楊棟膗 李亞強(qiáng) 刀劍 王建雄

摘要：耕地土壤作為農(nóng)業(yè)資源的重要組成部分，是我國農(nóng)業(yè)生產(chǎn)的基本資源與保障條件。山原紅壤作為云南典型的土壤類型，在云南的農(nóng)業(yè)生產(chǎn)與經(jīng)濟(jì)發(fā)展中發(fā)揮著重要作用。通過多光譜與高光譜遙感結(jié)合技術(shù)，對山原紅壤主要養(yǎng)分含量的高光譜特性進(jìn)行了研究分析，研究了土壤主要養(yǎng)分含量的多高光譜特性、篩選出了各養(yǎng)分含量的特征波段。而后，通過多光譜波段變換、植被指數(shù)合成、構(gòu)建高光譜土壤指數(shù)，與山原紅壤主要養(yǎng)分含量進(jìn)行了相關(guān)分析。通過分析得出，多光譜擬合模型效果整體不佳，僅鉀元素與合成光譜存在相關(guān)性，擬合模型R2大于0.5，有良好的擬合意義。高光譜指數(shù)相關(guān)性及擬合模型效果較多光譜都有所提升。其中，支持向量機(jī)擬合模型效果最佳，R2均在0.75以上，適合用于土壤養(yǎng)分含量估測。

關(guān)鍵詞：土壤養(yǎng)分;多光譜;植被指數(shù);高光譜;支持向量機(jī)

中圖分類號：P237;S127? 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2022）02-0178-08

收稿日期：2021-04-16

基金項(xiàng)目：云南省教育廳科學(xué)研究基金（編號：2019Y0080、2020Y0177、2020Y186）。

作者簡介：楊棟淏（1997—），男，云南曲靖人，碩士研究生，主要從事資源與環(huán)境遙感專業(yè)研究。E-mail：843765886@qq.com。

通信作者：王建雄，博士，教授，碩士生導(dǎo)師，主要研究方向?yàn)橘Y源與環(huán)境遙感。E-mail：jianxiongw@126.com。

云南省地處高原山區(qū)，耕地資源有限，且山原紅壤作為云南典型的土壤類型，研究山原紅壤的土壤肥力對云南的農(nóng)業(yè)生產(chǎn)具有重要的作用。近年來，遙感技術(shù)快速發(fā)展，對土壤調(diào)查、土地利用變化及土壤肥力監(jiān)測起到了獨(dú)特作用[1]。目前，針對土壤多光譜方面的研究大多針對土壤含鹽量、含水量與重金屬的反演模型建立，少有針對土壤主要養(yǎng)分含量的分析以及估測研究[2-4]，并且國內(nèi)的研究多以土壤有機(jī)質(zhì)的反演估算為主[5-9]，而且取得了較高的反演精度。例如，南鋒等以土壤有機(jī)質(zhì)含量為研究對象，研究分析后發(fā)現(xiàn)，基于顯著波段構(gòu)建的偏最小二乘回歸（PLSR）模型預(yù)測精度高于基于全波段的PLSR模型[10]。在高光譜方面，欒福明等使用全波段地物光譜儀針對速效鉀養(yǎng)分含量進(jìn)行了模型估測研究，發(fā)現(xiàn)小波分析處理能顯著提高模型精度[11]。蔣璐璐等分別采用偏最小二乘支持向量機(jī)和偏最小二乘-人工神經(jīng)網(wǎng)絡(luò)2種方法進(jìn)行土壤磷、鉀元素含量預(yù)測建模，結(jié)果表明，中紅外波段對磷和鉀的預(yù)測效果更好[12]。盡管已有不少學(xué)者針對土壤養(yǎng)分含量的定量估測進(jìn)行了研究，但不同土壤類型反射光譜存在差異，使得各土壤類型的養(yǎng)分估測模型不具備普遍適宜性。而目前針對山原紅壤光譜反射特性的研究不多，且針對其主要養(yǎng)分含量的估測更為少見。因此，本研究結(jié)合上述學(xué)者的研究方法，分析山原紅壤速效氮、磷、鉀含量的光譜反射特性，以期為今后云南的農(nóng)業(yè)生產(chǎn)提供幫助。

1 數(shù)據(jù)獲取與預(yù)處理

1.1 數(shù)據(jù)獲取

1.1.1 土壤采集 綜合地理位置、無人機(jī)影像采集可行性等多方面因素，本研究以昆明市云南農(nóng)業(yè)大學(xué)后山試驗(yàn)田為研究對象。試驗(yàn)田為山原紅壤地塊，位于25°8′N、102°45′E，地勢走向?yàn)楸备吣系?，海拔? 959.17 m和1 923.05 m。試驗(yàn)地塊為 2.33 hm2 的長方形區(qū)域。經(jīng)土壤區(qū)分后，選取符合山原紅壤特征的區(qū)域地塊進(jìn)行密集采樣，選取20個(gè)采樣點(diǎn)采集土壤樣本，采樣時(shí)間為2019年11月16日。土樣采集分布示意圖見圖1。土壤樣本經(jīng)風(fēng)干、研磨并通過 2 mm 孔篩，采用四分法分成2份，分別供化學(xué)分析和光譜測試用。

1.1.2 多光譜數(shù)據(jù)采集 使用掛載派諾特鏡頭的

大疆M100無人機(jī)飛行器，進(jìn)行灰板校正后在晴朗少云天氣對實(shí)驗(yàn)地塊進(jìn)行多光譜影像采集。飛行高度為60 m，飛行航向重疊率為70%，旁向重疊率為75%，飛行速度在12 m/s以下，拍照間隔時(shí)間為 2 s。手持無人機(jī)多光譜相機(jī)對白板上放置好的20個(gè)土樣進(jìn)行多光譜影像的室內(nèi)采集。

1.1.3 高光譜數(shù)據(jù)采集 利用FieldSpec4 NG全波段地物光譜儀對所有土樣進(jìn)行采集，光譜儀波長范圍350～2 500、350～1 000 nm波段樣本間隔 1.4 nm，1 001～2 500 nm波段樣本間隔1.1 nm，數(shù)據(jù)輸出通道數(shù)2 151個(gè)。測試前進(jìn)行白板矯正，每個(gè)土樣樣本均采集10條光譜反射曲線，對各樣本的光譜反射值取平均值得到各土樣實(shí)際光譜反射值。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 影像拼接 對無人機(jī)采集的照片進(jìn)行剔除和篩選后利用Pix4D mapper軟件對照片進(jìn)行拼接獲取實(shí)驗(yàn)地的各波段影像、數(shù)字正射影像（DOM）、數(shù)字表面模型（DSM）、試驗(yàn)區(qū)四波段多光譜影像。

1.2.2 土壤養(yǎng)分測定 通過化學(xué)和物理方法結(jié)合對土樣的有機(jī)質(zhì)、速效氮磷鉀、全氮共5種土壤主要養(yǎng)分的含量檢測。

1.2.3 光譜反射曲線優(yōu)化處理 由于地物光譜儀在低波段與高波段采用了不同傳感器，在光譜反射曲線中會存在斷點(diǎn)，因而用Viewspec Pro軟件對原始光譜反射率進(jìn)行斷點(diǎn)修正，消除斷點(diǎn)陡變。同時(shí)使用Origin軟件中的Savitizky-Golay平滑處理，消除光譜曲線中的噪聲影響，處理后的光譜曲線仍然保持原土壤光譜曲線特征。

2 結(jié)果與分析

2.1 山原紅壤多光譜反演研究

2.1.1 單波段土壤光譜反演研究

2.1.1.1 土壤主要養(yǎng)分含量敏感波段分析 利用多光譜四波段土壤反射率與測定的土壤養(yǎng)分含量進(jìn)行正態(tài)分布檢驗(yàn)后，分別對土壤主要養(yǎng)分與各波段光譜進(jìn)行Pearson相關(guān)分析，結(jié)果見表1。

由表1可知，除速效磷和有機(jī)質(zhì)外，其余養(yǎng)分含量與光譜之間存在顯著或極顯著相關(guān)性。因此，對速效氮、磷和全氮3個(gè)指標(biāo)進(jìn)行回歸分析，對主要養(yǎng)分含量進(jìn)行多光譜模型估測。

2.1.1.2 回歸模型分析 分別使用單變量和雙變量回歸模型對土壤養(yǎng)分進(jìn)行分析。經(jīng)試驗(yàn)檢驗(yàn)，建立的單變量回歸模型效果差，改進(jìn)使用雙相關(guān)變量波段組合的方式對山原紅壤養(yǎng)分反射率進(jìn)行研究。通過研究分析發(fā)現(xiàn)，僅有速效鉀的養(yǎng)分含量與近紅外和綠波存在相關(guān)性，因此選取兩波段為自變量，速效鉀含量為因變量建立回歸模型。分別構(gòu)建土壤養(yǎng)分含量的線性回歸和非線性回歸方程（表2）。

由表2可知，通過雙變量波段組合能夠有效提高土壤養(yǎng)分速效鉀擬合模型的R2，使得土壤反射率能夠更好地反映土壤養(yǎng)分。但整體的R2仍然較低，無法選定速效鉀的土壤反射率為回歸模型。

2.1.2 合成指數(shù)土壤光譜反演研究 研究引入9種植被指數(shù)：歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、紅邊歸一化植被指數(shù)（NDVI705）、紅綠比值指數(shù)（RG）、綠通道植被指數(shù)（GNDVI）、葉面葉綠素指數(shù)（LCI）、歸一化差異紅邊指數(shù)（NDRE）、土壤調(diào)節(jié)植被指數(shù)（OSAVI）對山原紅壤的養(yǎng)分進(jìn)行相關(guān)性分析。經(jīng)檢驗(yàn)，僅有速效鉀元素含量與較多的土壤指數(shù)（NDVI、RVI、DVI、RG、OSAVI）存在顯著相關(guān)性。

2.1.2.1 單變量回歸分析 選取速效鉀元素為因變量，與其具有較好相關(guān)性的5種植被指數(shù)作物自變量，利用SPSS軟件進(jìn)行單變量模型估測。通過分析得出，NDVI、DVI和OSAVI這3種土壤指數(shù)擬合模型的R2均大于0.5，但整體模型的擬合誤差都比較大，須要對養(yǎng)分含量進(jìn)行更優(yōu)的模型擬合。

2.1.2.2 多元回歸分析 選取單變量中R2最高的3種植被指數(shù)，將模型兩兩組合構(gòu)建模型表達(dá)式，最終擬合3類曲線回歸模型如表3所示。

由表3可知，多元變量曲線回歸的擬合程度更高，且選入變量越多，擬合程度越高，選擇三元變量三次擬合模型能較好地反演鉀元素養(yǎng)分含量。

2.1.3 二維土壤光譜反演研究

進(jìn)行一維分析后，再通過多光譜二維光譜合成進(jìn)行土壤養(yǎng)分含量分析，分別對波段進(jìn)行加減乘除和歸一化進(jìn)行二維處理。經(jīng)上述分析可知，養(yǎng)分含量反演中，鉀元素與波段和各合成指數(shù)的相關(guān)性較好。因此，利用合成波段分別與鉀元素進(jìn)行相關(guān)性分析，結(jié)果如圖2所示。通過熱力圖（圖2）可以看出，K元素在不同模型中，相關(guān)性較高的波段組合如表4所示。將以上相關(guān)性較好的組合提出，構(gòu)建新的模型，在構(gòu)建模型中乘法擬合模型與歸一化擬合的模型R2低于0.5，因此不使用這2種方法擬合模型，通過對最優(yōu)合成波段進(jìn)行再次組合和篩選，最終擬合模型詳見表5。由表5分析可得，進(jìn)行組合后的三元模型擬合程度更好，除法擬合模型中的組合2和組合10構(gòu)成的反演模型能更好地反演鉀元素養(yǎng)分含量。

2.2 山原紅壤高光譜反演研究

2.2.1 單相關(guān)分析的養(yǎng)分模型估測

在上面的多光譜遙感中，利用合成植被指數(shù)和波段組合模型能較好地反演鉀元素含量。在構(gòu)建高光譜指數(shù)時(shí)，利用對原始光譜反射率（R）進(jìn)行不同形式的變換，最終選取包含原始反射率、反射率倒數(shù)、反射率對數(shù)、反射率平方根、反射率倒數(shù)的對數(shù)、反射率對數(shù)的倒數(shù)以及以上指數(shù)的一階導(dǎo)數(shù)共12種變換光譜作為此次研究的輸入光譜。

通過對土壤速效氮含量與光譜指數(shù)的相關(guān)分析得到，研究中構(gòu)建的反射率、平方根、倒數(shù)、對數(shù)等幾種光譜指數(shù)對土壤主要養(yǎng)分含量相關(guān)性均不明顯，而經(jīng)過一階導(dǎo)數(shù)處理后的光譜指數(shù)相關(guān)性顯著提升（表6）。通過相同方法對其他主要養(yǎng)分含量進(jìn)行相關(guān)分析后發(fā)現(xiàn)均存在此類現(xiàn)象，因此僅挑選具有特征波段研究特性的土壤合成指數(shù)進(jìn)行研究。

提取土壤各主要養(yǎng)分含量的特征波段后，選取與各主要養(yǎng)分含量相關(guān)系數(shù)最優(yōu)的波段及合成土壤指數(shù)波段組合進(jìn)行擬合分析。分別進(jìn)行一元回歸分析和多元回歸分析，一元回歸分析中除速效磷元素的曲線擬合模型R2大于0.7外，其他養(yǎng)分含量擬合模型的R2均不高，一元回歸模型無法完全表述變量信息。通過改進(jìn)后使用多元回歸分析，除全氮元素的擬合模型R2有所提升外，其余土壤養(yǎng)分含量擬合模型沒有改善，也無法較好地表達(dá)變量貢獻(xiàn)率。因此，結(jié)合曲線擬合和多元回歸結(jié)果，再次構(gòu)建非線性回歸模型對土壤養(yǎng)分含量進(jìn)行估測。

綜合一元回歸模型和多元回歸模型，選取一元回歸分析中擬合值最優(yōu)的兩模型構(gòu)建土壤二元回歸曲線回歸方程，計(jì)算出各養(yǎng)分含量擬合曲線方程如表7所示。

經(jīng)二元曲線擬合后的土壤養(yǎng)分模型整體較多元線性逐步回歸分析的擬合模型R2均有所提升，但RMSE檢驗(yàn)值也相對上升。相對于一元回歸分析的擬合極值，除速效氮養(yǎng)分含量擬合值有所上升外，其他養(yǎng)分含量擬合值并未上升。

利用相關(guān)分析法進(jìn)行分析，一定程度上可以提取土壤主要養(yǎng)分含量的的特征波段范圍，為回歸分析提供依據(jù)。但選取相關(guān)系數(shù)極值點(diǎn)的敏感波段進(jìn)行擬合的方法難以體現(xiàn)波段間的相關(guān)影響，僅靠相關(guān)系數(shù)極值選定變量構(gòu)建模型進(jìn)行養(yǎng)分回歸估測這一方法存在一定片面性，取得的建模效果并不理想。

經(jīng)研究發(fā)現(xiàn)，機(jī)器學(xué)習(xí)算法在土壤有機(jī)質(zhì)等主要養(yǎng)分含量的估測研究中，能夠較好地預(yù)測精度[15]。結(jié)合前人的研究[16-17]，本研究選取了偏最小二乘（PLSR）回歸與支持向量機(jī)（SVM）2種方法對山原紅壤主要養(yǎng)分含量進(jìn)行估測研究。

通過以上相關(guān)性分析發(fā)現(xiàn)，除一階微分變換能較好地提升光譜反射曲線與養(yǎng)分含量的相關(guān)性外，其余光譜變換均無很好效果。因此，在PLSR回歸和SVM回歸分析中，只使用原始反射率和平方根一階導(dǎo)光譜指數(shù)進(jìn)行分析。

2.2.2 PLSR回歸養(yǎng)分含量反演研究

通過The Unscrambler X多變量數(shù)據(jù)分析軟件對目標(biāo)數(shù)據(jù)進(jìn)行處理。以20個(gè)山原紅壤土壤樣本的原始光譜率及平方根一階導(dǎo)光譜指數(shù)為自變量，速效氮磷鉀及其余養(yǎng)分含量為因變量。各主要養(yǎng)分含量回歸分析結(jié)果如圖3至圖7所示。由表8和圖3至圖7可知，利用PLSR回歸分析得到的結(jié)果中，速效氮磷鉀元素一階微分變換指數(shù)的R2較原始反射率有所提高，但有機(jī)質(zhì)和全氮一階微分變換指數(shù)的R2降低，并且PLSR擬合的模型整體效果提升很小，不適用于山原紅壤養(yǎng)分含量估測。

2.2.3 SVM回歸養(yǎng)分含量反演研究

與PLSR回歸相同，選擇20個(gè)山原紅壤土壤原始反射率和平方根一階微分作為自變量，各土壤養(yǎng)分含量作為因變量，分別對5種養(yǎng)分含量進(jìn)行建模分析，各主要養(yǎng)分含量回歸分析結(jié)果如圖8至圖12所示。通過對山原紅壤速效氮磷鉀及其他主要養(yǎng)分含量的SVM回歸分析可以看出，各主要養(yǎng)分含量在與光譜反射率平方根一階微分的回歸模型中，均獲得了較好的擬合度。R2依舊呈現(xiàn)一階微分變換指數(shù)高于原始光譜反射率這一現(xiàn)象，且一階微分變換光譜指數(shù)的R2較原始光譜反射率有明顯提升，RMSE檢驗(yàn)值也相對降低?？傊?，使用SVM回歸分析方法進(jìn)行擬合的模型，整體效果均有所提升，比較其他方法更適合用于進(jìn)行養(yǎng)分含量的估測。

3 結(jié)論與討論

3.1 結(jié)論

分別使用多光譜和高光譜結(jié)合對山原紅壤主要養(yǎng)分含量進(jìn)行估測。在多光譜養(yǎng)分含量估測中，山原紅壤在紅外波段較為敏感，其土壤反射率值高于其他波段。利用合成植被指數(shù)對比，除比值植被指數(shù)與差值植被指數(shù)波段較為明顯外，其他植被指數(shù)波動范圍較小，通過原始反射率、合成植被指數(shù)與土壤各養(yǎng)分含量的相關(guān)分析表明，合成波段的相關(guān)性高于單波段。應(yīng)用多種回歸分析方法對與土壤養(yǎng)分含量相關(guān)性較好的多光譜植被指數(shù)進(jìn)行分析，整體R2系數(shù)較低，無法較好地?cái)M合土壤指數(shù)與土壤養(yǎng)分的關(guān)系，造成這一結(jié)果的原因初步估測為分析土壤養(yǎng)分樣本量較少或多光譜探測波段分辨率不夠高導(dǎo)致。在多光譜養(yǎng)分估測中，利用多種方式擬合了鉀元素的合成光譜回歸模型，其R2大于0.5，有良好的擬合意義。

由于多光譜進(jìn)行養(yǎng)分估測效果不理想，再利用高光譜對其進(jìn)行分析。對特征波段與山原紅壤進(jìn)行多種回歸模型擬合，單相關(guān)分析擬合的模型效果不好，無法較好地反映土壤養(yǎng)分含量。而后使用機(jī)器學(xué)習(xí)法進(jìn)行分析，分別使用最小二乘法回歸模型和支持向量機(jī)回歸模型對不同高光譜反射曲線進(jìn)行擬合分析，擬合結(jié)果更好，使用支持向量機(jī)擬合模型的R2較高，RMSE均方根誤差相對較好，比較適用于山原紅壤養(yǎng)分含量的估測，實(shí)現(xiàn)了土壤主要養(yǎng)分含量的高光譜估測。

3.2 討論

基于高光譜多變量的土壤養(yǎng)分含量回歸分析由于變量眾多因而分析較為復(fù)雜，基于機(jī)器學(xué)習(xí)的回歸算法能夠較好地解決多變量擬合回歸的過擬合現(xiàn)象，但需要大量的樣本數(shù)據(jù)。本研究相對其他研究而言樣本變量相對較少，因而未采用獨(dú)立樣本檢驗(yàn)的方法對模型精度進(jìn)行驗(yàn)證。同時(shí)，由于樣本變量較少，在進(jìn)行BP（back propagation）神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林回歸分析時(shí)，未能獲得較好的擬合效果。因此在今后的多變量估測研究中，為保證擬合模型的擬合精度與獨(dú)立樣本檢驗(yàn)的實(shí)現(xiàn)，應(yīng)盡可能提升樣本數(shù)量，提升樣本檢測的可能性。

參考文獻(xiàn)：

[1]邱 壑. 耕地土壤有機(jī)質(zhì)與速效氮磷鉀含量高光譜遙感反演研究[D]. 福州：福建農(nóng)林大學(xué)，2017.

[2]王騰軍，趙明海，楊 耘，等. 多光譜影像的陜西大西溝礦區(qū)土壤重金屬含量反演[J]. 光譜學(xué)與光譜分析，2019，39（12）：3880-3887.

[3]張智韜，魏廣飛，姚志華，等. 基于無人機(jī)多光譜遙感的土壤含鹽量反演模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（12）：151-160.

[4]張智韜，譚丞軒，許崇豪，等. 基于無人機(jī)多光譜遙感的玉米根域土壤含水率研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（7）：246-257.

[5]趙 瑞，崔希民，劉 超. GF-5高光譜遙感影像的土壤有機(jī)質(zhì)含量反演估算研究[J]. 中國環(huán)境科學(xué)，2020，40（8）：3539-3545.

[6]劉煥軍，張美薇，楊昊軒，等. 多光譜遙感結(jié)合隨機(jī)森林算法反演耕作土壤有機(jī)質(zhì)含量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（10）：134-140.

[7]姜雪芹，葉 勤，林 怡，等. 基于諧波分析和高光譜遙感的土壤含水量反演研究[J]. 光學(xué)學(xué)報(bào)，2017，37（10）：292-302.

[8]馬 馳. 基于Landsat 8遙感圖像的長春中北部地區(qū)土壤有機(jī)質(zhì)含量反演[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（12）：415-419.

[9]楊建鋒，馬軍成，王令超. 基于地貌類型的土壤有機(jī)質(zhì)多光譜遙感反演[J]. 地理空間信息，2015，13（2）：48-50.

[10]南 鋒，朱洪芬，畢如田.黃土高原煤礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量的高光譜預(yù)測[J]. 中國農(nóng)業(yè)科學(xué)，2016，49（11）：2126-2135.

[11]欒福明，熊黑鋼，王 芳，等. 基于小波分析的土壤速效K含量高光譜反演[J]. 干旱區(qū)地理，2015，38（2）：320-326.

[12]蔣璐璐，張 瑜，王艷艷，等. 基于光譜技術(shù)的土壤養(yǎng)分快速測試方法研究[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2010，36（4）：445-450.

[13]石萌萌. 全譜段成像儀的地表場景模擬[D]. 西安：西安科技大學(xué)，2017.

[14]秦倩如. 基于高光譜的陜西省土壤游離鐵與碳酸鈣含量預(yù)測研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2019.

[15]葉元元. 多金屬礦區(qū)土壤重金屬的高光譜定量估算研究[D]. 徐州：中國礦業(yè)大學(xué)，2014.

[16]紀(jì)文君，李 曦，李成學(xué)，等. 基于全譜數(shù)據(jù)挖掘技術(shù)的土壤有機(jī)質(zhì)高光譜預(yù)測建模研究[J]. 光譜學(xué)與光譜分析，2012，32（9）：2393-2398.

[17]沈蘭芝，高懋芳，閆敬文，等. 基于SVR和PLSR的土壤有機(jī)質(zhì)高光譜估測模型研究[J]. 中國農(nóng)業(yè)信息，2019，31（1）：58-71.