基于Hyperion數(shù)據(jù)的耕地土壤有機質(zhì)含量遙感反演

邱 壑, 陳瀚閱,2, 邢世和,2, 張黎明,2, 董新宇

(1.福建農(nóng)林大學(xué)資源與環(huán)境學(xué)院；2.土壤健康與調(diào)控福建省高校重點實驗室，福建 福州 350002)

?

基于Hyperion數(shù)據(jù)的耕地土壤有機質(zhì)含量遙感反演

邱 壑1, 陳瀚閱1,2, 邢世和1,2, 張黎明1,2, 董新宇1

(1.福建農(nóng)林大學(xué)資源與環(huán)境學(xué)院；2.土壤健康與調(diào)控福建省高校重點實驗室，福建 福州 350002)

為了探究耕地土壤有機質(zhì)含量與衛(wèi)星影像光譜間的關(guān)系，確定土壤有機質(zhì)的光譜特征，構(gòu)建土壤有機質(zhì)含量反演模型.利用Hyperion高光譜衛(wèi)星影像和福建省三明市80個土壤調(diào)查樣點分析數(shù)據(jù)，對土壤有機質(zhì)與光譜指數(shù)相關(guān)性進行了分析；在提取特征光譜指數(shù)的基礎(chǔ)上，分別基于敏感波段和特征指數(shù)建立線性模型和多元逐步回歸模型.結(jié)果表明：土壤有機質(zhì)含量在Hyperion高光譜782.95～813.48 nm波段具有良好的響應(yīng)能力；反射率的一階導(dǎo)數(shù)所建立的模型擬合效果最優(yōu)，其R2為0.777，RMSE為5.31，驗證模型有機質(zhì)實測值與預(yù)測值的R2為0.809，表明它能夠用于區(qū)域有機質(zhì)含量的快速測定.

Hyperion高光譜; 土壤有機質(zhì); 預(yù)測模型

土壤有機質(zhì)是土壤的重要組成部分[1]，但傳統(tǒng)測定方法較為繁瑣，且使用的化學(xué)試劑如處理不當(dāng)會對環(huán)境和人體產(chǎn)生不利影響.衛(wèi)星影像具有像幅面積大、時相性強、信息資料處理便捷、成本低等特點，為區(qū)域土壤有機質(zhì)快速監(jiān)測提供了更為有效的技術(shù)途徑.彭杰等[2]于室內(nèi)研究發(fā)現(xiàn)，去除有機質(zhì)后，570～630 nm處的土壤反射率能得到提高.張娟娟等[3]測定潮土和水稻土的土壤樣品，發(fā)現(xiàn)2種土壤有機質(zhì)相同的敏感波段為800、1 398和546 nm.史舟等[4]對我國十多個省市區(qū)域收集的1 581個土壤樣本進行研究，判定在820 nm波段附近存在C-H吸收帶，在2 300 nm附近存在一個與有機質(zhì)相關(guān)的C-H特征峰.衛(wèi)星影像會受到地物覆蓋和傳感器的影響，精度較低.盧鵬等[5]采用掩膜技術(shù)降低水體和植被對Hyperion高光譜反演模型的干擾，并提出不同季節(jié)、區(qū)域溫度、降水和蒸發(fā)對模型的準(zhǔn)確度都會造成一定影響.Peon et al[6]對比Hyperion、Lansat5、TM、AHS、MODIS、CASI這6個傳感器在估測西班牙野火頻發(fā)區(qū)土壤有機質(zhì)的能力強弱，結(jié)果顯示有效估測土壤有機質(zhì)傳感器的頻帶位置可能比光譜分辨率更重要，有機質(zhì)預(yù)測最顯著的區(qū)域是在可見光和短波紅外區(qū)域，其次為2 000～2 400 nm區(qū)域.Gomez et al[7]分析澳大利亞西北部表層土壤有機碳與Hyperion光譜之間的關(guān)系，發(fā)現(xiàn)混合像元以及光譜的空間分辨率會影響模型預(yù)測結(jié)果，而土壤有機質(zhì)含量范圍以及樣品的數(shù)量對模型精度的影響較小.Yi et al[8]將地形參數(shù)、土壤圖和輔助模型應(yīng)用到Spot5、Landsat8遙感圖像的有機質(zhì)反演模型，比單純使用遙感數(shù)據(jù)得到的結(jié)果更精確.植物可利用水是土壤有機質(zhì)預(yù)測的一個非常重要的校準(zhǔn)變量，歸一化植被指數(shù)反映了作物生長的特性，并給出了土壤性質(zhì)的信息.土壤有機質(zhì)估算模型主要是以室內(nèi)測定土壤光譜為主，以衛(wèi)星影像為輔，且室內(nèi)測定的精度遠大于衛(wèi)星影像；但高光譜衛(wèi)星影像有覆蓋范圍大、多時相等優(yōu)勢，如果能將其與土壤普查數(shù)據(jù)結(jié)合，采用有效的手段剔除復(fù)雜像元的干擾，構(gòu)建反演模型，對于區(qū)域土壤有機質(zhì)含量變化的實時監(jiān)控具有重要的意義.

鑒于此，本文基于Hyperion高光譜遙感影像以及2008年福建省土壤調(diào)查樣點數(shù)據(jù)，分析衛(wèi)星影像相應(yīng)區(qū)域耕地土壤有機質(zhì)含量與不同光譜指數(shù)之間的相關(guān)性，并在選取特征光譜指數(shù)的基礎(chǔ)上，通過分別構(gòu)建線性回歸模型和多元逐步回歸模型進行驗證對比，為實現(xiàn)區(qū)域耕地土壤有機質(zhì)含量的遙感快速估測提供依據(jù).

1 材料與方法

1.1 研究區(qū)概況

三明市屬中亞熱帶季風(fēng)氣候，耕地總面積為19.47萬 hm2，占土地總面積的8.48%;土壤類型以紅壤、黃壤、水稻土為主，境內(nèi)森林覆蓋率76.8%[9].研究區(qū)為Hyperion高光譜遙感影像覆蓋區(qū)域，幅寬長7.7 km，寬42 km，位于福建省三明市中部.

采用福建省三明市沙縣的一景Hyperion高光譜遙感數(shù)據(jù)，成像時間為2012年5月22日14:17.影像范圍：25°38′44.05″—26°39′24.43″N，117°20′22.09″—117°38′58.85″E，傳感器以推掃方式獲取可見光近紅外(356～1 085 nm)和短波紅外(852～2 577 nm)光譜數(shù)據(jù)，平均采樣間隔為10 nm的連續(xù)波譜數(shù)據(jù)，共242個波段，文件類型為L1R級，輻射分辨率16 bit，空間分辨率30 m[10].

光譜預(yù)處理采用ENVI 5.1去除未標(biāo)定和受水汽影響的波段；對于其余174個波段(426.82～884.7 nm，996.63～1 346.25 nm，1 457.23～1 800.29 nm，1 961.66～2 375.3 nm)基于Hyperion_Workshop模塊進行壞線修復(fù)、去條紋、去smile效應(yīng)等預(yù)處理工作[11]；最后利用ENVI/FLAASH進行大氣校正，并以較精準(zhǔn)的TM影像對Hyperion影像進行幾何校正(精度在半個像元之內(nèi)).

1.3 土壤數(shù)據(jù)預(yù)處理

收集的2008年土壤調(diào)查樣點分析數(shù)據(jù)來自農(nóng)業(yè)部測土配方施肥項目樣點分析資料.調(diào)查樣點為0～20 cm的耕層土壤，有機質(zhì)含量的測定采用重鉻酸鉀容量法(外加熱法)[12].

圖1 三明市供試樣點分布圖Fig.1 Distribution of sampling points across Sanming City

對調(diào)查樣點數(shù)據(jù)進行下列處理：(1)借助ArcGIS 10.1軟件，校準(zhǔn)土壤調(diào)查樣點數(shù)據(jù)的投影坐標(biāo)系，使其與幾何校正后的遙感影像一致[13]；(2)提取Hyperion高光譜數(shù)據(jù)覆蓋范圍下的2008年土壤調(diào)查樣點分析數(shù)據(jù)，篩選一個像元內(nèi)2個及2個以上的樣點，取平均值作為唯一值，共計1 006個供試樣點；(3)借助ENVI 5.1軟件，以1 006個供試樣點的經(jīng)緯度作為ROI提取Hyperion影像對應(yīng)的1 006個像元的光譜數(shù)據(jù)，與土壤屬性配對.遙感影像范圍內(nèi)三明市供試樣點的空間位置見圖1.

魏晉南朝時期，隨著士人階層玄學(xué)的盛行，禮法的松動，女性亦表現(xiàn)出“林下之風(fēng)”。謝道韞公然向謝安表示對夫婿王凝之的不滿，這是對男權(quán)的挑戰(zhàn)，而其在孫恩之亂中抽刃出門，手殺數(shù)人，則是對常規(guī)女性狀態(tài)的超逸。又如劉宋時期的韓蘭英，曾向孝武帝獻賦，被封為博士，又因其年長并且博學(xué)多聞，所以常被稱為“韓公”?！肮痹诠糯?dāng)為對男性尊稱的專用詞，此處“韓公”之稱，是對其學(xué)識的褒揚與對其地位的尊崇，這在另一方面又顯現(xiàn)出通過模糊其女性性別來達到推重的目的。

遙感影像空間分辨率限制以及地物復(fù)雜性[14]導(dǎo)致部分像元光譜僅反映混合像元的光譜特征，而非純土壤像元光譜特征.為了得到土壤本身的光譜特征，本研究采用SVM聚類疊加法篩選均一的土壤像元[15]，得到的純土壤像元面積為影像總面積的7.55%，將供試樣點加載到分類結(jié)果上進行提取，最終得到80個土壤像元上的土壤樣點.供試耕地土壤樣點的有機質(zhì)信息見表1.影像局部區(qū)域SVM聚類結(jié)果見圖2.

表1 供試耕地土壤樣點有機質(zhì)含量

圖2 局部區(qū)域SVM聚類效果

1.4 光譜變換與特征光譜的篩選

為比較不同變換形式光譜指數(shù)對土壤有機質(zhì)的響應(yīng)能力[17]，利用spss 22.0[18]軟件，對全波段各類光譜指數(shù)與有機質(zhì)含量的相關(guān)性進行分析，并提取土壤的特征光譜波段用于土壤有機質(zhì)建模.

1.5 估測模型的建立與驗證

利用80個建模樣本，在對光譜的原始反射率、反射率的一階導(dǎo)數(shù)、比值土壤指數(shù)和歸一化土壤指數(shù)特征光譜篩選的基礎(chǔ)上，分別對各指數(shù)的敏感波段建立線性回歸模型；以篩選出的較好相關(guān)系數(shù)的波段或波段組合作為變量導(dǎo)入spss 22.0，設(shè)定變量誤差表征級別95%作為選入和剔除變量的依據(jù)[19]，依次構(gòu)建基于不同變量集合的多元逐步回歸模型.并選擇決定系數(shù)R2和均方根誤差RMSE 2個指標(biāo)對單一變量模型與多元逐步回歸模型精度進行對比驗證.

對比基于最佳光譜指數(shù)構(gòu)建的單一變量模型與多元逐步回歸模型，選出較為理想的模型,以分析Hyperion高光譜數(shù)據(jù)應(yīng)用于土壤有機質(zhì)含量估測的特點.

2 結(jié)果與分析

2.1 土壤有機質(zhì)與光譜指數(shù)的敏感性分析

光譜原始反射率與供試土壤樣點有機質(zhì)含量的相關(guān)性分析(圖3)結(jié)果表明：原始反射率在436.99～528.57 nm與樣點有機質(zhì)含量有極顯著正相關(guān)，在2 012.15～2 203.83 nm有極顯著負相關(guān).

光譜反射率的一階導(dǎo)數(shù)與供試土壤樣點有機質(zhì)含量的相關(guān)性分析見圖4.結(jié)果表明：反射率的一階導(dǎo)數(shù)在762.6～803.3 nm處與土壤有機質(zhì)含量的相關(guān)性最大，相關(guān)系數(shù)絕對值為0.703，在1 033.49、1 094.09、1 245.36、1 749.79 nm處相關(guān)系數(shù)也達到極顯著水平.

圖3 原始反射率與土壤有機質(zhì)含量的相關(guān)系數(shù)

圖4 反射率的一階導(dǎo)數(shù)與土壤有機質(zhì)含量的相關(guān)系數(shù)

光譜歸一化土壤指數(shù)與供試土壤樣點有機質(zhì)含量的相關(guān)性分析見圖5.結(jié)果表明：歸一化土壤指數(shù)在近紅外波段772.78～833.83 nm、1 037.33～1 104.19 nm、1 759.89～1 780.09 nm和2 244.22～2 254.22 nm附近構(gòu)建的指數(shù)與土壤有機質(zhì)含量有較強的相關(guān)性，相關(guān)系數(shù)絕對值在782.95 nm處達到最大值(0.703).

比值指數(shù)與供試土壤樣點有機質(zhì)含量在762.6～823.65 nm、1 027.16 nm、1 104.19 nm、1 487.53 nm處構(gòu)建的指數(shù)與土壤有機質(zhì)有較強的相關(guān)性，如圖6所示，相關(guān)系數(shù)絕對值在813.48 nm處達到最大(0.744).

圖5 歸一化土壤指數(shù)與土壤有機質(zhì)含量的相關(guān)系數(shù)

圖6 比值指數(shù)與土壤有機質(zhì)含量的相關(guān)系數(shù)

2.2 基于敏感波段的土壤有機質(zhì)線性回歸模型

基于上述光譜原始反射率、反射率一階導(dǎo)數(shù)、比值土壤指數(shù)及歸一化土壤指數(shù)與土壤有機質(zhì)含量的敏感性分析，選擇較優(yōu)的敏感波段；以波段或波段組合作為自變量，以土壤有機質(zhì)含量作為因變量，構(gòu)建線性回歸模型.

對敏感波段的土壤有機質(zhì)線性回歸模型的對應(yīng)波長、模型公式以及評價指標(biāo)(表2)進行分析，結(jié)果表明：模型精度從高到低排列順序為比值土壤指數(shù)>歸一化土壤指數(shù)>反射率的一階導(dǎo)數(shù)>原始反射率.原始反射率預(yù)測土壤有機質(zhì)最佳光譜參數(shù)處于457.34 nm，預(yù)測模型為y=8.042+0.033x，決定系數(shù)與均方根誤差分別為0.17和11.14.反射率一階導(dǎo)數(shù)預(yù)測土壤有機質(zhì)最佳參數(shù)處于803.3 nm，預(yù)測模型為y=34.61-3.536x，決定系數(shù)與均方根誤差分別為0.494和8.69.歸一化土壤指數(shù)預(yù)測土壤有機質(zhì)最佳參數(shù)由782.95 nm與(813.48 nm 2個波長組成，預(yù)測模型為y=39.905-677.655x，決定系數(shù)與均方根誤差分別為0.549和8.21.利用比值土壤指數(shù)預(yù)測土壤有機質(zhì)的最佳參數(shù)由793.13 nm與813.48 nm 2個波長組成，預(yù)測模型為y=438.57-399.131x，決定系數(shù)與均方根誤差分別為0.554和8.16.

表2 基于敏感波段的土壤有機質(zhì)線性回歸模型

由此可見，782.95～813.48 nm波長范圍內(nèi)的3種光譜指數(shù)對土壤有機質(zhì)均有響應(yīng)，說明在782.95～813.48 nm波長的光譜響應(yīng)值與土壤有機質(zhì)含量變化有較強的敏感性；而又以經(jīng)過比值處理后的結(jié)果精度最高；2 153.34 nm與2 254.22 nm波長構(gòu)建的比值土壤指數(shù)與歸一化土壤指數(shù)對土壤有機質(zhì)含量也有較強的響應(yīng)能力，說明土壤有機質(zhì)含量的變化能夠影響這個波長的響應(yīng)值.

2.3 基于特征指數(shù)的土壤有機質(zhì)多元逐步回歸模型

以光譜原始反射率、反射率的一階導(dǎo)數(shù)、比值土壤指數(shù)、歸一化土壤指數(shù)分別作為多元逐步回歸分析的自變量導(dǎo)入spss 22.0，設(shè)定變量誤差表征級別95%作為選入和剔除變量的依據(jù)[20]；以土壤有機質(zhì)含量作為因變量，構(gòu)建逐步回歸模型.

對各指數(shù)的土壤有機質(zhì)多元逐步回歸模型公式以及評價指標(biāo)(表3)進行分析，結(jié)果表明：基于多元逐步回歸方程的模型精度從高到低排列順序為反射率的一階導(dǎo)數(shù)>歸一化土壤指數(shù)>比值土壤指數(shù)>原始反射率.原始反射率預(yù)測土壤有機質(zhì)最優(yōu)模型的決定系數(shù)與均方根誤差分別為0.4和9.36.比值土壤指數(shù)預(yù)測土壤有機質(zhì)最優(yōu)模型的決定系數(shù)與均方根誤差分別為0.647和7.03.歸一化土壤指數(shù)預(yù)測土壤有機質(zhì)最優(yōu)模型的決定系數(shù)與均方根誤差分別為0.741和5.98.反射率一階導(dǎo)數(shù)預(yù)測土壤有機質(zhì)最優(yōu)模型的決定系數(shù)與均方根誤差分別為0.777和5.31.

對歸一化土壤指數(shù)所構(gòu)建的多元逐步回歸模型的有機質(zhì)實測值與預(yù)測值進行比較(圖7)；對反射率的一階導(dǎo)數(shù)構(gòu)建的多元逐步回歸模型的有機質(zhì)實測值與預(yù)測值進行比較(圖8).結(jié)果顯示，利用歸一化土壤指數(shù)進行土壤有機質(zhì)含量的反演，其驗證指標(biāo)：R2=0.756，RMSE=5.98；利用反射率的一階導(dǎo)數(shù)進行土壤有機質(zhì)含量的反演，其驗證指標(biāo)：R2=0.809，RMSE=5.31.相比之下，利用反射率的一階導(dǎo)數(shù)進行預(yù)測得到較高的R2和較低的RMSE值.歸一化模型與一階導(dǎo)數(shù)模型均存在斜率偏低的問題，在土壤有機質(zhì)含量低于30 g·kg-1時，預(yù)測結(jié)果比實際值高；歸一化模型在有機質(zhì)含量高于30 g·kg-1時，預(yù)測結(jié)果比實際值低；一階導(dǎo)數(shù)模型在有機質(zhì)含量高于30 g·kg-1時預(yù)測結(jié)果與實際值較為接近.結(jié)果表明，利用反射率的一階導(dǎo)數(shù)構(gòu)建的逐步回歸模型的預(yù)測效果最好.

3 小結(jié)與討論

本文基于Hyperion高光譜數(shù)據(jù)，結(jié)合土壤普查數(shù)據(jù)，對不同光譜指數(shù)用于土壤有機質(zhì)的反演模型進行對比分析，結(jié)果表明Hyperion高光譜782.95～813.48 nm波長可作為監(jiān)測土壤有機質(zhì)含量變化的敏感波段；基于各指數(shù)構(gòu)建的多元逐步回歸模型的精度大于基于敏感波長的線性回歸模型，其中以反射率的一階導(dǎo)數(shù)構(gòu)建的逐步回歸模型精度最高(R2=0.809, RMSE=5.31).

表3 基于各指數(shù)的土壤有機質(zhì)多元逐步回歸模型

圖7 歸一化模型土壤有機質(zhì)含量預(yù)測值與實測值的比較Fig.7 Comparison between predicted soil organic matter content based on normalization model and measur

圖8 反射率的一階導(dǎo)數(shù)模型土壤有機質(zhì)含量預(yù)測值與實測值的比較Fig.8 Comparison between predicted soil organic matter content based on the first derivative model and measured value

本研究區(qū)的土壤類型為紅壤、黃壤和水稻土.張娟娟等[3]選擇水稻土的敏感波段為802、1 409、870和795 nm，而潮土選取的波段為568和839 nm；盧艷麗等[20]發(fā)現(xiàn)545～830 nm波段與黑土的有機質(zhì)含量呈顯著負相關(guān)，與481～598 nm的一階導(dǎo)數(shù)光譜呈極顯著負相關(guān)；彭杰等[2]研究表明去除有機質(zhì)后，570～630 nm波長土壤反射率提高.本研究結(jié)果與張娟娟對水稻土的敏感性研究結(jié)果基本一致，而與后者研究的敏感波長不同.其原因可能是研究區(qū)內(nèi)土壤類型大多數(shù)為紅壤、黃壤，其含有大量赤鐵礦，因此在762.60～833.83 nm處的有機質(zhì)響應(yīng)很可能受礦物影響[21].福建省土壤形成是一個脫硅富鐵鋁化的過程，且研究區(qū)內(nèi)土壤有機質(zhì)整體水平較低，土壤像元整體呈現(xiàn)亮黃色和暗黃色，土壤呈現(xiàn)的顏色受土壤發(fā)色團和有機質(zhì)本身顏色的影響較弱，因此在436.99～528.57 nm處有機質(zhì)響應(yīng)可能是由于土壤中鐵離子引起的光譜變化[22-23]，在1 759.89～1 780.09 nm處有機質(zhì)響應(yīng)可能是由于氧化鋁影響的光譜變化引起的[24-25]，能反映出土壤有機質(zhì)含量的水平.在近紅外波段，由于受到NH、CH和CO等基團的分子振動的倍頻與合頻吸收影響[4]，不同土壤類型在這一波長范圍內(nèi)均有顯著相關(guān)性，因而與其他學(xué)者的研究結(jié)果大致相同.在紅外波長內(nèi)由毛管水引起的水分吸收帶也與土壤有機質(zhì)含量預(yù)測模型的精度有密切關(guān)系[6]；在2 254.22 nm附近發(fā)現(xiàn)一個與有機質(zhì)相關(guān)的C-H特征峰，也有助于土壤有機質(zhì)預(yù)測模型的建立.

雖然受高光譜遙感影像像幅及大氣條件的限制，本研究采用的高光譜影像與土壤調(diào)查樣點的時相不一致，但考慮到研究區(qū)內(nèi)豐富的調(diào)查樣點，土壤有機質(zhì)在土地利用類型變化較小的條件下波動幅度較弱[26-29]，以及利用光譜遙感影像的區(qū)域土壤有機質(zhì)含量測定的便捷性，采用SVM聚類的前處理方法篩選區(qū)域內(nèi)的土壤像元，以減少植被、大氣、混合像元以及時相對敏感波段的噪音干擾.在此次研究中得到精度較高的遙感反演模型，表明利用高光譜遙感影像與土壤調(diào)查樣點數(shù)據(jù)定量反演區(qū)域有機質(zhì)含量的方法是可行的.

本研究缺乏有效的技術(shù)手段探究植被覆蓋區(qū)域有機質(zhì)含量的光譜響應(yīng)特征.通過揭示土壤有機質(zhì)與植被的特征指數(shù)的變化規(guī)律，有待于進一步提高基于高光譜衛(wèi)星影像估測土壤有機質(zhì)含量中植被覆蓋區(qū)域的預(yù)精度，實現(xiàn)全區(qū)域模型的構(gòu)建.

[1] 黃昌勇.土壤學(xué)[M].3版.北京:中國農(nóng)業(yè)出版社,2012.

[2] 彭杰,周清,張楊珠,等.有機質(zhì)對土壤光譜特性的影響研究[J].土壤學(xué)報,2013,50(3):517-524.

[3] 張娟娟,余華,喬紅波,等.基于高光譜特征的土壤有機質(zhì)含量預(yù)測研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2012,20(5):566-572.

[4] 史舟,王乾龍,彭杰,等.中國主要土壤高光譜反射特性分類與有機質(zhì)光譜預(yù)測模型[J].中國科學(xué),2014,44(5):978-988.

[5] LU P, WANG L, NIU Z, et al. Prediction of soil properties using laboratory VIS-NIR spectroscopy and Hyperion imagery[J]. Journal of Geochemical Exploration, 2013,132:26-33.

[6] PEON J, FERNANDEZ S, RECONDO C, et al. Evaluation of the spectral characteristics of five hyperspectral and multispectral sensors for soil organic carbon estimation in burned areas[J]. International Journal of Wildland Fire, 2017,26(3):230-239.

[7] GOMEZ C, ROSSEL R A V, MCBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: an Australian case study[J]. Geoderma, 2008,146(3):403-411.

[8] PENG Y, XIONG X, ADHIKARI K, et al. Modeling soil organic carbon at regional scale by combining multi-spectral images with laboratory spectra.[J]. Plos One, 2015,10(11):e0142295.

[9] 鄭建勛.三明市人民政府-自然資源[EB/OL].(2016-08-27)[2016-10-28].http://www.sm.gov.cn/sq/sqgk/zrhj/.

[10] RICHARD B. EO-1 User Guide v.2.3[EB/OL].(2003-04-25)[2016-10-28].https://eo1.usgs.gov/documents/hyperion/.

[11] DATT B. Hyperion Data Processing Workshop: Hands-on Processing Instructions[M]. Australia:CSIRO Earth Observation Centre, 2004.

[12] 勞家檉.土壤農(nóng)化分析手冊[M].北京:農(nóng)業(yè)出版社,1988.

[13] MARIBETH P. ArcGIS地理信息系統(tǒng)教程.[M].5版.李玉龍譯.北京:電子工業(yè)出版社,2012.

[14] 鮑晨光.森林類型遙感分類研究[C].哈爾濱:東北林業(yè)大學(xué),2010.

[15] 鄧書斌.ENVI遙感圖像處理方法[M].2版.北京:高等教育出版社,2014.

[16] 劉青.人工神經(jīng)網(wǎng)絡(luò)遙感影像分類系統(tǒng)的設(shè)計與實現(xiàn)[D].昆明:昆明理工大學(xué),2012.

[17] 何挺,王靜,林宗堅,等.土壤有機質(zhì)光譜特征研究[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2006,31(11):975-979.

[18] 李昕.SPSS 22.0統(tǒng)計分析——從入門到精通[M].北京:電子工業(yè)出版社,2015.

[19] 陳紅艷.土壤主要養(yǎng)分含量的高光譜估測研究[D].泰安:山東農(nóng)業(yè)大學(xué),2012.

[20] 盧艷麗,白由路,楊俐蘋,等.東北平原不同類型土壤有機質(zhì)含量高光譜反演模型同質(zhì)性研究[J].植物營養(yǎng)與肥料學(xué)報,2011,17(2):456-463.

[21] CAMARGO L A, MARQUES J, BARRON V, et al. Mapping of clay, iron oxide and adsorbed phosphate in Oxisols using diffuse reflectance spectroscopy[J]. Geoderma, 2015,251:124-132.

[22] DIAGBOYA P N, OLU-OWOLABI B I, ADEBOWALE K O. Effects of time, soil organic matter, and iron oxides on the relative retention and redistribution of lead, cadmium, and copper on soils[J]. Environmental Science and Pollution Research, 2015,22(13):10 331-10 339.

[23] 魏昌龍,趙玉國,鄔登巍,等.基于光譜分析的土壤游離鐵預(yù)測研究[J].土壤,2014(4):678-683.

[24] FRANCESCHINI M H D, DEMATTE J A M, DA S T F, et al. Prediction of soil properties using imaging spectroscopy: considering fractional vegetation cover to improve accuracy[J]. International Journal of Applied Earth Observation and Geoinformation, 2015,38:358-370.

[25] SILA A M, SHEPHERD K D, POKHARIYAL G P. Evaluating the utility of mid-infrared spectral subspaces for predicting soil properties[J]. Chemometrics and Intelligent Laboratory Systems, 2016,153:92-105.

[26] 王清奎,汪思龍,高洪,等.土地利用方式對土壤有機質(zhì)的影響[J].生態(tài)學(xué)雜志,2005,24(4):360-363.

[27] 張世文,葉回春,王來斌,等.景觀高度異質(zhì)區(qū)土壤有機質(zhì)時空變化特征分析[J].農(nóng)業(yè)機械學(xué)報,2013,44(12):105-113.

[28] 楊世琦,張愛平,楊淑靜,等.典型區(qū)域果園土壤有機質(zhì)變化特征研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2009,17(6):1 124-1 127.

[29] 章明奎,常躍暢.近 50 年浙江省耕作土壤有機質(zhì)和酸堿度的變化特征[J].環(huán)境科學(xué),2013,34(11):4 399-4 404.

(責(zé)任編輯:葉濟蓉)

Soil organic matter estimation models based on Hyperion data

QIU He1, CHEN Hanyue1,2, XING Shihe1,2, ZHANG Liming1,2, DONG Xinyu1

(1.College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou， Fujian 350002, China;2.University Key Lab of Soil Ecosystem Health and Regulation in Fujian, Fuzhou， Fujian 350002, China)

In order to explore the relation between arable soil organic matter content and satellite image spectrum, correlation analysis was conducted upon soil data from 80 sampling points in Sanming City and Hyperion hyperspectral satellite images. Then characteristic soil index and sensitive wavelength were subject to linear regression and stepwise multiple regression analyses. The results showed that soil organic matter content was highly response to Hyperion hyperspectral bands at wavelength of 782.95-813.48 nm. Fitting model based on the first derivative of reflectivity was optimal, withR2being 0.777 and RMSE being 5.31. WithR2between the measured and predicted value of soil organic matter being 0.809, satellite image spectrum is confirmed to be an reliable indicator of soil organic content.

Hyperion hyperspectra; soil organic matter; estimation model

2016-11-07

2017-05-06

國家自然科學(xué)基金資助項目(41401399).

邱壑(1992-)，男，碩士研究生.研究方向：土壤遙感.Email:423857065@qq.com.通訊作者邢世和(1962-)，男，教授，博士生導(dǎo)師.研究方向：土壤環(huán)境生態(tài)與碳氮循環(huán).Email：fafuxsh@126.com.

S127

A

1671-5470(2017)04-0460-08

10.13323/j.cnki.j.fafu(nat.sci.).2017.04.017