李旭青，劉 帝，王小丹，趙辰雨，張文龍，王春暖

基于集合經(jīng)驗(yàn)?zāi)B(tài)分解算法的土壤肥力脅迫甄別與監(jiān)測(cè)

李旭青1,2，劉 帝3，王小丹1,2，趙辰雨1,2，張文龍1,2，王春暖1,2

（1. 北華航天工業(yè)學(xué)院遙感信息工程學(xué)院，廊坊 065000；2.河北省航天遙感信息處理與應(yīng)用協(xié)同創(chuàng)新中心，廊坊 065000；3.航天宏圖信息技術(shù)股份有限公司，北京 100195）

土壤肥力是農(nóng)作物生長(zhǎng)所需的關(guān)鍵要素之一，其水平直接影響農(nóng)作物的長(zhǎng)勢(shì)甚至產(chǎn)量，然而作物生長(zhǎng)過程中受多種脅迫因素的綜合影響。避免土壤肥力監(jiān)測(cè)結(jié)果受到其他脅迫因素的干擾是土壤肥力精準(zhǔn)監(jiān)測(cè)的關(guān)鍵問題之一。該研究旨在分析利用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法進(jìn)行土壤肥力脅迫甄別和監(jiān)測(cè)的可行性。以河北省廊坊市大廠縣冬小麥耕地為研究區(qū)域，以EEMD算法為基礎(chǔ)，將分解后的本征模函數(shù)（Intrinsic Mode Function，IMF）分量按照年際、年間和年內(nèi)的尺度進(jìn)行合成，結(jié)合不同的時(shí)間尺度及脅迫特征剔除土壤水分脅迫、病蟲害脅迫及重金屬脅迫等因素，實(shí)現(xiàn)對(duì)土壤肥力脅迫的有效甄別提取。結(jié)合主成分分析相關(guān)方法，將有機(jī)質(zhì)、全氮、有效磷以及速效鉀4項(xiàng)養(yǎng)分指標(biāo)轉(zhuǎn)換為3個(gè)主成分，初步得到土壤肥力綜合評(píng)價(jià)簡(jiǎn)易模型，后與分解結(jié)果進(jìn)行擬合，構(gòu)建并實(shí)現(xiàn)了土壤肥力綜合水平的定量評(píng)價(jià)模型。結(jié)果表明：1）在年際、年間以及年內(nèi)3組波動(dòng)組分中，年際波動(dòng)組分可以較好地反映研究區(qū)內(nèi)土壤肥力脅迫作用對(duì)農(nóng)作物長(zhǎng)勢(shì)的影響；2）利用最小二乘法對(duì)土壤養(yǎng)分指標(biāo)測(cè)定數(shù)據(jù)進(jìn)行線性擬合，擬合結(jié)果與原始數(shù)據(jù)的決定系數(shù)達(dá)到了0.857，能夠較好地反映出原始數(shù)據(jù)的變化水平；3）最終土壤肥力水平評(píng)價(jià)模型評(píng)價(jià)結(jié)果與實(shí)測(cè)結(jié)果間的平均誤差為11.82%，表明模型預(yù)測(cè)結(jié)果與實(shí)際情況契合程度高，模型反演結(jié)果能夠較好地反映研究區(qū)的土壤肥力水平。該研究結(jié)合EEMD算法與統(tǒng)計(jì)學(xué)分析實(shí)現(xiàn)了土壤肥力脅迫的有效甄別及土壤肥力定量評(píng)價(jià)模型的構(gòu)建，為遙感技術(shù)在土壤肥力研究領(lǐng)域的應(yīng)用提供了參考。

遙感；土壤；肥力；集合經(jīng)驗(yàn)?zāi)B(tài)分解；脅迫甄別；定量分析

0 引 言

對(duì)于農(nóng)作物而言，其生長(zhǎng)過程受諸如水分脅迫、病蟲害脅迫、重金屬脅迫以及土壤肥力脅迫等多種脅迫因素的影響[1-2]。其中，土壤肥力在農(nóng)作物生長(zhǎng)過程中發(fā)揮著尤為重要的作用[3-4]，它為農(nóng)作物生長(zhǎng)提供良好的環(huán)境，使農(nóng)作物達(dá)到高產(chǎn)優(yōu)質(zhì)的效果，最終提高農(nóng)作物的經(jīng)濟(jì)效益。土壤肥力脅迫的甄別與評(píng)價(jià)研究，對(duì)于提高糧食產(chǎn)量、保護(hù)耕地土壤質(zhì)量以及改善環(huán)境條件都有十分重要的意義。

傳統(tǒng)土壤肥力水平監(jiān)測(cè)方法主要通過實(shí)地采樣測(cè)量的方式開展，即對(duì)采樣點(diǎn)進(jìn)行農(nóng)作物的定期長(zhǎng)勢(shì)監(jiān)測(cè)和土壤樣本的采集化驗(yàn)[5]。這類方法的精確度能夠得到保證，但其研究過程花費(fèi)的人力物力成本較高，難以滿足大面積實(shí)際生產(chǎn)應(yīng)用中的需求。也有研究通過利用傳統(tǒng)的地統(tǒng)計(jì)分析法[6]對(duì)土壤有機(jī)質(zhì)（Soil Organic Matter，SOM）的空間分布進(jìn)行預(yù)測(cè)來間接監(jiān)測(cè)土壤肥力水平，但是土壤空間變異顯著的特點(diǎn)使得地統(tǒng)計(jì)分析法需要大量的樣本點(diǎn)作為數(shù)據(jù)支撐才能保證樣點(diǎn)的代表性足夠強(qiáng)，在土壤空間分布的復(fù)雜程度更高的區(qū)域，地統(tǒng)計(jì)分析法的誤差甚至?xí)M(jìn)一步加大。

近年來，通過遙感技術(shù)開展的土壤肥力監(jiān)測(cè)手段[7]具備實(shí)時(shí)、快速獲取海量信息的能力，在很大程度上改善了傳統(tǒng)方法存在的缺陷[8]。劉煥軍等[9]通過對(duì)比多種降噪方法處理后的高分五號(hào)衛(wèi)星影像的SOM反演結(jié)果，證實(shí)了降噪方法應(yīng)用高光譜衛(wèi)星數(shù)據(jù)處理中的可行性，為遙感影像數(shù)據(jù)反演SOM提供了參考；焦彩霞等[10]采用600 nm“弓曲差”以及最小二乘法2種方法構(gòu)建了一種基于高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量估測(cè)模型，為衛(wèi)星遙感數(shù)據(jù)在SOM研究中的應(yīng)用提供了可靠思路。遙感監(jiān)測(cè)方法實(shí)現(xiàn)了對(duì)土壤肥力的實(shí)時(shí)、快速監(jiān)測(cè)，但在應(yīng)用過程中依然存在精確度不高等方面的不足，為此，國(guó)內(nèi)外研究從監(jiān)測(cè)指標(biāo)和監(jiān)測(cè)模型方法2個(gè)角度開展了不同程度的研究。一方面，構(gòu)建新的模型描述農(nóng)作物在不同土壤條件下的長(zhǎng)勢(shì)差異是一條可行的方法。Xu等[11-12]基于WorldView-2影像構(gòu)建了一種2 m分辨率的土壤總氮含量預(yù)測(cè)模型以及一種基于貝葉斯克里格模型的土壤可交換鉀含量的預(yù)測(cè)模型；方慧婷等[13]依據(jù)WOFOST作物模型對(duì)土壤速效養(yǎng)分進(jìn)行反演，為速效養(yǎng)分時(shí)空變異的預(yù)測(cè)提供了參考。另一方面，部分研究著眼于尋找對(duì)土壤養(yǎng)分指標(biāo)變換足夠敏感的觀測(cè)參數(shù)以提高監(jiān)測(cè)精度[14]。唐海濤等[15]對(duì)土壤類型特征波段進(jìn)行了提取，利用篩選的預(yù)測(cè)因子采用隨機(jī)森林模型可實(shí)現(xiàn)SOM含量的快速預(yù)測(cè)；Ibrahim等[16]使用歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、裸土指數(shù)以及土壤調(diào)整型植被指數(shù)對(duì)土壤有機(jī)質(zhì)含量進(jìn)行反演，具有較好的反演效果；吳亞鵬等[17]篩選出包括土壤調(diào)整型植被指數(shù)、修正型紅邊比率在內(nèi)的多種植被指數(shù)，實(shí)現(xiàn)了土壤中氮元素含量變化與敏感植被指數(shù)間的有效擬合。

綜上，以往研究證實(shí)了遙感技術(shù)在土壤肥力監(jiān)測(cè)上的可行性，但農(nóng)田生態(tài)系統(tǒng)多源脅迫下耕地土壤肥力監(jiān)測(cè)的關(guān)鍵問題在于如何避免監(jiān)測(cè)結(jié)果受到其他脅迫因素的干擾，然而卻少有研究進(jìn)行土壤肥力脅迫的甄別及提取，導(dǎo)致未能充分剝離其他脅迫因素的影響。而集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法可以將原始信號(hào)分解為幾個(gè)本征模函數(shù)（Intrinsic Mode Function，IMF），通過分析不同IMF的時(shí)域和頻域統(tǒng)計(jì)參數(shù)，形成不同維度的特征向量[18]。相關(guān)學(xué)者利用EEMD算法分解提取腦電信號(hào)特征[19]、閃電及應(yīng)力波信號(hào)特征[20]，進(jìn)行復(fù)合故障檢測(cè)與識(shí)別[21]，在長(zhǎng)時(shí)間尺度上獲取重金屬應(yīng)力信號(hào)特征[22]。還有學(xué)者利用EEMD算法和其他算法結(jié)合實(shí)現(xiàn)共同降噪，如和小波變換[23]、小波閾值等方法[24]聯(lián)和去噪，與形態(tài)分量分析、廣義S變換、獨(dú)立分量分析方法相結(jié)合[25-26]實(shí)現(xiàn)混合降噪。EEMD算法可以簡(jiǎn)化去噪過程，減少模態(tài)混疊現(xiàn)象[27-28]，為非線性多尺度時(shí)序信號(hào)的快速處理和不同時(shí)間尺度的特征甄別提供了可靠的解決方案[29]。

因此，本研究旨在分析利用EEMD算法進(jìn)行土壤肥力脅迫甄別和監(jiān)測(cè)的可行性。以河北省廊坊市大廠縣冬小麥耕地為研究區(qū)域，采用高分一號(hào)WFV影像為數(shù)據(jù)源獲取冬小麥NDVI長(zhǎng)時(shí)間序列，利用EEMD算法將序列進(jìn)行分解后按照年際、年間和年內(nèi)3種尺度進(jìn)行合成，剔除水分脅迫、病蟲害脅迫及重金屬脅迫等因素的干擾，降低其他脅迫因素對(duì)土壤肥力監(jiān)測(cè)結(jié)果的影響。以土壤有機(jī)質(zhì)、全氮、有效磷以及速效鉀含量4項(xiàng)指標(biāo)為評(píng)價(jià)因子，結(jié)合主成分分析相關(guān)方法構(gòu)建土壤肥力綜合水平的定量評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)土壤肥力脅迫的準(zhǔn)確甄別提取，以期提高土壤肥力的監(jiān)測(cè)精度。

1 材料與方法

1.1 研究區(qū)概況

本研究選擇廊坊市大廠縣為研究區(qū)域，冬小麥為目標(biāo)作物。大廠縣位于廊坊北部，中心經(jīng)緯度116.98°E、39.88°N，總面積為176.29 km2，其中耕地為11 581.54 hm2，地貌以平原為主，土壤多為潮褐土或潮土。大廠縣冬小麥耕地主要分布在東部地區(qū)，即陳府鄉(xiāng)以及大廠鎮(zhèn)地區(qū)。此外，由于研究選取的影像數(shù)據(jù)源分辨率為16 m，為盡可能避免混合像元導(dǎo)致的監(jiān)測(cè)結(jié)果誤差，選取16 m×16 m以上的耕地地塊作為采樣點(diǎn)。結(jié)合研究區(qū)影像與實(shí)地考察結(jié)果，最終確定位于大廠縣東南部的大廠鎮(zhèn)及陳府鎮(zhèn)的6處采樣區(qū)，共23個(gè)采樣點(diǎn)，研究區(qū)及采樣區(qū)位置如圖1所示。

圖1 研究區(qū)及采樣區(qū)位置圖

1.2 遙感影像數(shù)據(jù)與處理

高分一號(hào)衛(wèi)星搭載的WFV傳感器影像幅寬800 km，空間分辨率為16 m，覆蓋周期達(dá)到41 d，具備高空間和高時(shí)間分辨率的優(yōu)勢(shì)且有足夠的寬幅，能夠滿足本研究的數(shù)據(jù)需求。綜合發(fā)射時(shí)間等多方面因素考慮，本次研究選取大廠縣自2015年1月—2020年11月，共計(jì)102景影像作為研究的影像數(shù)據(jù)源。高分一號(hào)WFV影像的原始影像為1A級(jí)影像，只帶有基本的地理坐標(biāo)信息，經(jīng)過輻射定標(biāo)、大氣校正、正射校正、幾何校正以及圖像融合的預(yù)處理流程后備用。

1.3 野外實(shí)測(cè)數(shù)據(jù)采集

野外實(shí)測(cè)數(shù)據(jù)用于表征試驗(yàn)區(qū)域土壤肥力情況，并與EEMD分解提取結(jié)果進(jìn)行擬合。在進(jìn)行土壤采樣時(shí)，額外選取若干相鄰冬小麥耕地進(jìn)行采樣測(cè)定備用數(shù)據(jù)，以用作研究結(jié)果精度驗(yàn)證。

1.3.1 采樣方法

采集土壤樣品過程的科學(xué)性是影響野外實(shí)測(cè)數(shù)據(jù)獲取結(jié)果準(zhǔn)確程度的關(guān)鍵，本研究土壤采樣遵循隨機(jī)以及等量2個(gè)原則。一方面，土壤樣品的采集地點(diǎn)隨機(jī)分布在整個(gè)采樣區(qū)；另一方面，每個(gè)采樣地區(qū)內(nèi)土壤樣品的采樣數(shù)量應(yīng)該保持一致。一般情況下，采樣點(diǎn)數(shù)量的選擇取決于研究總體范圍的大小、研究對(duì)象的復(fù)雜程度以及研究要求的精確度等條件。理想情況下，應(yīng)滿足采樣點(diǎn)盡可能少的前提下，樣品的代表性最大。為滿足以上條件，在本次采樣工作中，采用“X”形或者“S”形2種土壤采樣方法，如圖2所示。

一個(gè)地區(qū)采樣點(diǎn)的數(shù)量在8～10個(gè)點(diǎn)之間，土壤樣品的質(zhì)量在1 kg以上。采樣時(shí)，使用管型土鉆、打孔取土器、土鏟等工具，采集深度距離地表0～20 cm之間。此外，采樣時(shí)避開田邊、路邊、樹邊、溝邊、堆放過肥料的地點(diǎn)，以確保樣品的代表性。

圖2 土壤樣本采集方式及過程示意圖

1.3.2 采樣指標(biāo)及處理流程

選取4種具有較強(qiáng)代表性的土壤養(yǎng)分指標(biāo)作為土壤肥力水平的評(píng)價(jià)因子，即土壤有機(jī)質(zhì)、全氮、有效磷以及速效鉀含量4項(xiàng)指標(biāo)。在冬小麥進(jìn)入越冬期前對(duì)選取的耕地樣本點(diǎn)進(jìn)行土壤樣品采集，并封裝在密封袋中帶回實(shí)驗(yàn)室進(jìn)行處理。

1）風(fēng)干：風(fēng)干過程在通風(fēng)情況良好的室內(nèi)進(jìn)行，將土壤樣品置于鐵盤中，避免曝曬，并避免酸、堿性氣體以及灰塵的污染。當(dāng)土壤樣品達(dá)到半干狀態(tài)時(shí)，將樣品中體積較大的土塊碾碎，以避免完全風(fēng)干后板結(jié)成塊。

2）磨細(xì)過篩：將經(jīng)風(fēng)干處理后的土壤樣品放置在平整的平臺(tái)上，磨碎成塊的土壤之后用1 mm孔徑的篩子過篩。對(duì)于未過篩部分的土粒重新進(jìn)行壓碎過篩處理，石子、植物殘根等雜質(zhì)予以剔除。

3）標(biāo)注送檢：將過篩處理后的土壤樣品重新混合均勻，裝入專用樣品袋中封存。在外封裝上注明土壤樣品的名稱、采集時(shí)間、采集地點(diǎn)等條目，并依照編號(hào)對(duì)所有土壤樣品進(jìn)行登記，避免日光、高溫、潮濕等環(huán)境，送往專業(yè)檢測(cè)部門進(jìn)行養(yǎng)分指標(biāo)含量的測(cè)定。

經(jīng)專業(yè)監(jiān)測(cè)部門測(cè)定完成后，在各采樣地區(qū)取各項(xiàng)土壤養(yǎng)分指標(biāo)的均值作為最終的測(cè)定結(jié)果，如表1所示。

表1 冬小麥種植區(qū)土壤養(yǎng)分指標(biāo)測(cè)定結(jié)果

除對(duì)土壤樣品進(jìn)行采集化驗(yàn)外，測(cè)量土壤中的重金屬元素含量是否正常是保證土壤肥力水平監(jiān)測(cè)精確度的重要環(huán)節(jié)之一。手持式土壤重金屬分析儀能夠?qū)ν寥乐械蔫F、鋅、銅、汞等多種重金屬元素的含量進(jìn)行定量測(cè)定，測(cè)定時(shí)保證探頭上的保護(hù)膜完整，一旦出現(xiàn)破損情況，立即對(duì)保護(hù)膜進(jìn)行更換，以避免造成探頭內(nèi)部的損壞。采用原位測(cè)量法，即不進(jìn)行額外的土壤采樣，直接使用儀器對(duì)耕地土壤進(jìn)行測(cè)量，如圖2c所示。原位測(cè)量時(shí)使測(cè)量探頭緊貼地表土壤，避免外部光線對(duì)儀器自身發(fā)出的光束造成影響。

1.4 集合經(jīng)驗(yàn)?zāi)B(tài)分解算法

EEMD算法是一種參考數(shù)據(jù)本身時(shí)間尺度特征的時(shí)域信號(hào)分析方法，適用于分析處理非線性和非平穩(wěn)信號(hào)。通過多次向原始序列中添加不同振幅的噪聲信號(hào)最終結(jié)果取均值的方法在很大程度上抵消“模態(tài)混疊”造成的誤差[22]，對(duì)于研究單一脅迫作用對(duì)農(nóng)作物長(zhǎng)勢(shì)的影響具有很大的優(yōu)勢(shì)。

在EEMD算法的實(shí)現(xiàn)過程中，加入的噪聲信號(hào)的振幅以及計(jì)入噪聲信號(hào)的次數(shù)是影響最終分解結(jié)果精度最重要的2個(gè)因素。選擇合適的噪聲振幅以及加入白噪聲次數(shù)是利用EEMD算法進(jìn)行時(shí)間序列分解的關(guān)鍵。理論上，加入噪聲信號(hào)的次數(shù)越多，EEMD分解的結(jié)果越準(zhǔn)確，但加入白噪聲次數(shù)設(shè)置過大會(huì)明顯降低效率，同時(shí)計(jì)算成本也隨之增加。同樣，當(dāng)噪聲信號(hào)的振幅太大時(shí)，EEMD分解過程將產(chǎn)生多項(xiàng)缺少有效信息的IMF分量，導(dǎo)致分解信號(hào)失去原始信號(hào)的特征；當(dāng)噪聲信號(hào)的振幅過小時(shí)，其對(duì)原始信號(hào)產(chǎn)生的影響不足以消除模態(tài)混疊現(xiàn)象，同樣無(wú)法保證分解結(jié)果的精度。通常在EEMD算法分解中，噪聲信號(hào)振幅的取值范圍在0.01～0.4之間，加入白噪聲次數(shù)的取值為50或100。根據(jù)實(shí)際情況，當(dāng)農(nóng)作物的長(zhǎng)勢(shì)不受環(huán)境脅迫因素影響時(shí)，其每年的生長(zhǎng)趨勢(shì)應(yīng)基本保持不變，因此可將作物的年間波動(dòng)組分在不同年間的相關(guān)性作為確定參數(shù)的基準(zhǔn)。經(jīng)過多次試驗(yàn)，當(dāng)加入噪聲信號(hào)的振幅相同時(shí)，加入白噪聲次數(shù)的次數(shù)對(duì)分解效果的影響很小，為使結(jié)果真實(shí)性更強(qiáng)，將加入白噪聲次數(shù)設(shè)置為100；當(dāng)噪聲信號(hào)的振幅取0.3時(shí)，作物每年的固有生長(zhǎng)趨勢(shì)最為相似，因此將所加入噪聲信號(hào)的振幅的值設(shè)置為0.3。

1.5 模型構(gòu)建與驗(yàn)證

耕地土壤的肥力水平是多種土壤養(yǎng)分指標(biāo)共同作用的結(jié)果，在不采用試驗(yàn)田方法的情況下研究單一某種養(yǎng)分含量變化對(duì)農(nóng)作物長(zhǎng)勢(shì)的影響是較為困難的。通過合適的方法構(gòu)建一個(gè)能夠代表土壤肥力整體水平的參數(shù)能夠有效降低分析過程的難度。在統(tǒng)計(jì)學(xué)中，主成分分析是考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)手段[30]，它能夠盡可能地反映原始變量信息的少數(shù)幾個(gè)主成分，并對(duì)幾個(gè)原始成分進(jìn)行線性組合，形成一個(gè)綜合指標(biāo)，從而實(shí)現(xiàn)對(duì)原始序列的表達(dá)。通過對(duì)上文提到的4項(xiàng)典型土壤養(yǎng)分指標(biāo)的主成分分析確定土壤肥力綜合水平與各項(xiàng)指標(biāo)間的關(guān)系。在SPSS環(huán)境中進(jìn)行指標(biāo)間的相關(guān)性檢驗(yàn)以確定各項(xiàng)指標(biāo)之間的相關(guān)性，相關(guān)系數(shù)計(jì)算方法采用Pearson法。根據(jù)相關(guān)性檢驗(yàn)的結(jié)果，對(duì)土壤肥力水平進(jìn)行主成分分析，將3個(gè)主成分線性組合得到總體關(guān)于3個(gè)主成分的線性表達(dá)式，最終得到土壤肥力整體水平關(guān)于4項(xiàng)養(yǎng)分指標(biāo)的線性表達(dá)式。將其結(jié)果與EEMD算法的分解結(jié)果進(jìn)行擬合進(jìn)一步構(gòu)建土壤肥力綜合水平的定量評(píng)價(jià)模型，在進(jìn)行精度驗(yàn)證時(shí)采用野外實(shí)測(cè)數(shù)據(jù)采集時(shí)選取的采樣點(diǎn)備用實(shí)測(cè)結(jié)果作為驗(yàn)證數(shù)據(jù)，根據(jù)擬合誤差高低選出最優(yōu)擬合方式。

2 結(jié)果與分析

2.1 土壤肥力綜合評(píng)價(jià)簡(jiǎn)易模型構(gòu)建

采用Pearson法進(jìn)行相關(guān)分析以確定各項(xiàng)指標(biāo)之間的相關(guān)性關(guān)系，根據(jù)相關(guān)性檢驗(yàn)的結(jié)果，有機(jī)質(zhì)與有效磷的相關(guān)性較高、與速效鉀的相關(guān)性較低；全氮和有機(jī)質(zhì)的相關(guān)性相比與其他2種元素的相關(guān)性更高一些，其與速效鉀的相關(guān)性最低；有效磷與全氮的相關(guān)性最高。對(duì)土壤肥力水平進(jìn)行主成分分析，結(jié)果如表2所示，前3項(xiàng)主成分對(duì)總體的累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到了99.16%，基本能夠反映總體的全部信息。因此，借助前3項(xiàng)主成分對(duì)整體進(jìn)行表達(dá)的準(zhǔn)確度能夠滿足需求。

表2 主成分分析結(jié)果

根據(jù)表2可以得出3個(gè)主成分關(guān)于4項(xiàng)土壤養(yǎng)分指標(biāo)的線性表達(dá)式：

1=0.561+0.322+0.033+0.544（1）

2=?0.141?0.212?0.873+0.424（2）

3=0.791?0.312?0.273?0.454（3）

式中1為有機(jī)質(zhì)含量，g/kg；2為全氮含量，mg/kg；3為有效磷含量，mg/kg；4為速效鉀含量，mg/kg；為第個(gè)主成分。

通過3個(gè)主成分的線性組合能夠得到總體關(guān)于3個(gè)主成分的線性表達(dá)式，如式（4）所示：

=0.5761+0.3172+0.0993+Δ() （4）

式中表示土壤養(yǎng)分整體水平，Δ()表示土壤養(yǎng)分剩余成分。進(jìn)一步地，代入每個(gè)主成分對(duì)總體的貢獻(xiàn)率，即可得到土壤肥力整體水平關(guān)于4項(xiàng)養(yǎng)分指標(biāo)的線性表達(dá)式：

=0.3591+0.2882+0.1493+0.2024（5）

結(jié)合式（5）及表1數(shù)據(jù)可以得出大廠縣各樣區(qū)的土壤肥力綜合水平，如表3所示。

表3 土壤肥力綜合水平計(jì)算結(jié)果

2.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果的合成

土壤中的重金屬不易遷移、抗降解，各種養(yǎng)分的含量通過不同途徑的生物界循環(huán)在整體上保持一定幅度內(nèi)的平衡，土壤重金屬與土壤肥力脅迫因素具有相對(duì)持久性和穩(wěn)定性。與此相反，水分脅迫以及病蟲害脅迫在不同時(shí)間和空間上的影響通常更短暫，可能只發(fā)生在一個(gè)或幾個(gè)生長(zhǎng)周期，具有易揮發(fā)性。土壤肥力脅迫對(duì)作物的影響具有相對(duì)穩(wěn)定的年際變化特征，通過對(duì)作物的長(zhǎng)期連續(xù)監(jiān)測(cè)，可以根據(jù)不同的時(shí)間尺度及頻率特征有效區(qū)分土壤肥力脅迫與其他脅迫。

NDVI時(shí)間序列經(jīng)過EEMD分解為了6個(gè)IMF分量，結(jié)合上述脅迫因素特征分析以及頻率差異將所有IMF分為2項(xiàng)周期大于年的分量、1項(xiàng)周期約等于年的分量、2項(xiàng)周期小于年的分量以及1個(gè)殘差項(xiàng)，將這些分量根據(jù)不同時(shí)間尺度特征劃分為年際波動(dòng)組分、年間波動(dòng)組分、年內(nèi)波動(dòng)組分以及殘差項(xiàng)。選取幾處典型冬小麥耕地采樣點(diǎn)為例，對(duì)EEMD分解結(jié)果的各組分進(jìn)行甄別。

2.2.1 年內(nèi)波動(dòng)組分甄別

EEMD分解結(jié)果中的分量IMF1以及IMF2的頻率較高，二者的周期均小于1 a，可以判定IMF1以及IMF2為信號(hào)的年內(nèi)波動(dòng)組分，這一部分分量包含代表植物生長(zhǎng)周期中受到的瞬時(shí)脅迫影響作用和信號(hào)處理過程中產(chǎn)生的誤差結(jié)果。其中，IMF1具有明顯的不規(guī)則性，屬于信號(hào)處理過程產(chǎn)生的誤差噪聲信號(hào)，這一組分不參與模型最終分解結(jié)果的合成。因此，IMF2代表了冬小麥長(zhǎng)勢(shì)長(zhǎng)時(shí)間序列分解結(jié)果中的年內(nèi)波動(dòng)組分，如圖3所示。

注：IMFj為第j個(gè)本征模函數(shù)，下同。

如圖3所示，其頻率分辨率較低，能夠?qū)υ夹蛄械母哳l振蕩部分進(jìn)行很好地表現(xiàn)，可以檢測(cè)信號(hào)夾帶的瞬時(shí)異?，F(xiàn)象。這些信息的特征表現(xiàn)為年內(nèi)波動(dòng)雜亂，振幅規(guī)律性不強(qiáng)。對(duì)相鄰年份同一月份的信號(hào)數(shù)值進(jìn)行相關(guān)性分析能夠較好地對(duì)這一特征進(jìn)行驗(yàn)證，選擇3月、4月、5月、6月共4個(gè)冬小麥生長(zhǎng)較為旺盛的月份進(jìn)行相關(guān)性分析，結(jié)果如表4所示。從表中結(jié)果可以看出，相鄰年份間的同一月份數(shù)值相關(guān)性較小，表明曲線的規(guī)律性較弱。因此，可以認(rèn)為冬小麥長(zhǎng)勢(shì)長(zhǎng)時(shí)間序列的年內(nèi)波動(dòng)組分代表了冬小麥?zhǔn)芨鞣N瞬時(shí)脅迫因素的作用結(jié)果。

表4 年內(nèi)波動(dòng)組分相關(guān)性分析結(jié)果

表5給出了廊坊市大廠縣2015年至2019年的年降水量。其中，2018年的年降水量遠(yuǎn)高于其他年份，較多的降水和連續(xù)陰雨天氣會(huì)對(duì)冬小麥的長(zhǎng)勢(shì)和最終產(chǎn)量造成影響。研究區(qū)降水主要集中于每年的7—9月，結(jié)合該地區(qū)冬小麥耕作“春灌1水”的灌溉方式，水分脅迫作用應(yīng)在上半年和下半年各出現(xiàn)1個(gè)峰值。在圖3代表年內(nèi)波動(dòng)組分的曲線中，2018年的曲線波動(dòng)幅度明顯小于其他年份，并且曲線在每年的4月以及9月左右出現(xiàn)了2個(gè)波峰。這些特性均符合水分脅迫對(duì)冬小麥長(zhǎng)勢(shì)的影響，進(jìn)一步證實(shí)了分解結(jié)果中瞬時(shí)脅迫因素的甄別有效性。因此，可以認(rèn)為信號(hào)的高頻分量即年內(nèi)波動(dòng)組分能夠代表冬小麥?zhǔn)芩帧⒉∠x害等瞬時(shí)脅迫作用影響的結(jié)果。

表5 大廠縣年降水量

2.2.2 年間波動(dòng)組分甄別

為準(zhǔn)確甄別出研究區(qū)域內(nèi)冬小麥長(zhǎng)勢(shì)的年間波動(dòng)組分，在此引入季節(jié)平均模型方法[31]。對(duì)長(zhǎng)時(shí)間序列所包含年份中的每年同月的數(shù)據(jù)求取平均值，并重復(fù)6 a以獲取平均季節(jié)數(shù)據(jù)。此平均季節(jié)數(shù)據(jù)代表冬小麥長(zhǎng)時(shí)間序列中所有周期特征的平均波動(dòng)結(jié)果，能夠反映不同年份間冬小麥生長(zhǎng)所共有的周期特征。利用EEMD算法對(duì)平均季節(jié)數(shù)據(jù)進(jìn)行分解，得到代表年間波動(dòng)的IMF分量，如圖4所示。圖4a為基于研究中長(zhǎng)時(shí)間序列每年同月數(shù)據(jù)平均值計(jì)算得到的平均季節(jié)數(shù)據(jù)，其曲線周期約為1 a；圖4b為EEMD分解結(jié)果中，曲線波動(dòng)周期與平均季節(jié)數(shù)據(jù)結(jié)果最為接近的IMF分量，即季節(jié)項(xiàng)分量。根據(jù)季節(jié)平均模型方法，此分量即為代表冬小麥生長(zhǎng)過程中年間波動(dòng)組分脅迫作用的結(jié)果。

圖4 平均季節(jié)模型示意圖

對(duì)原始序列EEMD分解結(jié)果中所有與季節(jié)項(xiàng)IMF分量周期一致的分量進(jìn)行篩選，得到冬小麥長(zhǎng)勢(shì)的年間波動(dòng)組分，如圖5所示。年間波動(dòng)組分代表了冬小麥植株在不受外界條件影響下的生長(zhǎng)趨勢(shì)，表現(xiàn)為一個(gè)近似年周期性的序列。在實(shí)際研究中，耕地作物類型的變更以及試驗(yàn)過程中數(shù)據(jù)獲取的誤差會(huì)導(dǎo)致年間波動(dòng)組分在不同年份存在一定的差異，這種差異主要體現(xiàn)在波峰與波谷的數(shù)值差異上，但在時(shí)間尺度上峰值對(duì)應(yīng)的時(shí)間點(diǎn)在不同年份內(nèi)大體是一致的。因此，年間波動(dòng)組分能夠代表冬小麥固有生長(zhǎng)趨勢(shì)的作用結(jié)果。

圖5 年間波動(dòng)組分示意圖

2.2.3 年際波動(dòng)組分甄別

年際波動(dòng)組分又稱為長(zhǎng)時(shí)間序列分解結(jié)果的趨勢(shì)項(xiàng)，它代表了信號(hào)在一個(gè)長(zhǎng)時(shí)間尺度上的振動(dòng)趨勢(shì)。對(duì)于農(nóng)作物而言，趨勢(shì)項(xiàng)代表的意義是其受到時(shí)間尺度大于季節(jié)項(xiàng)的脅迫因素影響時(shí)所產(chǎn)生的響應(yīng)。因此，將振動(dòng)頻率小于年頻率的若干IMF分量進(jìn)行合成，得到冬小麥長(zhǎng)勢(shì)長(zhǎng)時(shí)間序列分解結(jié)果中的年際波動(dòng)組分，結(jié)果如圖6所示。從曲線可以看出，年際脅迫是長(zhǎng)期而平緩的。土壤肥力脅迫的作用形式主體為農(nóng)作物對(duì)土壤中養(yǎng)分的吸收，土壤中各種養(yǎng)分的含量通過不同途徑的生物界循環(huán)在整體上是保持一定幅度內(nèi)的平衡的。土壤中的重金屬不易遷移、抗降解，重金屬脅迫對(duì)作物的脅迫具有相對(duì)的持久性和穩(wěn)定性。這些特征符合年際波動(dòng)組分曲線平穩(wěn)且振幅較小的特點(diǎn)，因此，可以認(rèn)為年際波動(dòng)組分中包含著土壤重金屬脅迫和土壤肥力脅迫的作用結(jié)果。

圖6 年際波動(dòng)組分示意圖

結(jié)合上述分析，已將基于EEMD算法分解所得到的6個(gè)IMF分量甄別劃分為年內(nèi)、年間以及年際3種波動(dòng)組分，排除年內(nèi)以及年間波動(dòng)組分可有效剔除研究區(qū)冬小麥所受水分脅迫、病蟲害脅迫以及固有生長(zhǎng)趨勢(shì)的影響。

將野外實(shí)測(cè)工作中利用手持式土壤重金屬分析儀對(duì)采樣區(qū)耕地土壤中重金屬元素含量的測(cè)量數(shù)據(jù)與標(biāo)準(zhǔn)含量參考范圍進(jìn)行對(duì)比，所有樣區(qū)耕地土壤中的重金屬元素含量均在正常水平范圍內(nèi)，能夠確定幾個(gè)樣區(qū)不存在重金屬污染的情況，該地區(qū)未受到重金屬脅迫作用的影響。因此，可以認(rèn)為本研究中的年際波動(dòng)組分表征的是研究區(qū)域內(nèi)土壤肥力脅迫作用對(duì)于農(nóng)作物長(zhǎng)勢(shì)的影響。將EEMD算法的分解結(jié)果與實(shí)測(cè)數(shù)據(jù)分析相結(jié)合，剔除了水分脅迫、病蟲害脅迫以及土壤重金屬脅迫，實(shí)現(xiàn)了土壤肥力脅迫的準(zhǔn)確甄別與提取。

2.3 基于EEMD分解結(jié)果的土壤肥力綜合評(píng)價(jià)模型構(gòu)建

為實(shí)現(xiàn)土壤肥力水平的宏觀監(jiān)測(cè)，將土壤肥力綜合評(píng)價(jià)模型與EEMD方法的分解結(jié)果進(jìn)行擬合。研究中將23個(gè)采樣點(diǎn)的采樣數(shù)據(jù)按照一定比例分為建模集與驗(yàn)證集，其中，17個(gè)點(diǎn)的采樣數(shù)據(jù)用作建模集，另外6個(gè)點(diǎn)的采樣數(shù)據(jù)用作驗(yàn)證集。表6列出了17個(gè)建模集對(duì)應(yīng)采樣點(diǎn)的土壤肥力水平與EEMD分解的年際波動(dòng)組分?jǐn)?shù)據(jù)，其中，IMF10表示10月的土壤肥力脅迫量，IMF11表示11月的土壤肥力脅迫量。為避免擬合過程過于復(fù)雜，首先利用最小二乘法分別對(duì)數(shù)據(jù)進(jìn)行一次、二次、三次線性擬合，結(jié)果如表7所示?？梢钥闯?，雖然IMF11-IMF10比IMF10更能反映冬小麥長(zhǎng)勢(shì)的變化情況，但其數(shù)值變化幅度過小，導(dǎo)致擬合過程中的誤差被大幅度提高。因此，選擇單時(shí)相EEMD分解年際波動(dòng)組分?jǐn)?shù)據(jù)更適合對(duì)土壤肥力水平進(jìn)行擬合，結(jié)果見式（6）。

0.1686.93×IMF6.31×10-2×IMF20.0002×IMF3（6）

利用最小二乘法對(duì)數(shù)據(jù)進(jìn)行線性擬合的方法，在實(shí)現(xiàn)過程上較為簡(jiǎn)單，且擬合結(jié)果的決定系數(shù)達(dá)到了0.857，能夠較好地反映出原始數(shù)據(jù)的變化水平，實(shí)現(xiàn)了土壤肥力水平基于遙感影像數(shù)據(jù)的定量評(píng)價(jià)。

表6 模型擬合所用數(shù)據(jù)

注：IMF10代表10月和11月IMF，此處分別代表10月的土壤肥力脅迫分量，IMF11代表11月的土壤肥力脅迫量，IMF11-IMF10表示11月與10月的土壤肥力脅迫量的差值。

Note: IMF10and IMF11are IMF in October and November, respectively. They represent soil fertilizer stress in in October and November, respectively. IMF11-IMF10is difference between IMF11and IMF10.

表7 不同擬合方式的擬合結(jié)果

注：為土壤肥力水平。

Note：is soil fertility level.

2.4 模型驗(yàn)證

在上文中，利用主成分分析法實(shí)現(xiàn)了土壤肥力水平的定量評(píng)價(jià)，本節(jié)將利用前文研究中確定的驗(yàn)證集對(duì)應(yīng)的6個(gè)采樣點(diǎn)的采樣數(shù)據(jù)進(jìn)行精度驗(yàn)證。表8給出了該部分冬小麥耕地4項(xiàng)土壤養(yǎng)分指標(biāo)測(cè)定結(jié)果、根據(jù)上述擬合模型計(jì)算得到的土壤肥力整體水平以及EEMD的擬合結(jié)果，并計(jì)算了擬合誤差。

結(jié)合測(cè)定結(jié)果以及計(jì)算結(jié)果來看，平均誤差為11.82%，最高誤差為14.363%，利用EEMD分解得到的土壤肥力水平與實(shí)際測(cè)量數(shù)據(jù)結(jié)果吻合情況較好。

表8 冬小麥耕地土壤肥力水平模型擬合結(jié)果及試驗(yàn)結(jié)果對(duì)比

3 討 論

基于EEMD算法依據(jù)冬小麥長(zhǎng)勢(shì)自身的時(shí)間尺度特征進(jìn)行分析，對(duì)比已有土壤肥力分析方法具有更強(qiáng)的自適應(yīng)性，其適合于分析非線性、非平穩(wěn)信號(hào)序列，具有很高的信噪比[32]。利用統(tǒng)計(jì)學(xué)中相關(guān)性檢驗(yàn)以及主成分分析的方法實(shí)現(xiàn)土壤肥力水平的定量反演，在完成對(duì)集合經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果的驗(yàn)證工作的同時(shí)，提出了基于土壤有機(jī)質(zhì)含量、全氮含量、有效磷含量以及速效鉀含量4項(xiàng)指標(biāo)的土壤肥力水平定量評(píng)價(jià)模型，為使用遙感手段實(shí)現(xiàn)大范圍、長(zhǎng)時(shí)間土壤肥力水平監(jiān)測(cè)提供了一定的參考價(jià)值。

水分脅迫、病蟲害脅迫等脅迫對(duì)于農(nóng)作物長(zhǎng)勢(shì)的影響相較于土壤肥力、重金屬污染等環(huán)境因素的響應(yīng)更快，而年內(nèi)波動(dòng)組分與其他組分相比，在曲線上表現(xiàn)為振動(dòng)頻率更大且振幅更大。這一特點(diǎn)能夠反映出水分脅迫、病蟲害脅迫的脅迫信息。因此，信號(hào)的高頻分量可以代表冬小麥?zhǔn)芩?、病蟲害等瞬時(shí)脅迫作用的響應(yīng)結(jié)果。年間波動(dòng)組分又可稱為長(zhǎng)時(shí)間序列分解結(jié)果中的季節(jié)項(xiàng)，其典型特征是信號(hào)組分具有一個(gè)明顯的周期。根據(jù)農(nóng)作物的實(shí)際物候參數(shù)不同，這個(gè)周期也會(huì)出現(xiàn)一定的變化。通常情況下，這個(gè)時(shí)間周期的長(zhǎng)度是1 a。但由于實(shí)際生產(chǎn)過程中耕地的利用方式以及農(nóng)作物的耕作方式的影響，這個(gè)年間波動(dòng)組分會(huì)呈現(xiàn)出周期在1 a左右變動(dòng)的趨勢(shì)。在剔除代表水分脅迫、病蟲害脅迫等瞬時(shí)脅迫的年內(nèi)波動(dòng)組分以及代表冬小麥固有生長(zhǎng)趨勢(shì)的年間波動(dòng)組分后，剩余的年際波動(dòng)組分可代表持續(xù)的環(huán)境脅迫對(duì)農(nóng)作物長(zhǎng)勢(shì)的影響，包括土壤肥力脅迫、重金屬脅迫等因素。同時(shí)，根據(jù)野外實(shí)測(cè)工作中利用手持式重金屬分析儀對(duì)幾個(gè)典型樣區(qū)耕地土壤中重金屬元素含量的測(cè)定結(jié)果，所有樣區(qū)耕地土壤中的重金屬元素含量均在正常水平范圍內(nèi)，說明該地區(qū)受到重金屬脅迫作用的影響很弱。因此，本研究中的年際波動(dòng)組分能夠較好地表征研究區(qū)域內(nèi)土壤肥力脅迫作用對(duì)于農(nóng)作物長(zhǎng)勢(shì)的影響。

從精度評(píng)價(jià)的結(jié)果可以看出，基于遙感影像提取出的土壤肥力水平總體數(shù)值略高于實(shí)際測(cè)量值，主要原因可能在于：1）受數(shù)據(jù)源空間分辨率限制導(dǎo)致的“混合像元”現(xiàn)象使得獲取的NDVI值與實(shí)際值間存在偏差；2）分解結(jié)果中存在除文中提到4項(xiàng)主要脅迫因素外的諸如溫度等其他長(zhǎng)期脅迫因素作用的結(jié)果，后續(xù)研究可重點(diǎn)考慮如何排除此類與土壤肥力脅迫時(shí)間尺度差異較小的脅迫因素。

4 結(jié) 論

本研究基于高分一號(hào)遙感影像數(shù)據(jù)，以集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法為基礎(chǔ)，實(shí)現(xiàn)了對(duì)土壤肥力脅迫的有效甄別提取。結(jié)合統(tǒng)計(jì)學(xué)中主成分分析相關(guān)方法，構(gòu)建并實(shí)現(xiàn)了土壤肥力綜合水平的定量評(píng)價(jià)模型，得到如下結(jié)論：

1）將EEMD算法引入研究中，利用EEMD在時(shí)間尺度上對(duì)信號(hào)進(jìn)行分解的特性，對(duì)冬小麥NDVI長(zhǎng)時(shí)間序列進(jìn)行了分解，并結(jié)合相關(guān)脅迫機(jī)理特征及野外實(shí)測(cè)數(shù)據(jù)對(duì)分解結(jié)果進(jìn)行了分析，確定了分別代表冬小麥長(zhǎng)勢(shì)受年內(nèi)（瞬時(shí)）脅迫、年間脅迫以及年際（長(zhǎng)期）脅迫作用的本征模函數(shù)（Intrinsic Mode Function，IMF）分量曲線，驗(yàn)證了EEMD算法在本研究中的可行性；

2）結(jié)合野外實(shí)測(cè)數(shù)據(jù)的結(jié)果構(gòu)建土壤肥力綜合水平評(píng)價(jià)模型。利用統(tǒng)計(jì)學(xué)在中的主成分分析方法，以土壤中有機(jī)質(zhì)、全氮、有效磷、速效鉀4項(xiàng)養(yǎng)分指標(biāo)為出發(fā)點(diǎn)，將4項(xiàng)指標(biāo)轉(zhuǎn)換為3個(gè)主成分，累計(jì)貢獻(xiàn)率達(dá)到99.16%，能夠反映出土壤肥力的整體水平，以此實(shí)現(xiàn)了土壤肥力水平的初步定量評(píng)價(jià)；

3）將模型與EEMD分解結(jié)果進(jìn)行擬合，得出以年際波動(dòng)組分IMF分量作為自變量的土壤肥力水平線性表達(dá)式，并與實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，最終結(jié)果的平均誤差為11.82%，能夠滿足實(shí)際需求，實(shí)現(xiàn)了基于遙感影像的土壤肥力水平定量評(píng)價(jià)。

[1] 王林，代永欣，張勁松，等. 水分和光照條件對(duì)核桃-黃豆農(nóng)林復(fù)合系統(tǒng)中黃豆光合作用和生長(zhǎng)的影響[J]. 林業(yè)科學(xué)，2020，56(4)：188-196.

Wang Lin, Dai Yongxin, Zhang Jinsong, et al. Effects of water and light conditions on photosynthesis and growth of soybean in walnut-soybean agroforestry system[J]. Scientia Silvae Sinicae, 2020, 56(4): 188-196. (in Chinese with English abstract)

[2] 翁亞偉，張磊，張姍，等. 鹽旱復(fù)合脅迫對(duì)小麥幼苗生長(zhǎng)和水分吸收的影響[J]. 生態(tài)學(xué)報(bào)，2017，37(7)：2244-2252.

Weng Yawei, Zhang Lei, Zhang Shan, et al. Effects of salt with drought stress on growth and water uptake of wheat seedlings[J]. Acta Ecologica Sinica, 2017, 37(7): 2244-2252. (in Chinese with English abstract)

[3] 黃云鑫，李裕瑞，劉彥隨，等. 土層復(fù)配方案對(duì)治溝造地新增耕地土壤肥力的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(12)：64-72.

Huang Yunxin, Li Yurui, Liu Yansui, et al. Effects of soil-layer compounding schemes on the soil fertility of newly-constructed cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(12): 64-72. (in Chinese with English abstract)

[4] 范拴喜，崔佳茜，李丹，等. 不同改良措施對(duì)設(shè)施蔬菜土壤肥力和番茄品質(zhì)的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(16)：58-64.

Fan Shuanxi, Cui Jiaqian, Li Dan, et al. Effects of different improvement measures on soil fertility and the tomato quality of facilities vegetables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 58-64. (in Chinese with English abstract)

[5] 陳紅艷，趙庚星，張曉輝，等. 去除水分影響提高土壤有機(jī)質(zhì)含量高光譜估測(cè)精度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(8)：91-100.

Chen Hongyan, Zhao Gengxing, Zhang Xiaohui, et al. Improving estimation precision of soil organic matter content by removing effect of soil moisture from hyperspectra[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(8): 91-100. (in Chinese with English abstract)

[6] 劉艷芳，宋玉玲，郭龍，等. 結(jié)合高光譜信息的土壤有機(jī)碳密度地統(tǒng)計(jì)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(2)：183-191.

Liu Yanfang, Song Yuling, Guo Long, et al. Geostatistical models of soil organic carbon density prediction based on soil hyperspectral reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(2): 183-191. (in Chinese with English abstract)

[7] 舒田，熊康寧，陳麗莎，等. 基于遙感的石漠化治理下土壤肥力變化特征分析[J]. 生態(tài)環(huán)境學(xué)報(bào)，2019，28(4)：776-785.

Shu Tian, Xiong Kangning, Chen Lisha, et al. Analysis on variation characteristics of soil fertility under rocky desertification control based on remote sensing [J]. Ecology and Environmental Sciences, 2019, 28(4): 776-785. (in Chinese with English abstract)

[8] 劉煥軍，趙春江，王紀(jì)華，等. 黑土典型區(qū)土壤有機(jī)質(zhì)遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(8)：211-215.

Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(8): 211-215. (in Chinese with English abstract)

[9] 劉煥軍，鮑依臨，孟祥添，等. 不同降噪方式下基于高分五號(hào)影像的土壤有機(jī)質(zhì)反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(12)：90-98.

Liu Huanjun, Bao Yilin, Meng Xiangtian, et al. Inversion of soil organic matter based on GF-5 images under different noise reduction methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 90-98. (in Chinese with English abstract)

[10] 焦彩霞，鄭光輝，解憲麗，等. 可見-短近紅外成像光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量估算[J]. 光譜學(xué)與光譜分析，2020，40(10)：3277-3281.

Jiao Caixia, Zheng Guanghui, Xie Xianli, et al. Prediction of soil organic matter using visible-short near-infrared imaging spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(10): 3277-3281. (in Chinese with English abstract)

[11] Xu Y M, Smith S E, Grunwald S, et al. Estimating soil total nitrogen in smallholder farm settings using remote sensing spectral indices and regression kriging[J]. Catena, 2017, 163: 111-122.

[12] Xu Y M, Smith S E, Grunwald S, et al. Evaluating the effect of remote sensing image spatial resolution on soil exchangeable potassium prediction models in smallholder farm settings[J]. Journal of Environmental Management, 2017, 200: 423-433.

[13] 方慧婷，蒙繼華，程志強(qiáng). 基于遙感與作物模型的土壤速效養(yǎng)分時(shí)空變異分析[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2019，52(3)：478-490.

Fang Huiting, Meng Jihua, Cheng Zhiqiang. Spatio-temporal variability of soil available nutrients based on remote sensing and crop model[J]. Scientia Agricultura Sinica, 2019, 52(3): 478-490. (in Chinese with English abstract)

[14] 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(guó)環(huán)境科學(xué)，2020，40(8)：3539-3545.

Zhao Rui, Cui Ximin, Liu Chao. Inversion estimation of soil organic matter content based on GF-5 hyperspectral remote sensing image[J]. China Environmental Science, 2020, 40(8): 3539-3545. (in Chinese with English abstract)

[15] 唐海濤，孟祥添，蘇循新，等. 基于CARS算法的不同類型土壤有機(jī)質(zhì)高光譜預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(2)：105-113.

Tang Haitao, Meng Xiangtian, Su Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 105-113. (in Chinese with English abstract)

[16] Ibrahim M, Ghanem F, Al-Salameen A, et al. The estimation of soil organic matter variation in arid and semi-arid lands using remote sensing data[J]. International Journal of Geosciences, 2019, 10(5): 13.

[17] 吳亞鵬，賀利，王洋洋，等. 冬小麥生物量及氮積累量的植被指數(shù)動(dòng)態(tài)模型研究[J]. 作物學(xué)報(bào)，2019，45(8)：1238-1249.

Wu Yapeng, He Li, Wang Yangyang, et al. Dynamic model of vegetation indices for biomass and nitrogen accumulation in winter wheat[J]. Acta Agronomica Sinica, 2019, 45(8): 1238-1249. (in Chinese with English abstract)

[18] Nguyen V H, Cheng J S, Yu Y, et al. An architecture of deep learning network based on ensemble empirical mode decomposition in precise identification of bearing vibration signal[J]. Journal of Mechanical Science and Technology, 2019, 33(1): 41-50.

[19] 宋軻，杜世昌，奚立峰，等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和模糊集的異質(zhì)信號(hào)融合方法研究[J]. 機(jī)械設(shè)計(jì)與研究，2017，33(6)：15-20.

Song Ke, Du Shichang, Xi Lifeng, et al. Heterogeneous data fusion based on ensemble empirical mode decomposition and vague sets[J]. Machine Design & Research, 2017, 33(6): 15-20. (in Chinese with English abstract)

[20] Fang Y M, Feng H L, Li J, et al. Stress wave signal denoising using ensemble empirical mode decomposition and an instantaneous half period model[J]. Sensors, 2011, 11(8): 7554-7567.

[21] 施杰，伍星，劉韜. 采用HHT算法與卷積神經(jīng)網(wǎng)絡(luò)診斷軸承復(fù)合故障[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(4)：34-43.

Shi Jie, Wu Xing, Liu Tao. Bearing compound fault diagnosis based on HHT algorithm and convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 34-43. (in Chinese with English abstract)

[22] Lingwen T, Xiangnan L, Biyao Z , et al. Extraction of rice heavy metal stress signal features based on long time series leaf area index data using ensemble empirical mode decomposition[J]. International Journal of Environmental Research and Public Health, 2017, 14(9): 1018-1035.

[23] 劉慶杰，黃輝，雷曉燕. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波變換的輪軌力應(yīng)變信號(hào)降噪[J]. 城市軌道交通研究，2016，19(11)：26-29，37.

Liu Qingjie, Huang Hui, Lei Xiaoyan. Wheel/rail strain signals de-noising by using EEMD and wavelet transforill[J]. Urban Mass Transit, 2016, 19(11): 26-29, 37.

[24] 李一博，劉嘉瑋，芮小博，等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波閾值的真空泵振動(dòng)信號(hào)降噪方法[J]. 航天器環(huán)境工程，2019，36(5)：450-457.

Li Yibo, Liu Jiawei, Rui Xiaobo, et al. De-noising based on EEMD and wavelet threshold for vacuum pump vibration signals[J]. Spacecraft Environment Engineering, 2019, 36(5): 450-457. (in Chinese with English abstract)

[25] 趙偉，肖世校，張保燦，等. 基于形態(tài)分量分析和集合經(jīng)驗(yàn)?zāi)B(tài)分解的心電信號(hào)工頻干擾消除法[J]. 生物醫(yī)學(xué)工程學(xué)雜志，2015，32(6)：1179-1184.

Zhao Wei, Xiao Shixiao, Zhang Baocan, et al. Removal algorithm of power line interference in electrocardiogram based on morphological component analysis and ensemble empirical mode decomposition[J]. Journal of Biomedical Engineering, 2015, 32(6): 1179-1184. (in Chinese with English abstract)

[26] Liu B, Feng Y Q, Yin Z H, et al. Radar signal emitter recognition based on combined ensemble empirical mode decomposition and the generalized S-Transform[J]. Mathematical Problems in Engineering, 2019, 12: 1-15.

[27] 李明，趙迎，崔飛鵬，等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的拉曼光譜信號(hào)特征研究[J]. 光譜學(xué)與光譜分析，2020，40(1)：54-58.

Li Ming, Zhao Ying, Cui Feipeng, et al. Research on raman spectral signal characteristics based on ensemble empirical mode decomposition[J]. Spectroscopy and Spectral Analysis, 2020, 40(1): 54-58. (in Chinese with English abstract)

[28] 孔麗，劉美玲，劉湘南，等. 利用作物生長(zhǎng)模型和時(shí)序信號(hào)甄別水稻鎘脅迫[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(4)：249-256.

Kong Li, Liu Meiling, Liu Xiangnan, et al. Identifying heavy metal (Cd) stress in rice using time-series signals and crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 249-256. (in Chinese with English abstract)

[29] 楊航，朱永利. 基于Storm的局部放電信號(hào)集合經(jīng)驗(yàn)?zāi)B(tài)分解[J]. 計(jì)算機(jī)工程與應(yīng)用，2020，56(10)：261-267.

Yang Hang, Zhu Yongli. Ensemble empirical mode decomposition of partial discharge signal based on storm[J]. Computer Engineering and Applications, 2020, 56(10): 261-267. (in Chinese with English abstract)

[30] 單薇，金曉斌，孟憲素，等. 基于多源遙感數(shù)據(jù)的土地整治生態(tài)環(huán)境質(zhì)量動(dòng)態(tài)監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(1)：234-242.

Shan Wei, Jin Xiaobin, Meng Xiansu, et al. Dynamical monitoring of ecological environment quality of land consolidation based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 234-242. (in Chinese with English abstract)

[31] 孫亞楠，李仙岳，史海濱，等. 基于多源數(shù)據(jù)融合的鹽分遙感反演與季節(jié)差異性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[32] 鄧凱，丁建麗，楊愛霞，等. EEMD在土壤剖面反射光譜消噪中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2015，35(1)：162-166.

Deng Kai, Ding Jianli, Yang Aixia, et al. EEMD de-noising of reflecting spectrum in soil profiles[J]. Spectroscopy and Spectral Analysis, 2015, 35(1): 162-166. (in Chinese with English abstract)

Screening and monitoring of soil fertility stress using ensemble empirical mode decomposition

Li Xuqing1,2, Liu Di3, Wang Xiaodan1,2, Zhao Chenyu1,2, Zhang Wenlong1,2, Wang Chunnuan1,2

(1.,,065000,;2.,065000,; 3.100195,)

Soil fertility is one of the most important elements required for crop growth. The specific level of soil fertility directly affects the growth and even the yield of crops. However, the development of crop growth depends mainly on a variety of stress factors. Therefore, it is very necessary to avoid the interference of stress factors in the monitoring of soil fertility. The purpose of this study was to accurately identify and monitor the soil fertility stress using Ensemble Empirical Mode Decomposition (EEMD). The research area was taken as the winter wheat cultivated land in the central latitude and longitude of 116.98°E and 39.88°N of the Dachang Hui Autonomous County, Langfang City, Hebei Province, China. The total area was 176.29 km2, among which the cultivated land accounted for 11 581.54 hm2. The landform was mainly plain with mostly tidal brown or tidal soil. The decomposed Intrinsic Mode Function (IMF) components were synthesized using EEMD, according to the annual, inter-annual and intra-annual scales. Different time scales and stress characteristics were combined to eliminate the stress of soil water, pest, and heavy metal, in order to obtain the effective screening and extraction of soil fertility stress. The organic matter, total nitrogen, available phosphorus, and available potassium were also collected from the field soil samples in each planting area of winter wheat. A principal component analysis was performed on the four nutrient indexes to convert them into the three principal components. A simple model was preliminarily obtained for the comprehensive evaluation of soil fertility. Finally, a quantitative evaluation model was established for the comprehensive level of soil fertility after fitting with the decomposition. The results showed that: 1) The components were mainly divided into three groups of fluctuation components after EEMD. Among them, the inter-annual fluctuation component better reflects the effect of soil fertility stress on crop growth in the study area. 2) The principal component analysis of the four indicators showed that the accuracy of the overall expression with the first three principal components fully met the needs, where the cumulative contribution rate reached 99.16%. The Least Square Method (LSM) was used to fit the soil nutrient index data. The correlation coefficient between the fitting and the original data reached 0.857, indicating the better representative for the change level of the original data. 3) The average error between the evaluation and the measurement was 11.82%, indicating that the predicted performance of the model was in better agreement with the actual situation. Therefore, the inversion of the model can be expected to better reflect the soil fertility level in the study area. The effective screening of soil fertility stress was achieved to quantitatively evaluate the soil fertility level using remote sensing image data.

remote sensing; soils; fertility; EEMD; coercion screening; quantitative analysis

10.11975/j.issn.1002-6819.2022.21.017

S158.2

A

1002-6819(2022)-21-0137-10

李旭青，劉帝，王小丹，等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解算法的土壤肥力脅迫甄別與監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(21)：137-146.doi：10.11975/j.issn.1002-6819.2022.21.017 http://www.tcsae.org

Li Xuqing, Liu Di, Wang Xiaodan, et al. Screening and monitoring of soil fertility stress using ensemble empirical mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(21): 137-146. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.21.017 http://www.tcsae.org

2022-07-08

2022-09-10

河北省青年科學(xué)基金項(xiàng)目（D2018409029）；河北省高等學(xué)校科學(xué)技術(shù)研究青年拔尖人才項(xiàng)目（BJ2020056）；廊坊市第一批“青年拔尖人才”支持項(xiàng)目（LFBJ202005）；河北省高等學(xué)?？茖W(xué)技術(shù)研究重點(diǎn)項(xiàng)目（ZD2016126）；高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)?。ㄗ灾螀^(qū)）域產(chǎn)業(yè)化應(yīng)用項(xiàng)目（67-Y40G09-9002-15/18）；高分共性應(yīng)用技術(shù)規(guī)范和高分遙感數(shù)據(jù)云平臺(tái)處理應(yīng)用共性關(guān)鍵技術(shù)項(xiàng)目（67-Y20A07-9002-16/17）

李旭青，博士，副教授，研究方向?yàn)檗r(nóng)業(yè)遙感。Email：meililixuqing@163.com