變換后的相關(guān)性較其他各層效果更佳。土壤全氮量與1層低頻重構(gòu)光譜（CA1）在1 480～1 489、1 514～1 523、2 050～2 059 nm和2 314～2 323 nm 4個(gè)波段，5層高頻重構(gòu)光譜（CD5）在419～434、1 123～1 154 nm 和1 987～2 010 nm 3個(gè)波段，6層高頻重構(gòu)光譜（CD6）在1 143～1 473 nm 1個(gè)波段均表現(xiàn)出大于0.4的相關(guān)。土壤全磷與2層和3層低頻重構(gòu)光譜、6層高頻重構(gòu)光譜的相關(guān)系數(shù)最高，2層與3層低頻重構(gòu)光譜相關(guān)性較高，其中，2層低頻重構(gòu)光譜在1 679～1 688、2 133～2 142、2 319～ 2 328 nm 3個(gè)波段，3層低頻重構(gòu)光譜在2 083～2 092、2 131～2 140、2 321～2 330 nm 3個(gè)波段以及6層高頻重構(gòu)光譜在1 443～1 452、2 275～2 284、2 371～2 380 nm 3個(gè)波段均表現(xiàn)出與土壤全磷量大于0.42的相關(guān)，尤其是2層低頻重構(gòu)光譜的第3個(gè)特征波段相關(guān)系數(shù)超過了0.5。這些波段與未進(jìn)行小波分析的原輸入光譜的特征波段近似但卻不一致，說明小波變換在壓縮波長自變量的同時(shí)，增加了各組分之間的區(qū)別，可以顯著提高模型的反演精度，這與莫才健等[22]研究一致。

本文擬合的經(jīng)驗(yàn)?zāi)Ｐ鸵蕾囉诘乇韺?shí)驗(yàn)數(shù)據(jù)且具有一定的地域限制性。如何從試驗(yàn)方案的制定，依據(jù)高光譜成像理論出發(fā)，進(jìn)一步尋找特征波段與土壤氮磷之間的聯(lián)系，以完善土壤氮磷遙感監(jiān)測模型的準(zhǔn)確性和普適性是今后研究的重點(diǎn)。

5 結(jié)論

1）不同數(shù)學(xué)形式變換可以提高光譜值與土壤氮磷量數(shù)據(jù)的相關(guān)性，其中光譜反射率一階導(dǎo)數(shù)變換模型的擬合相關(guān)系數(shù)高于其他變換。

2）對(duì)高光譜數(shù)據(jù)的1～8層進(jìn)行小波分解與重構(gòu)，可有效提高光譜反射率及其3種變換值與土壤氮磷的相關(guān)性，降低外界環(huán)境對(duì)光譜值引起的干擾，尤其是對(duì)低頻分量的1～3層、高頻分量的4～6層的效果更好。

3）篩選小波變換后低頻重構(gòu)光譜和高頻重構(gòu)光譜中的氮磷反演特征波段，結(jié)合微波雷達(dá)四極化后向散射系數(shù)及其組合值，考慮地表粗糙度因子，所建立的氮磷多源遙感神經(jīng)網(wǎng)絡(luò)模型，其決定系數(shù)均超過0.74，總均方差RMSE均為0.11。

4）BP 神經(jīng)網(wǎng)絡(luò)可以有效逼近光譜數(shù)據(jù)和微波雷達(dá)數(shù)據(jù)組合與土壤氮磷之間復(fù)雜的非線性關(guān)系，從而克服線性回歸擬合度不高的局限。這既證實(shí)了采用非傳統(tǒng)、非暗室條件下野外測定土壤高光譜的可行性，同時(shí)也為河套灌區(qū)土壤的監(jiān)測提出了新方案，可以為日后灌區(qū)的土壤改良起到一定的指導(dǎo)意義。若進(jìn)一步減少野外光譜測定時(shí)環(huán)境的干擾因素，將有利于該模型的完善與實(shí)踐的過程簡化。