基于高光譜遙感技術(shù)對土壤氮磷鉀的估算

喬璐 陳立新 董誠明

摘 要：本文旨在研究高光譜遙感分析技術(shù)對大面積土壤全氮（Total Nitrogen TN）、全磷（Total Phosphorus TP）、全鉀（Total Potassium TK）實(shí)時監(jiān)測的可行性。采用野外調(diào)查與室內(nèi)高光譜（350 ～ 2 500 nm）數(shù)據(jù)測定相結(jié)合的研究方法，分析黑龍江省大慶市區(qū)和四縣（肇源縣、肇州縣、杜蒙、林甸縣）土壤的光譜特征和土壤養(yǎng)分指標(biāo)，計(jì)算出土壤光譜反射率的變化：一階微分（R）′、倒數(shù)（1/R）、倒數(shù)一階微分（1/R）′、對數(shù)（logR）等形式;利用一元線性回歸（ULR）、多元線性回歸（SMLR）和偏最小二乘法（PLSR）建立全氮（TN）、全磷（TP）、全鉀（TK）含量的估算模型。并用獨(dú)立樣本對校正模型進(jìn)行驗(yàn)證。結(jié)果顯示：土壤全氮（TN）、全磷（TP）、全鉀（TK）的最佳吸收波段分別為TN（802 nm，1 108 nm），TP（784 nm，1 085 nm），TK（1 079 nm，1 578 nm）;偏最小二乘法（PLSR）的建模精度高于多元線性回歸模型和一元線性回歸模型，分別為N（R2 = 0.831，RMSE = 2.506 g/kg），P（R2 = 0.687，RMSE = 0.844 g/kg），K（R2 =? 0.832，RMSE = 0.097 g/kg）。全氮（TN）、全鉀（TK）預(yù)測精度較高，全磷預(yù)測結(jié)果相對較低，但也可用來粗略估算。同時利用MODIS影像對土壤全氮、全磷、全鉀含量專項(xiàng)制圖。該研究證實(shí)，利用高光譜技術(shù)結(jié)合特定算法能夠較好預(yù)測差異性較大的土壤全氮、全鉀、全磷含量，并可以實(shí)現(xiàn)預(yù)測信息可視化。這對于實(shí)時快速監(jiān)測大面積土壤環(huán)境變化、預(yù)測土壤信息變化趨勢、監(jiān)測生環(huán)境、建立我國土壤養(yǎng)分?jǐn)?shù)據(jù)庫和降低土壤成分監(jiān)測成本具有重要的現(xiàn)實(shí)意義。

關(guān)鍵詞：高光譜;全磷（TP）;全鉀（TK）;全氮（TN）;多元線性回歸;偏最小二乘法; MODIS影像

中圖分類號：S153.6;TP72 文獻(xiàn)標(biāo)識碼： A 文章編號： 1006-8023（2018）06-0025-08

Estimates of Soil N， P， K Concentration by Using Hyperspectral Remote Sensing Technology

QIAO Lu1， CHEN Lixin2*， DONG Chengming1

（1. College of Pharmacy， Henan University of Traditional Chinese Medicine， Zhengzhou 450000; 2. College of Forestry， Northeast Forestry University， Harbin 150040）

Abstract： The purpose of this paper is to study the feasibility of real-time monitoring soil total nitrogen （TN）， total phosphorus （TP） and total potassium （TK） in large area by using Hyperspectral Remote Sensing technology. Based on the combined methods of field investigation and indoor data from hyperspectral measurement（350-2 500 nm）， the soils in four counties（zhaoyuan county， zhaozhou county， dumeng county， and lindian county）， and daqing urban area， Heilongjiang province were studied and analyzed for the characteristics of soil spectrum and soil nutrient index. The variation in soil spectral reflectance was calculated in the form of first-order differential （R）′， reciprocal （1/R）， reciprocal first-order differential （1/R）′， logarithm （log R） and so on. Then the estimating models of TN， TP and TK were established by unary linear regression（ULR）， multivariate linear regression （MLR） and partial least squares （PLSR）， and calibration model is verified by independent samples. The results showed that the optimum absorption bands of TN， TP and TK were TN （802 nm， 1 108 nm）， TP （784 nm， 1 085 nm）， TK （1 079 nm， 1 578 nm）， respectively， the precision of partial least squares （PLSR） was higher than that of Multivariate linear regression（MLR） model and unary linear regression model（ULR）， which were TN （R2 =? 0.831， RMSE = 2.506g/kg）， TP （ R2 = 0.687， RMSE = 0.844 g/kg ）， TK （R2 = 0.832， RMSE = 0.097g/kg）. The prediction accuracy of TN and TK was higher， while the prediction result of TP was relatively lower， but it can also be used for rough estimation. Meanwhile， MODIS images were used to map the concentrations of TN， TP and TK in soil. This study confirmed that hyperspectral technology combined with specific algorithms can better predict the concentrations of TN， TP and TK in soils with larger differences， and the visualization of predictive information can be realized. It is of great practical significance for real-time and rapidly monitoring large-scale changes in soil environment， predicting the trend of soil information changes， monitoring ecological environment， establishing soil nutrient database in China and reducing the monitoring cost of soil composition.

Keywords： Hyperspectra; TN; TP; TK; multivariate linear regression （MLR）; partial least squares regression （PLSR）; MODIS image

0 引言

氮磷鉀作為土壤中的大量元素，是植物生長發(fā)育的必要營養(yǎng)成分。及時有效地了解土壤中氮磷鉀的潛在儲備，對植物的生長發(fā)育、土壤生態(tài)環(huán)境監(jiān)測和精準(zhǔn)農(nóng)業(yè)發(fā)展等方面至關(guān)重要[1]。近年來高光譜遙感技術(shù)的發(fā)展，對及時有效的獲取土壤信息起到極大的幫助作用。

國內(nèi)外學(xué)者先后利用高光譜遙感技術(shù)實(shí)現(xiàn)并發(fā)展了對土壤氮磷鉀的預(yù)測，Rossel等建立土壤光譜PLSR [2]，發(fā)現(xiàn)近紅外波段NIR對磷（P）的估算較好，而中紅外波段MIR能更精確地估計(jì)鉀（K）含量。A. M. Mouazen等用PLSR聯(lián)合完整的交叉驗(yàn)證技術(shù)對法國北部和比利時土壤中的有效磷建模效果顯著[3]。M. R. Maleki等研究顯示[4]，室外土壤光譜測定所提取磷的吸收帶高于室內(nèi)風(fēng)干土測定的結(jié)果。A. M. Mouazen等比較了3種模型PLSR、主成分分析（PCA）和反向傳輸神經(jīng)網(wǎng)絡(luò)（BPNN-LVs）[5]，指出BPNN-LVs能更好的反演土壤氮磷鉀含量，并證實(shí)BPNN-LVs模型反演磷精度要高于鉀模型精度。Shao Yong-ni研究發(fā)現(xiàn)最小二乘法-支持向量機(jī)（LS-SVM）結(jié)合近紅外光譜能更有效的獲取土壤氮磷鉀信息[6]。徐永明利用土壤光譜吸收帶特征與總氮含量進(jìn)行逐步回歸運(yùn)算，確定了與氮元素關(guān)系比較密切的幾個吸收帶，包括一階導(dǎo)數(shù)、倒數(shù) （1/R）、倒數(shù)之對數(shù)（log（1/R））、波段深度（Depth）[7]。袁石林利用均值法、卷積濾波確定了光譜數(shù)據(jù)[8]，采用PLSR和（LS-SVM）分別建立了浙江省潮化鹽土土壤總氮和總磷的近紅外光譜模型。陳鵬飛利用傅里葉變換光譜技術(shù)和PLSR建立了北京大興地區(qū)土壤總氮和總磷含量的近紅外光譜校正模型 [9]。宋海燕采用PLSR建立了一階微分光譜的光譜吸光度與速效磷、速效鉀含量和pH值之間的定量分析模型，結(jié)果表明pH值的預(yù)測效果比磷、鉀好[10]。高洪智利用連續(xù)投影算法能夠提取土壤總氮的近紅外特征波長 [11]。本文擬通過利用土壤反射光譜樣本建立土壤全氮、全磷和全鉀含量的一元線性回歸、多元線性回歸和偏最小二乘法模型，估算大慶土壤全氮、全磷和全鉀養(yǎng)分含量，對比3種模型的精度差異。為高光譜在土壤養(yǎng)分的監(jiān)測和估算提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣品采集及分析

大慶市位于黑龍江省松嫩平原中部。地理位置在北緯45°46′ ～ 46°55′，東經(jīng)124°19′ ～ 125°12′之間。土壤類型包括黑鈣土、草甸土、鹽堿土和沼澤土。在大慶五區(qū)和四縣（圖1）（肇源縣、大慶市區(qū)、肇州縣、杜蒙和林甸縣）按照土地利用方式劃分為耕地、草地、荒地和林地，分別采集土壤耕作層（0 ～ 20 cm）90個樣本。采集后樣本剔除樹葉，根枝，自然風(fēng)干后研磨、過2 mm篩，一部分用于土壤全氮、全磷和全鉀的測定，一部分用于室內(nèi)土壤光譜的采集。土壤全氮用凱式定氮法測定;土壤全磷用鉬銻抗比色法測定;土壤全鉀用氫氟酸-高氯酸消煮法[12-13]。

1.2 光譜測定

采用美國ASD FieldSpec-FRTM背掛式野外光譜輻射儀。測量時，分別設(shè)置350 ～ 1 000 nm波段，光譜分辨率為3 nm;1 000 ～ 2 500 nm波段，光譜分辨率為10 nm。光譜測試在暗室進(jìn)行，每次測量前后都進(jìn)行標(biāo)準(zhǔn)版的測量以校準(zhǔn)光譜儀。為減少誤差，每個樣本重復(fù)測量10次，最后取平均值。

1.3光譜數(shù)據(jù)預(yù)處理

利用SAVITZKY-GOLAY（SG）濾波器進(jìn)行對原始的土壤樣本光譜進(jìn)行平滑和消除包絡(luò)線等預(yù)處理（圖2），去除包含在光譜數(shù)據(jù)中的噪聲。土壤全氮（TN）、全磷（TP）、全鉀（TK）在土壤反射光譜中沒有明顯的特征，難以提取特征波段。對光譜反射率做微分、倒數(shù)、對數(shù)等數(shù)學(xué)形式變換可降低部分噪聲、背景、地形和光照等因素對光譜數(shù)據(jù)的影響。提高光譜數(shù)據(jù)與土壤氮磷鉀含量的相關(guān)性。本論文的光譜反射率的處理方式主要包括：光譜反射率對數(shù)logR，反射率倒數(shù)1/R，光譜反射率對數(shù)的倒數(shù)（1/lgR）、光譜反射率倒數(shù)之一階微分（1/R）′、光譜反射率對數(shù)的倒數(shù)之一階微分（1/lgR）′5種形式。所有這些預(yù)處理都是在Matlab2007， Origin7.5軟件中進(jìn)行。

1.4 土壤養(yǎng)分的估算模型

將土壤樣品按照3∶1的比例分成建模樣本和檢驗(yàn)樣本，在分析光譜數(shù)據(jù)與TN、TP、TK含量相關(guān)性的基礎(chǔ)上，應(yīng)用一元線性回歸、多元線性回歸、偏最小二乘法模型進(jìn)行擬合。決定系數(shù)R2 用于判定模型的穩(wěn)定性，均方根誤差RMSE用于評估模型的反演能力。較高的判定系數(shù)和較小的均方根誤差表明該模型更加穩(wěn)定和精確[14]。

2 結(jié)果與分析

2.1 土壤TN、TP、TK含量分析

表1是大慶市90個土壤樣品中全氮、全磷和全鉀的常規(guī)分析結(jié)果及標(biāo)準(zhǔn)差，從表1中看出各營養(yǎng)成分含量的變化幅度較大，土壤類型較多，這對于借助高光譜遙感技術(shù)大面積土壤養(yǎng)分模型的建立起到一定的作用。

2.2 特征波段選擇

對經(jīng)過預(yù)處理后得到的光譜反射率R、 logR、 1/R、（1/lgR）、（1/R）′和 （1/lgR）′分別與土壤的TN、 TP、TK含量進(jìn)行相關(guān)分析，得到結(jié)果如圖3所示。從圖3（a）中可以看出，土壤TN與光譜反射率相關(guān)系數(shù)變化范圍分別-0.45 ～ 0.63，在波段在600 ～ 700 nm，1 100 ～ 1 600 nm具有顯著的相關(guān)性。圖3（b）中，TP 在整個波段反射光譜均表現(xiàn)出了較低相關(guān)性。只在波段600 ～ 800 nm內(nèi)相關(guān)系數(shù)達(dá)到0.5。經(jīng)過一階微分后的反射率對數(shù)在波段2 100 ～ 2 300 nm的正相關(guān)顯著的提升。圖3（c）中，TK與光譜反射率對數(shù)在波段1 300 ～ 1 500 nm，1 900 ～ 2 100 nm呈顯著正負(fù)相關(guān)。據(jù)分析結(jié)果，TN入選波段為802、1 108、1 558 nm，P為784、1 046、1 085 nm，TK為1 070、1 578 nm。

用以上這些模型對土壤TN、TP、TK專項(xiàng)制圖，如圖8所示。從圖8中可以看出，土壤TN含量較分散，但具有一定的規(guī)律性。為達(dá)到細(xì)分專項(xiàng)制圖的效果，根據(jù)所測土壤TN含量最大值、最小值及平均值分段統(tǒng)計(jì)，共分為8個區(qū)間，對應(yīng)不同顏色使數(shù)據(jù)可視化。大慶地區(qū)的土壤TN主要含量在1.62 ～ 1.9、1.9 ～ 2.28、2.28 ～ 2.66、02.66 ～ 3.049 g/kg含量。TN含量的地區(qū)差異：肇源縣>肇州縣>大慶地區(qū)>林甸縣>杜蒙。根據(jù)TK所測含量分段統(tǒng)計(jì)，共分為6各區(qū)間，TK主要含量在18 ～ 20、20 ～ 22、22 ～ 24 g/kg 3個范圍。TK含量的地區(qū)差異：杜蒙>肇源縣>肇州縣>大慶市區(qū)>林甸縣。根據(jù)TP所測含量分段統(tǒng)計(jì)，共分為6個區(qū)間，土壤TP主要含量在0.65 ～ 0.78、0.78 ～ 0.91 g/kg 之間， TP含量的地區(qū)差異：肇源縣>大慶市區(qū)>肇州縣>杜蒙>林甸縣。

4 討論

在3種模型中，偏最小二乘法得到TN、TP、TK的反演模型精度，均高于一元線性模型和多元線性回歸模型，其決定系數(shù)R2 最高，均方根誤差RMSE最小，TN（R2 = 0.831、RMSE = 2.509 g/kg），TP（R2 = 0.687、RMSE = 0.844 g/kg）TK（R2 = 0.832， RMSE = 0.097 g/kg）。TN、TK估算效果較好，是由于土壤中全氮絕大多數(shù)貯藏在土壤有機(jī)態(tài)含氮化合物中，而土壤中鉀多來自于正長石、微斜長石和白云母等原生礦物及伊利石等次生礦物，占全鉀的90%以上，利用光譜較容易定量估算。磷含量模型精度相對較低，可能是因?yàn)橥寥乐腥缀枯^低，且難溶性磷化合物占土壤無機(jī)磷的絕大部分，屬植物難以利用的遲效磷，不易吸收。但與已有研究相比，本研究得到的全磷光譜模型精度較高，是因?yàn)橐延醒芯看蠖嘁詥尾ǘ畏瓷渎驶蚨嗖ǘ畏瓷渎式M合的方式作為模型自變量[15]，而本文采用的是多波段、多種反射率變換形式相組合作為模型自變量，所得參數(shù)是基于一元線性回歸模型獲得，所建立的模型穩(wěn)定性更強(qiáng)。

已有的研究主要是針對特定的土壤利用方式，或是單一的土壤類型所建立的預(yù)測模型，模型精度較高，但只適用于局部地區(qū)土壤的研究，不適合大面積土壤養(yǎng)分的估算。本論文主要研究區(qū)土壤檢測面積廣，土壤類型復(fù)雜，利用方式多樣化，養(yǎng)分含量差異較大，與已有的研究相比較，模型精度相對較低，但對于模型的通用性的建立提供了理論依據(jù)。

5 結(jié)論

本文通過對土壤光譜和TN、 TP、TK含量的相關(guān)性分析，確定了與土壤氮、磷、鉀含量相關(guān)性較高的吸收帶，利用一元線性回歸、多元線性回歸、偏最小二乘法模型對土壤全氮、全磷、全鉀含量建模，得到結(jié)果如下：

（1）土壤氮磷鉀含量與土壤光譜中700 ～? 1 200 nm，1 500 ～ 1 600 nm存在顯著的相關(guān)性，經(jīng)對數(shù)、一階微分轉(zhuǎn)換后，光譜反射率與氮磷鉀含量相關(guān)性得到顯著增強(qiáng)。表明對數(shù)、微分光譜有助于提取土壤元素信息。全氮的主要吸收帶在波段（802、1 108、1 558 nm），全磷（784、1 046 ～ 1 100 nm），全鉀（1 070 ～ 1 100、1 550 ～? 1 600 nm）。

（2）以偏最小二乘法建立的TN、 TP、TK模型精度優(yōu)于一元線性模型和多元線性回歸模型，其結(jié)果顯示：全氮N（R2 = 0.831， RMSE = 2.509 g/kg），全磷P（R2 = 0.687， RMSE = 0.844 g/kg），全鉀K（R2 = 0.832，RMSE = 0.097 g/kg）。

（3）土壤TN、TK的估算效果較好，TP的模型精度相對較低，高光譜遙感可以有效的估算土壤TN、 TP、TK含量。

（4）利用高光譜波段模擬MODIS多波段，實(shí)現(xiàn)“窄波段”變“寬波段”。建立PLSR土壤估算模型，大多數(shù)土壤指標(biāo)模型估算精度能夠達(dá)到0.7以上，可實(shí)現(xiàn)精確的估算;TP模擬R2相對較低，可用于粗略估算。同時提供了大慶地區(qū)土壤TN、 TP、TK養(yǎng)分的MODIS專項(xiàng)制圖，實(shí)現(xiàn)了預(yù)測信息可視化。其對于實(shí)時快速監(jiān)測大面積土壤環(huán)境變化、預(yù)測土壤信息變化趨勢、預(yù)警生態(tài)災(zāi)難、建立我國土壤養(yǎng)分?jǐn)?shù)據(jù)庫和降低土壤成分監(jiān)測成本具有重要的現(xiàn)實(shí)意義。

【參 考 文 獻(xiàn)】

[1]童慶禧， 張賓，鄭蘭芬.高光譜遙感的多學(xué)科運(yùn)用[M]. 北京：電子工業(yè)出版社， 2006.

TONG Q X， ZHANG B， ZHENG L F. Hyperspectral remote sensing