doi:10.15889/j.issn.1002-1302.2024.20.004
摘要:耕地表層土壤有機(jī)碳(SOC)和作物冠層葉綠素含量分別是土壤肥力和農(nóng)田作物生長(zhǎng)狀態(tài)的重要指標(biāo)之一。以山東省瀛汶河流域的耕地為研究對(duì)象,利用深度學(xué)習(xí)提取耕地地塊,基于Sentinel-2A多光譜遙感數(shù)據(jù)和野外采樣試驗(yàn)數(shù)據(jù),運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建反演模型,得到研究區(qū)耕地的表層SOC和冠層葉綠素含量的空間分布。結(jié)果表明:(1)秋收時(shí)節(jié)的復(fù)雜影像對(duì)深度學(xué)習(xí)模型準(zhǔn)確識(shí)別瀛汶河流域的耕地產(chǎn)生一定的影響,但在平原地區(qū)影響相對(duì)較小;(2)冠層葉綠素反演模型在反演葉綠素含量方面雖已達(dá)到較高精度(決定系數(shù)r2=0.79),但仍受地表?xiàng)l件復(fù)雜性和植被多樣性因素的制約;(3)研究區(qū)耕地表層SOC含量集中于13.00~16.00 g/kg,且空間分布規(guī)律不顯著。本研究不僅為瀛汶河流域的農(nóng)業(yè)生產(chǎn)和生態(tài)系統(tǒng)管理提供了科學(xué)依據(jù),還為精準(zhǔn)農(nóng)業(yè)管理提供了有力支持。
關(guān)鍵詞:冠層葉綠素;耕地土壤有機(jī)碳;深度學(xué)習(xí);BP神經(jīng)網(wǎng)絡(luò);遙感技術(shù);流域尺度;瀛汶河流域
中圖分類(lèi)號(hào):S127" 文獻(xiàn)標(biāo)志碼:A
文章編號(hào):1002-1302(2024)20-0025-07
收稿日期:2024-06-19
基金項(xiàng)目:山東省高端人才項(xiàng)目支持計(jì)劃(編號(hào):0031504);國(guó)家自然科學(xué)基金青年科學(xué)基金(編號(hào):42107496)。
作者簡(jiǎn)介:陳飛勇(1963—),男,湖南益陽(yáng)人,博士,教授,主要從事水環(huán)境治理研究。E-mail:chenfeiyong@sdjzu.edu.cn。
通信作者:王" 晉,博士,副教授,主要從事水資源可持續(xù)利用規(guī)劃研究。E-mail:wangjin21@sdjzu.edu.cn。
土壤有機(jī)碳(soil organic carbon,SOC)作為衡量土壤肥力的核心指標(biāo),在維持陸地生態(tài)系統(tǒng)功能以及全球氣候的穩(wěn)定中扮演著舉足輕重的角色[1-3]。特別是在0~20 cm的表層土壤中,由于頻繁的人類(lèi)活動(dòng)影響,其有機(jī)碳儲(chǔ)量的動(dòng)態(tài)變化更為顯著。這種變化直接影響禾本科植物的生理活性,特別是氮素獲取能力,進(jìn)而對(duì)植被整體生產(chǎn)力產(chǎn)生顯著的長(zhǎng)期影響[4-6]。在土壤與作物分析領(lǐng)域,葉綠素含量是評(píng)估農(nóng)作物長(zhǎng)勢(shì)、養(yǎng)分水平的重要指標(biāo)[ 7],研究表明,葉綠素含量與SPAD值(soil and plant analyzer development,即葉色值)之間存在顯著的正相關(guān)關(guān)系,因此SPAD值可以作為表征葉綠素含量的相對(duì)指標(biāo)[8-9]。
在農(nóng)業(yè)管理與生態(tài)監(jiān)測(cè)中,傳統(tǒng)實(shí)驗(yàn)室測(cè)定方法對(duì)于大范圍監(jiān)測(cè)葉綠素和SOC含量存在局限性。通過(guò)遙感技術(shù)結(jié)合光譜反射率和BP神經(jīng)網(wǎng)絡(luò),利用其自適應(yīng)學(xué)習(xí)和非線(xiàn)性映射能力[10-11],能有效提升大范圍農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和土壤質(zhì)量評(píng)估的效率與準(zhǔn)確性[12-13]。
近年來(lái),BP神經(jīng)網(wǎng)絡(luò)模型在SOC和冠層葉綠素反演研究中得到了廣泛應(yīng)用。在表層SOC反演方面,研究人員通過(guò)引入多時(shí)相遙感影像、DEM、農(nóng)地利用方式和植被指數(shù)等輔助變量,顯著提升BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度和穩(wěn)定性[14-16]。國(guó)佳欣等采用PLSR-BP復(fù)合模型反演紅壤地區(qū)土壤有機(jī)質(zhì)含量,證明復(fù)合模型預(yù)測(cè)精度優(yōu)于單一模型,且利用分?jǐn)?shù)階導(dǎo)數(shù)優(yōu)化光譜特征信息進(jìn)一步提高了預(yù)測(cè)效果[ 17]。同樣地,在冠層葉綠素反演方面,Schlemmer等通過(guò)實(shí)測(cè)光譜數(shù)據(jù)的綠色波段和紅邊波段構(gòu)建植被指數(shù),證明了利用紅邊波段的植被指數(shù)反演精度較高[ 18]。唐普恩等利用光譜信息、最適光譜指數(shù)和基于PROSAIL輻射傳輸模型的生物協(xié)變量構(gòu)建建模方法,證明三者聯(lián)合的模型對(duì)SPAD值具有良好的預(yù)測(cè)能力[ 19]。
本研究以山東省瀛汶河流域的耕地為研究區(qū),結(jié)合Sentinel-2A多光譜遙感數(shù)據(jù)和野外實(shí)地調(diào)查采樣數(shù)據(jù),提取了波段反射率及其波段組合。通過(guò)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建反演模型,預(yù)測(cè)研究區(qū)內(nèi)表層SOC含量和SPAD值,并深入分析其空間分布格局特征,以期為智慧農(nóng)業(yè)和精準(zhǔn)施肥提供理論依據(jù)和決策依據(jù),為實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展提供有力支撐[20-21]。本研究的技術(shù)路線(xiàn)見(jiàn)圖1。
1" 研究區(qū)與數(shù)據(jù)源
1.1" 研究區(qū)概況
瀛汶河主要位于山東省濟(jì)南市萊蕪區(qū),是黃河在山東省唯一支流大汶河的三大源流之一。瀛汶河流域的地理坐標(biāo)為117°17′05″~117°46′45″ E,36°09′21″~36°35′58″ N,總面積為973.59 km2。該地區(qū)屬于暖溫帶大陸性季風(fēng)氣候,年平均氣溫 13.6 ℃,年平均降水量614.0 mm,年日照時(shí)數(shù) 2 616.8 h 以上。流域地勢(shì)由西北向東南呈逐漸降低趨勢(shì),地表高程最高值為902 m,最低值為109 m,地形類(lèi)型為山地、丘陵和平原組成的混合地形,耕地種植作物以玉米、小麥為主。瀛汶河流域的詳細(xì)地形及邊界如圖2所示。
1.2" 數(shù)據(jù)獲取與處理
1.2.1" 樣品數(shù)據(jù)獲取與處理
于2023年8月29—30日進(jìn)行土壤采樣。通過(guò)系統(tǒng)的實(shí)地踏勘,確定玉米是當(dāng)?shù)氐闹饕?jīng)濟(jì)作物,在耕地植被中占據(jù)顯著比例,據(jù)此選擇以玉米種植地作為主要樣地區(qū)域。在研究區(qū)內(nèi),綜合考慮采樣點(diǎn)分布的均勻性和采樣的便捷性,共選取了45個(gè)具有代表性的土壤樣地。在每個(gè)樣地半徑3 m范圍內(nèi),隨機(jī)選擇5個(gè)位置采集表層(0~20 cm)土壤,并將其混合,每份土樣約為0.5 kg。采樣點(diǎn)的地理坐標(biāo)信息通過(guò)彩途智圖H60北斗衛(wèi)星專(zhuān)業(yè)工程測(cè)繪測(cè)量平板電腦精確記錄,確保數(shù)據(jù)的空間準(zhǔn)確性。采集的土壤樣本在預(yù)處理階段先剔除小石塊、植物根系和腐殖質(zhì)等雜質(zhì),隨后在實(shí)驗(yàn)室條件下進(jìn)行風(fēng)干、研磨, 并通過(guò)2 mm
篩進(jìn)行篩選。最終,采用重鉻酸鉀氧化(K2Cr2O7)-分光光度法精確測(cè)定表層SOC含量。
SPAD葉綠素測(cè)定儀具有快速、便捷和無(wú)損監(jiān)測(cè)對(duì)象等特點(diǎn),常被用于測(cè)定活體葉片葉綠素相對(duì)含量和葉片全氮含量[22-23]。SPAD值測(cè)樣點(diǎn)選擇與表層SOC采樣地點(diǎn)相一致的樣地,運(yùn)用萊恩德葉綠素檢測(cè)儀對(duì)玉米葉片進(jìn)行無(wú)損測(cè)量。具體而言,在每個(gè)樣地半徑5 m范圍內(nèi)隨機(jī)選取5株玉米秸稈,測(cè)量每株葉綠素含量,并取其平均值作為該樣點(diǎn)的SPAD值。
1.2.2" 遙感影像數(shù)據(jù)獲取與預(yù)處理
本研究通過(guò)處理歐空局(ESA)的Sentinel-2遙感衛(wèi)星獲取Level-2A地表反射率(surface reflectance,SR)產(chǎn)品,這些產(chǎn)品已完成正射校正和大氣校正。Sentinel-2遙感衛(wèi)星數(shù)據(jù)因其卓越的時(shí)空分辨率在科研領(lǐng)域具有顯著優(yōu)勢(shì)。本研究受限于天氣、云量等因素,未能獲取采樣時(shí)間影像,最終所選影像衛(wèi)星過(guò)境時(shí)間為2023年9月6日。Sentinel-2A數(shù)據(jù)涵蓋了從可見(jiàn)光到短波紅外的13個(gè)光譜波段,空間分辨率包括10、20、60 m??紤]到60 m分辨率的波段主要用于監(jiān)測(cè)氣溶膠、水蒸氣和卷云等大氣成分,這些波段的光譜特性與本研究關(guān)注的表層SOC含量相關(guān)性極低,因此本研究?jī)H選用了10 m和20 m分辨率的波段進(jìn)行后續(xù)深入分析,在SNAP軟件中將20 m分辨率的B1和B5~B12重采樣至統(tǒng)一的10 m分辨率,再超分辨率合成,最后進(jìn)行適應(yīng)性裁剪處理[24-26]。
2" 耕地提取與驗(yàn)證
2.1" 基于深度學(xué)習(xí)提取耕地覆蓋
本研究基于Sentinel-L2A級(jí)影像,使用ENVI 5.6軟件中的deep learning(深度學(xué)習(xí))附加模塊,利用TensorFlow訓(xùn)練深度學(xué)習(xí)模型提取耕地信息。相對(duì)于傳統(tǒng)方法,深度學(xué)習(xí)(DL)具備在大量樣本中自適應(yīng)特征學(xué)習(xí)的能力,能夠有效提取遙感影像中更為復(fù)雜、深層的信息特征[27-29]。DL模塊的實(shí)施流程主要包括圖像分類(lèi)、創(chuàng)建樣本、創(chuàng)建模型、訓(xùn)練模型4個(gè)關(guān)鍵環(huán)節(jié),其中樣本作為基石,對(duì)于模型性能有至關(guān)重要的影響。首先在研究區(qū)內(nèi)裁剪出典型區(qū)域(又稱(chēng)為子區(qū))旨在增強(qiáng)地物識(shí)別的清晰度,提高繪制樣本分離度。結(jié)合實(shí)地踏勘和天地圖影像數(shù)據(jù),利用基于規(guī)則的特征提取方法(rule based feature extraction)對(duì)子區(qū)進(jìn)行多尺度分割選取訓(xùn)練樣本,該方法通過(guò)整合臨近像元識(shí)別耕地的光譜要素、空間信息、紋理信息,實(shí)現(xiàn)對(duì)耕地的精準(zhǔn)分割和分類(lèi),從而獲取分類(lèi)后子區(qū)耕地圖像。運(yùn)用Deep Learning模塊中的“build label raster from classification”功能,將子區(qū)耕地圖像樣本轉(zhuǎn)為標(biāo)簽圖像(label raster)。將標(biāo)簽圖像輸入模型網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)模型訓(xùn)練,通過(guò)訓(xùn)練過(guò)程使模型學(xué)習(xí)到耕地與非耕地之間的判別特征。訓(xùn)練完成后,利用該模型對(duì)整幅遙感影像進(jìn)行耕地信息的自動(dòng)提取。
2.2" 深度學(xué)習(xí)提取結(jié)果精度評(píng)價(jià)方法
為了全面且準(zhǔn)確地評(píng)估分類(lèi)結(jié)果的精度,采用混淆矩陣和目視解譯相結(jié)合的方式評(píng)估精度。目視解譯用于直接識(shí)別并糾正分類(lèi)結(jié)果中明顯錯(cuò)誤的目標(biāo),而混淆矩陣通過(guò)比較分類(lèi)結(jié)果與實(shí)際地面真實(shí)情況得到多種指標(biāo),包括用戶(hù)者精度(users accuracy,UA)、生產(chǎn)者精度(producers accuracy,PA)、總體精度(overall accuracy,OA)、kappa 系數(shù)(kappa coefficient,KC)、漏分誤差(omission),從而定量評(píng)價(jià)分類(lèi)精度。通過(guò)將目視解譯的直觀性與混淆矩陣的量化性相結(jié)合,對(duì)研究區(qū)內(nèi)玉米種植地分布情況進(jìn)行精度評(píng)價(jià)[30]。
3" 構(gòu)建反演模型
3.1" 敏感波段選取
為了探究表層SOC和SPAD實(shí)測(cè)值與遙感影像對(duì)應(yīng)像元各波段DN值的相關(guān)性,本研究利用SPSS軟件計(jì)算相關(guān)系數(shù)r。分析初期表明,原始光譜反射率與表層SOC含量和SPAD值的相關(guān)性較低,大多數(shù)波段未能通過(guò)顯著性水平檢驗(yàn)。為減小地形、大氣等因素對(duì)反射率產(chǎn)生的誤差,提高預(yù)測(cè)模型準(zhǔn)確性,本研究對(duì)波段數(shù)據(jù)進(jìn)行數(shù)學(xué)變換,以尋找更優(yōu)的自變量。具體來(lái)說(shuō),波段組合包括Bi+Bj、Bi-Bj、lnBi+lnBj、lnBi-lnBj、Bi/Bj、(Bi-Bj)/(Bi+Bj)6種數(shù)學(xué)類(lèi)型,共計(jì)270種組合方式。分析結(jié)果表明,表層SOC與組合lnB3-lnB6、B11-B12之間相關(guān)性較高,而SPAD值與組合(B8-B12)/(B8+B12)、(B8-B11)/(B8+B11)、lnB2+lnB12、lnB8+lnB5之間相關(guān)性較高。因此,本研究分別選取2個(gè)與表層SOC相關(guān)的波段組合、4個(gè)與SPAD值相關(guān)的波段組合作為反演模型的輸入因子,以提高模型對(duì)SOC和葉綠素含量的預(yù)測(cè)精度。
3.2" 構(gòu)建土壤有機(jī)碳與冠層葉綠素含量神經(jīng)網(wǎng)絡(luò)反演模型
在各種人工神經(jīng)網(wǎng)絡(luò)架構(gòu)中,BP神經(jīng)網(wǎng)絡(luò)模型是研究較多、應(yīng)用較為廣泛的模型之一,它是一種基于誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò),通常簡(jiǎn)稱(chēng)為“BP網(wǎng)絡(luò)”[ 31]。其結(jié)構(gòu)由3個(gè)基本層次構(gòu)成:輸入層、隱含層和輸出層。
在本研究中,輸入層選取各波段的反射率組合作為系統(tǒng)的初始輸入變量,用于建模和模型驗(yàn)證;輸出層則設(shè)置單一節(jié)點(diǎn),將SOC含量實(shí)測(cè)值和SPAD實(shí)測(cè)值作為系統(tǒng)輸出層數(shù)據(jù),構(gòu)建針對(duì)表層SOC含量及SPAD值的反演模型。
在數(shù)據(jù)預(yù)處理階段,對(duì)初始的45個(gè)樣點(diǎn)進(jìn)行了嚴(yán)格的篩選和剔除,以確保數(shù)據(jù)的質(zhì)量和代表性。經(jīng)過(guò)這一步驟,最終保留了33個(gè)樣點(diǎn)用于后續(xù)分析。為了合理劃分?jǐn)?shù)據(jù)集,采用Kennard-Stone算法計(jì)算了這些樣點(diǎn)間的歐氏距離,并依據(jù)2 ∶1的比例將其分為建模集和驗(yàn)證集。
在模型訓(xùn)練過(guò)程中,設(shè)定學(xué)習(xí)率為0.01,以確保訓(xùn)練過(guò)程的穩(wěn)定性和收斂性。對(duì)于隱含層和輸出層的激活函數(shù),本研究選擇了trainlm函數(shù)和purelin函數(shù),它們分別適用于隱含層和輸出層的神經(jīng)元激活。此外,迭代次數(shù)被設(shè)定為1 000次,以確保模型能夠充分學(xué)習(xí)數(shù)據(jù)中的特征。
值得注意的是,隱含層節(jié)點(diǎn)數(shù)的選擇對(duì)模型的預(yù)測(cè)性能具有顯著影響。過(guò)多的節(jié)點(diǎn)可能導(dǎo)致模型過(guò)擬合,即模型在訓(xùn)練集上表現(xiàn)良好,但在驗(yàn)證集或?qū)嶋H應(yīng)用中性能下降;而過(guò)少的節(jié)點(diǎn)則可能使模型無(wú)法充分捕捉數(shù)據(jù)中的復(fù)雜關(guān)系,導(dǎo)致預(yù)測(cè)精度不足。因此,在模型構(gòu)建過(guò)程中,本研究進(jìn)行了多次試驗(yàn)和調(diào)優(yōu),以找到最佳的隱含層節(jié)點(diǎn)數(shù)。
3.3" 模型效果評(píng)價(jià)指標(biāo)
為了評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果,決定采用決定系數(shù)(r2)、平均絕對(duì)百分比誤差(MAPE)、均方根誤差(RMSE)來(lái)衡量實(shí)測(cè)值與預(yù)測(cè)值的一致性。r2越大,模型精度越高;RMSE、MAPE的值越小,模型擬合效果越好[32]。
r2=1-∑ni=1(yi-y^i)2∑ni=1(yi-yi)2;
RMSE=∑ni=1(yi-y^i)2n;
MAPE=1n∑ni=1yi-y^yi×100%。
式中:n表示樣本數(shù)量;yi和y^i分別表示實(shí)測(cè)值和預(yù)測(cè);yi表示實(shí)測(cè)值的平均值。
4" 結(jié)果分析與討論
4.1" 目標(biāo)地塊提取結(jié)果與精度分析
本研究利用DL模型對(duì)研究區(qū)的耕地進(jìn)行了識(shí)別,模型訓(xùn)練耗時(shí)107 h。為了剔除噪聲像元和細(xì)碎的小多邊形,對(duì)提取結(jié)果進(jìn)行細(xì)小斑塊去除等分類(lèi)后處理[33]。最終得到了研究區(qū)耕地的精確空間分布圖(圖3)。經(jīng)統(tǒng)計(jì)分析,耕地面積為 206.24 km2,占瀛汶河流域總面積的21.18%。經(jīng)實(shí)地踏勘,選定玉米種植地作為目標(biāo)樣地,并據(jù)此確定45個(gè)土壤樣地為耕地類(lèi)型。隨即,將這45個(gè)土壤樣地就地繪制為感興趣區(qū),作為驗(yàn)證樣本。參考天地圖繪制明顯非耕地地物作為對(duì)照樣本,用于計(jì)算混淆矩陣。研究區(qū)耕地的空間分布的用戶(hù)者精度為97.37%,生產(chǎn)者精度為96.61%,總體精度為83.89%,kappa系數(shù)為0.326 2,漏分誤差為3.39%。
由于影像處于秋收時(shí)期,部分耕地被作物覆蓋,部分耕地完成收割為裸地形態(tài),部分表現(xiàn)為植被和裸地的混合狀態(tài),這種地物特征的復(fù)雜性使得影像分類(lèi)提取耕地的精度受到影響,難以準(zhǔn)確區(qū)分耕地邊界和植被覆蓋區(qū)域,特別是稀疏草地區(qū)域。在分析提取結(jié)果時(shí),觀察到研究區(qū)上下游之間存在顯著差異。受到地形因素影響,在下游平原地區(qū)地勢(shì)相對(duì)平坦地區(qū),土地利用類(lèi)型變化較少,且光譜特征區(qū)別明顯。此外,耕地在土地利用類(lèi)型中所占比例較高,相較于上游而言,提取難度較低。而上游地形復(fù)雜多變,地形起伏大且坡度較陡,導(dǎo)致捕捉遙感影像的紋理、顏色等地物特征不夠明顯。復(fù)雜的山地地區(qū)還限制了耕地的開(kāi)發(fā)利用,使得耕地范圍主要集中在人類(lèi)居住活動(dòng)區(qū)周?chē)?,且與其他土地利用類(lèi)型特別是農(nóng)村住地交錯(cuò)混合分布,形成一種抱團(tuán)式但分散的分布格局。在坡麓地帶,還存在稀疏草地、裸地和耕地混合現(xiàn)象,這進(jìn)一步減弱了地物特征的差異,從而降低了耕地提取的精度。
4.2" 冠層葉綠素含量空間分布特征
通過(guò)調(diào)整隱含層的節(jié)點(diǎn)數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化,確定隱含層節(jié)點(diǎn)數(shù)為10時(shí),即網(wǎng)絡(luò)結(jié)構(gòu)為4-10-1時(shí),冠層葉綠素反演模型的均方根誤差最小,RMSE=4.494 8,決定系數(shù)最大,r2=0.792 05,BP神經(jīng)網(wǎng)絡(luò)模型的估算效果最佳。統(tǒng)計(jì)分析預(yù)測(cè)結(jié)果,將研究區(qū)耕地冠層葉綠素含量分為十類(lèi)并賦予不同顏色,繪制研究區(qū)耕地冠層葉綠素含量空間分布圖,如圖4所示。反演結(jié)果顯示,研究區(qū)耕地的冠層葉綠素含量(SPAD值)在5.71~49.58之間,而SPAD實(shí)測(cè)值為16.06~57.12,反演結(jié)果的最大值和最小值均低于實(shí)測(cè)值。側(cè)面表明反演結(jié)果的精度尚不理想。
這一差異可能源于模型在復(fù)雜地表?xiàng)l件、多樣化植被類(lèi)型及農(nóng)作物生長(zhǎng)時(shí)令差異方面的適應(yīng)性欠缺。此外,研究采樣時(shí)間處于多數(shù)農(nóng)作物生長(zhǎng)后期或老化階段,此時(shí)葉綠素含量顯著下降,對(duì)反演結(jié)果也產(chǎn)生了影響。特別地,沿瀛汶河主干道的SPAD值較穩(wěn)定,處于整體反演值的中間區(qū)間。
4.3" 表層土壤有機(jī)碳空間分布特征
當(dāng)隱含層節(jié)點(diǎn)數(shù)為10時(shí),表層SOC反演模型的均方根誤差最低,RMSE=2.461 8,r2 = 0.630 81,BP神經(jīng)網(wǎng)絡(luò)模估算效果最好。整體而言,反演模型效果欠佳,采樣時(shí),部分農(nóng)作物尚未收割,綠色植被的密集分布使得裸土面積大幅減少,這一狀況直接影響了分布精度的測(cè)定,進(jìn)而影響反演模型的整體效果。對(duì)預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析后,將研究區(qū)耕地表層SOC分為十類(lèi)并賦予不同顏色,生成研究區(qū)耕地的表層SOC含量空間分布圖,如圖5所示。反演結(jié)果顯示,研究區(qū)耕地的表層SOC含量在6.69~27.23 g/kg之間,而采樣點(diǎn)表層SOC實(shí)測(cè)值為 7.00~29.70 g/kg,相比之下,反演結(jié)果的最大值和最小值均略低于實(shí)測(cè)值。
進(jìn)一步分析反演結(jié)果(圖5)后,可以發(fā)現(xiàn)研究區(qū)表層SOC分布主要集中在13.00~16.00 g/kg的范圍內(nèi),并在整個(gè)區(qū)域內(nèi)呈現(xiàn)不規(guī)則分布,整體而言,研究區(qū)的表層SOC含量相對(duì)較低。此外,其他SOC含量值的分布范圍較為有限,這可能與研究區(qū)域以耕地為主,土壤環(huán)境變量較為單一有關(guān)。研究區(qū)的東部和西北部地區(qū)表層SOC含量明顯高于研究區(qū)的其他地區(qū)。其原因可能是這一帶屬于山區(qū)地形,受海拔和坡度的影響,有機(jī)物和養(yǎng)分在降雨和重力作用下容易從高處流失并沉積至山腳的耕地地區(qū),這種過(guò)程使得山腳下的耕地表層SOC含量較高。中部偏東南區(qū)域?qū)儆谄皆孛玻搮^(qū)域內(nèi)瀛汶河貫穿而過(guò),是研究區(qū)的主要耕地集中區(qū),也是人口密集分布的地區(qū)。人類(lèi)活動(dòng)對(duì)有機(jī)碳干擾較強(qiáng),使得部分區(qū)域表層SOC含量較低。沿河地區(qū)濕地指數(shù)較高,有利于有機(jī)碳累計(jì),從而在部分沿河區(qū)域表層SOC含量較高。綜合作用下,該區(qū)域表層SOC呈現(xiàn)出多種區(qū)間值均有分布的特征。此外,觀察到一小片耕地的表層SOC含量顯著高于周邊其他耕地區(qū)域。這種異質(zhì)性分布可能是該地土壤類(lèi)型能更有效地固定有機(jī)碳、土壤生物活性較高等有利條件共同作用的結(jié)果。
5" 結(jié)論
本研究選取了山東省瀛汶河流域的耕地作為研究區(qū)域,利用Sentinel-2A多光譜遙感數(shù)據(jù)及野外實(shí)地調(diào)查采樣數(shù)據(jù),提取了不同波段的反射率及其波段組合;基于BP神經(jīng)網(wǎng)絡(luò)模型建立了反演模型,用于預(yù)測(cè)該區(qū)域表層土壤的有機(jī)碳含量和SPAD值,并對(duì)其空間分布格局特征進(jìn)行了深入分析。得到結(jié)論如下:
(1)基于深度學(xué)習(xí)模型識(shí)別瀛汶河流域耕地的總面積為206.24 km2,占總流域面積的21.18%。通過(guò)混淆矩陣進(jìn)行精度評(píng)定得到用戶(hù)者精度97.37%,生產(chǎn)者精度96.61%,總體精度83.89%,kappa系數(shù)0.326 2。受秋收時(shí)節(jié)影像復(fù)雜性影響,下游平坦區(qū)提取難度低,上游地形復(fù)雜提取難度高。
(2)通過(guò)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)反演耕地冠層葉綠素含量的結(jié)果精度尚不理想,推測(cè)受復(fù)雜地表、植被多樣性和作物生長(zhǎng)時(shí)令等因素制約。
(3)反演研究區(qū)表層SOC的結(jié)果顯示研究區(qū)東部和西北部山區(qū)地形有機(jī)碳含量較高,中部偏東南平原地貌耕地有機(jī)碳含量較低,沿河部分區(qū)域較高。SCO反演精度受限部分歸因于綠色植被干擾。
參考文獻(xiàn):
[1]Scharlemann J P,Tannerer E V,Hiederer R,et al. Global soil carbon:understanding and managing the largest terrestrial carbon pool[J]. Carbon Management,2014,5(1):81-91.
[2]宋立生,趙之重,徐劍波,等. 基于TM遙感影像的瑪多縣草地土壤有機(jī)質(zhì)的時(shí)空格局反演[J]. 草業(yè)科學(xué),2011,28(12):2069-2073.
[3]Wang L J,Sheng M Y,Du J Y,et al. Distribution characteristics of soil organic carbon and its influence factors in the karst rocky desertification ecosystem of Southwest China[J]. Acta Ecological Sinica,2017,37(4):1358-1365.
[4]何志斌,趙文智,劉" 鵠,等. 祁連山青海云杉林斑表層土壤有機(jī)碳特征及其影響因素[J]. 生態(tài)學(xué)報(bào),2006,26(8):2572-2577.
[5]Schimel D,Melillo J,Tian H,et al. Contribution of increasing CO2 and climate to carbon storage by ecosystems in the United States[J]. Science,2000,287(5460):2004-2006.
[6]張春華,王宗明,任春穎,等. 松嫩平原玉米帶農(nóng)田土壤有機(jī)碳時(shí)空格局[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010,26(增刊1):300-307.
[7]蘇" 偉,趙曉鳳,孫中平,等. 基于Sentinel-2A影像的玉米冠層葉綠素含量估算[J]. 光譜學(xué)與光譜分析,2019,39(5):1535-1542.
[8]Smeal D,Zhang H. Chlorophyll meter evaluation for nitrogen management in corn[J]. Communications in Soil Science and Plant Analysis,1994,25(9-10):1495-1503.
[9]繆紳裕,鄧?guó)櫽?,王厚麟,? 50種植物葉片綠色度和葉綠素含量相關(guān)性研究[J]. 安徽農(nóng)業(yè)科學(xué),2012,40(1):158-160,181.
[10]Yang W N,Wang Y B,Lu X,et al. Nutrient evaluation of the soil in the Qinghai-Tibet Plateau based on BP neural network[J]. Journal of Glaciology and Geocryology,2019,41(1):215-226.
[11]何曉群. 多元統(tǒng)計(jì)分析[M]. 北京:中國(guó)人民大學(xué)出版社,2012:135.
[12]Zhou H Z,Gong Z T. Study on soil spatial variability[J]. Acta Pedologica Sinica,1996,33(3):232-241.
[13]Henderson T L,Baumgardner M F,F(xiàn)ranzmeier D P,et al. High dimensional reflectance analysis of soil organic matter[J]. Soil Science Society of America Journal,1992,56(3):865-872.
[14]劉煥軍,潘" 越,竇" 欣,等. 黑土區(qū)田塊尺度土壤有機(jī)質(zhì)含量遙感反演模型[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(1):127-133.
[15]周" 稀,潘洪旭,鄧歐平,等. 基于RS和GIS的西河流域土壤有機(jī)碳含量的空間反演[J]. 中國(guó)土壤與肥料,2016(4):32-38.
[16]王趙飛. 基于Sentinel影像融合的表層土壤有機(jī)碳含量時(shí)空反演研究[D]. 撫州:東華理工大學(xué),2019:30-35.
[17]Guo J X,Zhao X M,Guo X,et al. Inversion of organic matter content in red soil based on PLSR-BP composite model[J]. Acta Pedologica Sinica,2020,57(3):636-645.
[18]Schlemmer M,Gitelson A,Schepers J,et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J]. International Journal of Applied Earth Observation and Geoinformation,2013,25(1):47-54.
[19]唐普恩,丁建麗,葛翔宇,等. 基于Sentinel-2A影像干旱區(qū)棉花葉片SPAD數(shù)字制圖[J]. 生態(tài)學(xué)報(bào),2020,40(22):8326-8335.
[20]馬子鈺,馬文林,賈小紅,等. 基于DNDC模型的玉米田土壤有機(jī)碳變化模擬預(yù)測(cè)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào),2023,42(4):192-198.
[21]余蛟洋,常慶瑞,由明明,等. 基于高光譜和BP神經(jīng)網(wǎng)絡(luò)模型蘋(píng)果葉片SPAD值遙感估算[J]. 西北林學(xué)院學(xué)報(bào),2018,33(2):156-165.
[22]薛" 香,吳玉娥. 小麥葉片葉綠素含量測(cè)定及其與SPAD值的關(guān)系[J]. 湖北農(nóng)業(yè)科學(xué),2010,49(11):2701-2702,2751.
[23]童淑媛,宋鳳斌. SPAD值在玉米氮素營(yíng)養(yǎng)診斷及推薦施肥中的應(yīng)用[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究,2009,25(2):233-238.
[24]田" 穎,陳卓奇,惠鳳鳴,等. 歐空局哨兵衛(wèi)星Sentinel-2A/B數(shù)據(jù)特征及應(yīng)用前景分析[J]. 北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,55(1):57-65.
[25]趙" 成,梁盈盈,馮" 浩,等. 基于Sentinel-2多時(shí)相遙感影像的黃土高原覆膜農(nóng)田識(shí)別研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2023:1-16(2023-06-19)[2024-06-19]. https://kns.cnki.net/kcms/detail/11.1964.S.20230615.1740.006.html.
[26]張錫煜,李思佳,王" 翔,等. 基于Sentinel-2衛(wèi)星影像的黑龍江綏化市土壤全氮定量遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào),2023,39(15):144-151.
[27]Islam A R M T,Talukdar S,Mahato S,et al. Machine learning algorithm-based risk assessment of riparian wetlands in Padma River Basin of Northwest Bangladesh[J]. Environmental Science and Pollution Research International,2021,28(26):34450-34471.
[28]DeLancey E R,Simms J F,Mahdianpari M,et al. Comparing deep learning and shallow learning for large-scale wetland classification in Alberta,Canada[J]. Remote Sensing,2019,12(1):2-22.
[29]許" 鑫,耿" 慶,鄭" 凱,等. 基于紋理特征與深度學(xué)習(xí)的小麥圖像中的穗粒分割與計(jì)數(shù)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào),2024,40(4):661-674.
[30]Lewis H G,Brown M. A generalized confusion matrix for assessing area estimates from remotely sensed data[J]. International Journal of Remote Sensing,2001,22(16):3223-3235.
[31]魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法[M]." 北京:國(guó)防工業(yè)出版社,2005:94-96.
[32]Hosseini M,Bahrami H,Khormail F,et al. Artificial intelligence statistical analysis of soil respiration improves predictions compared to regression methods[J]. Journal of Soil Science and Plant Nutrition,2021,21(3):2242-2251.
[33]李丹丹. 基于深度學(xué)習(xí)U-NET模型在冰川信息提取中的應(yīng)用研究[D]. 北京:中國(guó)地質(zhì)大學(xué),2020:28-29.