采用無人機(jī)載高分辨率光譜儀反演土壤有機(jī)碳含量

祝元麗，王冬艷，張 鶴，石 璞,

采用無人機(jī)載高分辨率光譜儀反演土壤有機(jī)碳含量

祝元麗1，王冬艷1，張 鶴2，石 璞1,2※

（1. 吉林大學(xué)地球科學(xué)學(xué)院，長春 130012；2. 比利時(shí)法語魯汶大學(xué)地球與生命研究所，比利時(shí)新魯汶 1348）

小型無人機(jī)（Unmanned Aerial Vehicle，UAV）平臺(tái)與土壤高光譜技術(shù)的有機(jī)結(jié)合可作為一種快速、準(zhǔn)確獲取高分辨率土壤有機(jī)碳（Soil Organic Carbon，SOC）空間信息的手段，適用于精準(zhǔn)農(nóng)業(yè)管理和土地監(jiān)測，但目前該方面應(yīng)用不多。該研究選取中國東北黑土和比利時(shí)黃土研究區(qū)，通過構(gòu)建與UAV兼容的土壤高光譜數(shù)據(jù)獲取平臺(tái)，研究其在暗室和野外自然光條件下快速反演SOC含量的能力；進(jìn)行多源光譜數(shù)據(jù)修正，探索暗室SOC模型直接應(yīng)用到野外條件的可行性。結(jié)果表明：1）暗室條件下構(gòu)建的基于UAV兼容光譜數(shù)據(jù)（FX）的偏最小二乘回歸（Partial Least Squares Regression，PLSR）模型能準(zhǔn)確預(yù)測2個(gè)研究區(qū)的SOC含量（相對分析誤差大于1.6，2≥0.65）；2）野外自然光條件下構(gòu)建的SOC預(yù)測模型精度略有下降（2=0.58），但SOC含量估算值與實(shí)測值的值域相近，說明仍能捕捉SOC含量在其值域的變化；3）利用校準(zhǔn)標(biāo)樣對不同光照條件下的FX數(shù)據(jù)進(jìn)行修正，將基于實(shí)驗(yàn)室光譜數(shù)據(jù)的PLSR模型應(yīng)用于野外光譜數(shù)據(jù)，為實(shí)現(xiàn)無需實(shí)地采樣即可利用無人機(jī)載高光譜數(shù)據(jù)進(jìn)行SOC快速調(diào)查奠定了基礎(chǔ)。

無人機(jī)；高光譜；土壤；有機(jī)碳；偏最小二乘回歸；便攜地物光譜儀

0 引 言

土壤有機(jī)碳（Soil Organic Carbon，SOC）作為土壤總碳庫的核心組成部分[1]，其含量動(dòng)態(tài)對農(nóng)用地生產(chǎn)力和土壤生態(tài)系統(tǒng)服務(wù)功能的演變具有重要控制作用[2-3]。因此，精準(zhǔn)農(nóng)業(yè)管理亟需對田塊尺度SOC時(shí)空分布特征進(jìn)行高分辨率、高精度的量化與監(jiān)測。傳統(tǒng)的濕式化學(xué)測定SOC的方法通常依賴于野外土樣采集和實(shí)驗(yàn)室儀器分析，時(shí)間和經(jīng)濟(jì)成本較高，難以進(jìn)行大尺度和多頻次的SOC監(jiān)測[4]。近年來，快速發(fā)展的可見光-近紅外高光譜技術(shù)被廣泛用于SOC含量反演，以解決對SOC大數(shù)據(jù)的需求與高成本之間的矛盾[5]。依賴于土壤光譜反射率與SOC含量之間的光譜響應(yīng)關(guān)系，眾多國內(nèi)外學(xué)者采用室內(nèi)光譜傳感器將土壤高光譜技術(shù)發(fā)展為量化SOC的常規(guī)手段[6-8]。然而，基于室內(nèi)光譜儀的SOC反演所獲取的通常為密度較低的點(diǎn)狀SOC數(shù)據(jù)，難以滿足精準(zhǔn)農(nóng)業(yè)背景下SOC空間分布快速可視化的要求。

小型商用無人機(jī)（Unmanned Aerial Vehicle，UAV）平臺(tái)具有機(jī)動(dòng)靈活的優(yōu)勢，近年來被廣泛應(yīng)用于國土資源空間調(diào)查。前人通過將UAV與高光譜技術(shù)有機(jī)結(jié)合進(jìn)行了植被長勢監(jiān)測、精準(zhǔn)分類與地物識(shí)別、病蟲害監(jiān)測、生產(chǎn)量和產(chǎn)量估算等多元化應(yīng)用[9]，而利用該技術(shù)進(jìn)行土壤屬性尤其是SOC監(jiān)測的應(yīng)用卻為數(shù)不多。Aldana-Jague等[10]采用小型UAV載多光譜相機(jī)，并結(jié)合Structure-from-motion算法，在英國洛桑實(shí)驗(yàn)站進(jìn)行了農(nóng)田裸土SOC反演的測試，證明了UAV平臺(tái)與土壤光譜數(shù)據(jù)的有機(jī)結(jié)合在預(yù)測SOC方面的廣闊前景。然而，上述研究采用的多光譜相機(jī)僅配備6個(gè)波段，存在波段寬度大（>10 nm）、光譜分辨率低的局限性[11-12]，影像特征點(diǎn)匹配難度較大，導(dǎo)致幾何校正效率與精度低，無法提供詳細(xì)的地物光譜特征信息。OceanOptics FX光譜儀可提供350～1 000 nm波段范圍內(nèi)超高光譜分辨率（0.39 nm）的數(shù)據(jù)，通常用于水質(zhì)檢測和食品質(zhì)量控制等。與傳統(tǒng)推掃式光譜成像儀相比，該光譜儀體積小、質(zhì)量輕，可與負(fù)荷有限的小型UAV飛行平臺(tái)兼容，在田塊尺度SOC的快速量化和監(jiān)測方面具備潛在的適應(yīng)性，但其預(yù)測精度還需測試與驗(yàn)證。

野外環(huán)境下進(jìn)行無人機(jī)平臺(tái)光譜數(shù)據(jù)獲取還受到不同光照條件等外部環(huán)境的影響。Ben-dor等[13]通過使用澳大利亞Lucky Bay土壤標(biāo)樣（Internal Soil Standard，ISS）對不同環(huán)境下獲取的土壤光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化修正，進(jìn)而提升了多源光譜數(shù)據(jù)間的可比性和可傳遞性。但目前該修正方法多應(yīng)用于基于ASD系列光譜儀獲取的室內(nèi)光譜數(shù)據(jù)，還未有研究對UAV載高分辨光譜儀獲取的不同光照環(huán)境下的光譜數(shù)據(jù)進(jìn)行測試。

為此，本文選取可與UAV兼容的高分辨率FX可見光-近紅外光譜儀，測試其提供的高分辨率光譜數(shù)據(jù)（400～1 000 nm）進(jìn)行中國東北黑土帶和比利時(shí)黃土帶不同土壤類型SOC含量反演的適用性。在此基礎(chǔ)上，通過對實(shí)驗(yàn)室暗室條件和野外自然光條件下光譜數(shù)據(jù)進(jìn)行修正，對實(shí)驗(yàn)室SOC光譜反演模型的野外應(yīng)用進(jìn)行初步探索，以建立快速、準(zhǔn)確和詳細(xì)地評估農(nóng)田SOC時(shí)空變化的技術(shù)體系，為維持土地生產(chǎn)力和土壤生態(tài)系統(tǒng)功能服務(wù)。

1 材料與方法

1.1 研究區(qū)概況

為測試便攜式高光譜儀針對不同土壤類型的適用性，本文選取了比利時(shí)黃土帶和中國東北黑土帶2個(gè)研究區(qū)。比利時(shí)黃土帶研究區(qū)位于比利時(shí)中部瓦隆區(qū)Gembloux至Lincent的9.7 km寬、40 km長的狹長地帶（西南角：50°36′N、4°39′E；東北角：50°42′N、5°4′E）（圖1a），該地區(qū)是比利時(shí)的重要糧食產(chǎn)區(qū)，主要農(nóng)作物有甜菜、玉米和馬鈴薯等。區(qū)內(nèi)地勢起伏，氣候?yàn)闇貛ШＱ笮詺夂?，平均溫度介?.3 ℃（1月）和17.8 ℃（7月）之間，年平均降水量為790 mm[5]。該地區(qū)的主要土壤類型為風(fēng)成黃土衍生的淋溶土。中國東北黑土帶研究區(qū)（44°13′N～44°50′N、124°46′E～126°20′E）位于吉林省中部（圖1b），區(qū)內(nèi)耕地土壤肥沃，地形坡面長而緩。氣候?qū)儆跍貛Т箨懶约撅L(fēng)氣候，平均溫度介于?11.0 ℃（1月）和25.0 ℃（7月）之間，年平均降水量達(dá)到577 mm，玉米是當(dāng)?shù)氐闹饕Z食作物。該地區(qū)的土壤類型主要為黑土和黑鈣土，表層土壤中的有機(jī)碳含量普遍較高。

1.2 土壤樣品采集及有機(jī)碳測試

比利時(shí)黃土帶研究區(qū)采樣時(shí)間為2018年10月，共采集表土（0～10 cm）樣品83個(gè)。中國東北黑土帶研究區(qū)土壤的采集于2019年5月進(jìn)行，共采集表土（0～10 cm）樣品203個(gè)。2個(gè)研究區(qū)土壤采樣點(diǎn)的空間分布如圖1所示。

2個(gè)研究區(qū)遵循相同的樣品采集、實(shí)驗(yàn)室樣品預(yù)處理和SOC含量測定步驟：1）根據(jù)分層隨機(jī)取樣的原則選取采樣點(diǎn)，利用國際土壤參考資料和信息中心SoilGrids數(shù)據(jù)產(chǎn)品中的地區(qū)SOC分布，將SOC含量（質(zhì)量分?jǐn)?shù)，下同）劃分為5個(gè)不同的區(qū)間（0.5%～0.9%，>0.9%～1.3%，>1.3%～1.7%，>1.7%～2.1%，>2.1%～2.5%），并在同一SOC區(qū)間內(nèi)隨機(jī)選擇采樣點(diǎn)，以期為建立SOC高光譜反演模型提供完整的樣本數(shù)據(jù)。土樣采集過程中，用手持GPS（Garmin Etrex32X，瑞士）記錄每個(gè)采樣點(diǎn)的地理坐標(biāo)，每個(gè)采樣點(diǎn)采集約500 g土壤。2）所采集土樣在實(shí)驗(yàn)室烘干（72 h），并研磨過2 mm篩。處理后的土樣采用四分法分成2份，分別進(jìn)行SOC含量測定和土壤光譜數(shù)據(jù)數(shù)據(jù)獲取。其中，對供SOC含量測定的樣品進(jìn)一步研磨過100m篩。土樣的總碳含量測定使用VarioMax CN分析儀（Elementar GmbH，德國，精度：<0.5%）通過干燒原理進(jìn)行。對于10% HCl處理下出現(xiàn)明顯反應(yīng)的樣品，使用壓力鈣計(jì)法[14]測量無機(jī)碳含量，然后從總碳中減去無機(jī)碳含量，得到SOC含量。

1.3 土壤光譜數(shù)據(jù)采集

為確保穩(wěn)定的光線條件和一致的儀器配置及參數(shù)設(shè)定，2個(gè)研究區(qū)供試土壤的高光譜數(shù)據(jù)采集均在比利時(shí)法語魯汶大學(xué)地球與生命科學(xué)系進(jìn)行。采用與UAV兼容的OceanOptics FX和傳統(tǒng)的ASD FieldSpec 3 FR 2種不同型號(hào)的光譜儀進(jìn)行土壤光譜數(shù)據(jù)獲取，并在下文將其分別命名為FX和ASD光譜數(shù)據(jù)。為避免數(shù)據(jù)采集過程中外部光源的干擾，2種地物光譜儀的數(shù)據(jù)采集過程首先在暗室進(jìn)行，測量光源選用ASD公司生產(chǎn)的接觸探頭，該探頭內(nèi)置100 W鹵素反射燈（圖2）。測量過程中，將約60 g土壤樣品置于直徑9 cm培養(yǎng)皿中，并將接觸探頭與土壤表面輕觸進(jìn)行光譜數(shù)據(jù)采集。在暗室條件下共產(chǎn)出4種數(shù)據(jù)集，即NE-FX、BE-FX、NE-ASD、BE-ASD，分別對應(yīng)東北黑土帶（NE）和比利時(shí)黃土帶（BE）的2種光譜數(shù)據(jù)源（FX和ASD）。此外，為測試FX光譜儀在野外預(yù)測SOC的可行性，在室外自然光條件下對比利時(shí)供試土壤進(jìn)行光譜數(shù)據(jù)采集，得到BE-FXO數(shù)據(jù)源。

1.3.1 ASD光譜數(shù)據(jù)采集

ASD光譜數(shù)據(jù)采集過程全部在暗室條件下進(jìn)行（圖 2a）。在上述的光源設(shè)置及樣品準(zhǔn)備基礎(chǔ)上，參照Shi等[5]的儀器校正及測試步驟，對供試土壤在350～2 500 nm波段范圍進(jìn)行數(shù)據(jù)采集。每個(gè)土樣被重復(fù)掃描30次，并取其平均值作為儀器輸出數(shù)據(jù)。進(jìn)行光譜數(shù)據(jù)分析與建模之前，對數(shù)據(jù)進(jìn)行降噪處理，刪除波段范圍兩端的低信噪比數(shù)據(jù)，僅保留400～2 450 nm波段范圍。

1.3.2 FX光譜數(shù)據(jù)采集

FX光譜儀搭載CMOS探測器，積分時(shí)間低至10s，最快掃描速度為每秒可以獲取4 500條光譜數(shù)據(jù)。FX光譜數(shù)據(jù)采集過程在暗室和自然光2種條件下進(jìn)行：在暗室條件下（圖2c），采用與ASD相同的數(shù)據(jù)采集步驟和光源條件，經(jīng)降噪處理后輸出400～900 nm波段范圍的數(shù)據(jù)；在室外自然光照條件下，同樣首先用白色校正板進(jìn)行儀器校正，并將裝有土樣的培養(yǎng)皿置于FX光纖探頭下，探頭與樣品表面的距離保持在7.5 cm（圖2b）。每10個(gè)樣品重復(fù)一次儀器校正，以確保儀器的穩(wěn)定性和輸出數(shù)據(jù)的高質(zhì)量。光譜數(shù)據(jù)采集選擇晴朗天氣以避免云層對光線的干擾，并在2019年4月21日12:00—14:00日照條件最佳的時(shí)間段進(jìn)行。

1.4 SOC光譜預(yù)測模型開發(fā)

圖3描述了SOC預(yù)測模型的構(gòu)建與驗(yàn)證流程：1）采用FX和ASD光譜儀對中國東北和比利時(shí)研究區(qū)的土壤樣本進(jìn)行暗室和室外自然光條件下的光譜測量；2）將預(yù)處理的光譜數(shù)據(jù)與SOC實(shí)測數(shù)據(jù)相結(jié)合基于PLSR法構(gòu)建SOC預(yù)測模型，對不同區(qū)域、不同光譜儀、不同光照條件下的預(yù)測模型表現(xiàn)力進(jìn)行評估，以測試FX數(shù)據(jù)預(yù)測SOC的能力；3）對比利時(shí)供試土壤實(shí)驗(yàn)室和室外自然光條件下的FX數(shù)據(jù)進(jìn)行光譜修正，并將實(shí)驗(yàn)室模型應(yīng)用到野外光譜數(shù)據(jù)中，以評估修正后的模型在野外的適用性。

注：RPD為相對分析誤差；RPIQ為性能與四分位間距的比率射程；ISS為特定標(biāo)準(zhǔn)材料；VIP為方差重要性預(yù)測指數(shù)；下同。

1.4.1 SOC光譜反演模型構(gòu)建與驗(yàn)證

基于不同的土壤類型（東北黑土帶和比利時(shí)黃土帶）、光照條件（暗室和自然光）和光譜儀（FX和ASD），共獲得5組光譜數(shù)據(jù)（NE-FX、BE-FX、NE-ASD、BE-ASD、BE-FXO）。對5組光譜數(shù)據(jù)源進(jìn)行獨(dú)立的SOC預(yù)測模型構(gòu)建與驗(yàn)證，以對比分析FX和ASD預(yù)測不同土壤類型SOC含量的精度。

首先，選擇光譜反射率倒數(shù)的對數(shù)、一階導(dǎo)數(shù)輔以Savitzky-Golay三次多項(xiàng)式平滑處理、標(biāo)準(zhǔn)正態(tài)變量3種方式對原始土壤光譜數(shù)據(jù)進(jìn)行預(yù)處理，最終選擇SOC預(yù)測模型精度最高的預(yù)處理方式。預(yù)處理過后，SOC預(yù)測模型的開發(fā)采用偏最小二乘法（Partial Least Squares Regression，PLSR）進(jìn)行，將預(yù)處理后的光譜數(shù)據(jù)以3∶1的比例隨機(jī)分為建模數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，使用建模數(shù)據(jù)集校準(zhǔn)PLSR預(yù)測模型，校準(zhǔn)過程結(jié)合十折交叉驗(yàn)證來優(yōu)化建模參數(shù)；然后，使用驗(yàn)證數(shù)據(jù)集對模型的預(yù)測效果進(jìn)行評估，采用驗(yàn)證的決定系數(shù)（2）、均方根誤差（Root Mean Square Error，RMSE）、相對分析誤差（Relative Prediction Error，RPD）、性能與四分位間距的比率射程（Ratio of Performance to Inter Quartile Range，RPIQ）作為模型的評價(jià)標(biāo)準(zhǔn)[15]。RPD值可以用來解釋模型的預(yù)測能力，當(dāng)RPD>1.4時(shí)，表明模型可以進(jìn)行預(yù)測[11]。此外，為了檢測影響SOC預(yù)測的主要光譜波段，進(jìn)行方差重要性預(yù)測指數(shù)（Variance Importance Projection，VIP）的計(jì)算，VIP可以直觀地反映出每個(gè)波段在解釋SOC時(shí)的重要性，VIP>1被認(rèn)為是檢測相關(guān)譜帶重要性的臨界值[16]。

需強(qiáng)調(diào)的是，上述建模和驗(yàn)證數(shù)據(jù)集的3∶1隨機(jī)分配和PLSR模型校準(zhǔn)和驗(yàn)證過程共重復(fù)100次，即得出100組數(shù)據(jù)隨機(jī)分配條件下的模擬結(jié)果，目的是評估多次重復(fù)模擬下利用PLSR構(gòu)建SOC預(yù)測模型的魯棒性。最終2、RMSE、RPD、RPIQ結(jié)果均取100次模擬的平均值。光譜數(shù)據(jù)的預(yù)處理、PLSR建模以及模型驗(yàn)證過程均通過R軟件完成。

1.4.2 不同數(shù)據(jù)源間光譜數(shù)據(jù)修正與模擬

由于不同測量條件間存在的光照、測量距離等固有差異，比利時(shí)黃土帶供試土壤在暗室和自然光條件下采集的BE-FX和BE-FXO 2種數(shù)據(jù)源不具有可比性和傳遞性。因此，在不進(jìn)行光譜數(shù)據(jù)修正的情況下，基于BE-FX數(shù)據(jù)源的PLSR模型無法直接用于BE-FXO數(shù)據(jù)的SOC預(yù)測。這意味著未來將FX光譜儀實(shí)裝無人機(jī)平臺(tái)進(jìn)行野外數(shù)據(jù)獲取時(shí)，還需在研究區(qū)進(jìn)行額外的土壤樣品采集和SOC含量測定，才能開發(fā)對應(yīng)的基于無人機(jī)平臺(tái)光譜數(shù)據(jù)的SOC預(yù)測模型。為解決這一問題，Ben-dor等[13]提出土壤光譜數(shù)據(jù)標(biāo)準(zhǔn)化處理步驟。該步驟選用源自澳大利亞Lucky Bay的石英砂礫作為特定標(biāo)準(zhǔn)材料（稱作Internal Soil Standard，ISS）對不同光譜數(shù)據(jù)源進(jìn)行對準(zhǔn)與修正。修正公式如下：

本文利用式（1）對BE-FX和BE-FXO進(jìn)行修正，即將2種數(shù)據(jù)源的原始光譜乘以修正系數(shù)，得到BE-FX-C和BE-FXO-C數(shù)據(jù)集。最后，運(yùn)用1.4.1節(jié)建模方法建立基于BE-FX-C數(shù)據(jù)的PLSR模型，并將該模型應(yīng)用于BE-FXO-C數(shù)據(jù)，以評估基于實(shí)驗(yàn)室光譜數(shù)據(jù)的PLSR模型是否可直接應(yīng)用于野外光譜數(shù)據(jù)，實(shí)現(xiàn)未來無人機(jī)應(yīng)用中避免額外野外采樣和實(shí)驗(yàn)室測試的目的。

2 結(jié)果與分析

2.1 供試土壤有機(jī)碳及光譜特性

中國東北黑土帶（NE）和比利時(shí)黃土帶（BE）供試土壤的SOC含量均呈正態(tài)分布（圖4a），2個(gè)研究區(qū)大部分土壤樣品的SOC質(zhì)量分?jǐn)?shù)在1%～2%之間。其中，東北黑土帶土壤的平均SOC質(zhì)量分?jǐn)?shù)（1.51%）較比利時(shí)黃土帶（1.30%）高。圖4b是ASD光譜儀采集的中國東北黑土帶研究區(qū)和比利時(shí)黃土帶研究區(qū)樣本土壤原始光譜平均反射曲線，2個(gè)研究區(qū)的反射率曲線形態(tài)一致：大體上呈現(xiàn)均為向上凸起的拋物線型，在可見光波段反射率較低，在近紅外波段相對較高，走勢上具有相似性：均在可見光波段的400～780 nm上升較快，在短波近紅外（780～1 100 nm）和部分長波近紅外波段（1 100～1 300 nm）相對較緩，在長波近紅外的1 500～1 800 nm波段，坡度較緩，形成了1個(gè)較高的反射率高臺(tái)，在2 150 nm附近出現(xiàn)了反射峰，達(dá)到反射率的最大值，之后反射率開始下降。其中土壤光譜曲線在1 400、1 900和2 200 nm處存在較為明顯的水分吸收峰，通常被認(rèn)為與黏土礦物中所含的水分子和羥基有關(guān)[17]。圖4c是基于FX光譜儀采集的2個(gè)研究區(qū)樣本土壤的光譜平均反射曲線，均發(fā)現(xiàn)與圖4b中對應(yīng)波段的光譜曲線的趨勢相似，在400～900 nm波段范圍內(nèi)上升。

盡管土壤的光譜曲線在形態(tài)上基本相似，但不同的土壤類型因有機(jī)碳含量不同，對土壤的光譜曲線有一定的影響?；贏SD光譜儀和FX光譜儀采集的光譜數(shù)據(jù)，均能發(fā)現(xiàn)中國東北黑土的平均反射率低于比利時(shí)黃土，這是由于黑土顏色較深，表現(xiàn)出較高的吸收度，導(dǎo)致反射率偏低[7]。

2.2 暗室條件下SOC光譜反演評估

利用ASD和FX數(shù)據(jù)集，在2個(gè)研究區(qū)建立基于PLSR的SOC預(yù)測模型，結(jié)果如圖5所示。散點(diǎn)圖中的誤差棒為100次重復(fù)模擬結(jié)果的標(biāo)準(zhǔn)差，以揭示PLSR模型的魯棒性。通過2、RMSE、RPD和RPIQ等模型表現(xiàn)力評價(jià)指標(biāo)，發(fā)現(xiàn)暗室條件下采集的4種光譜數(shù)據(jù)源均能較好地預(yù)測SOC含量：4個(gè)PLSR模型驗(yàn)證的2均不小于0.65，RPD均大于1.6。其中，中國東北黑土帶研究區(qū)SOC預(yù)測模型的精度指標(biāo)表現(xiàn)更好，原因可能是東北黑土帶土壤樣品個(gè)數(shù)（203）較比利時(shí)黃土帶（83）更多，因此可以覆蓋更寬的SOC值域和更詳細(xì)的土壤光譜信息。最后，對比ASD和FX光譜數(shù)據(jù)在2個(gè)研究區(qū)的表現(xiàn)力，可以看出雖然ASD光譜數(shù)據(jù)衍生的SOC預(yù)測模型的精度更高，但基于FX光譜數(shù)據(jù)的SOC預(yù)測模型依然可以較好地捕捉到SOC含量在其值域的變化，2不小于0.65，RPD大于1.6，并且SOC含量估算值與實(shí)測值的值域相近?；?種數(shù)據(jù)源的SOC預(yù)測模型的RMSE差別不大，這證明了利用FX光譜儀覆蓋的400～900 nm光譜數(shù)據(jù)進(jìn)行SOC含量預(yù)測的可行性。

通過計(jì)算PLSR模型中各波段的VIP值來分析不同波段在SOC預(yù)測模型中的重要性，VIP值大于1作為界定顯著波段的閾值。從圖6可以看出，2個(gè)研究區(qū)和2種光譜數(shù)據(jù)源對應(yīng)的VIP曲線具有高度相似性。具體來說，可見光（400～800 nm）波段在FX和ASD 2種數(shù)據(jù)源的SOC模型中均起到了最重要作用。其中，基于FX光譜數(shù)據(jù)的PLSR模型受藍(lán)光和綠光波段（400～600 nm）的控制作用較大，尤其是在東北黑土帶，而對于比利時(shí)黃土帶，基于FX光譜數(shù)據(jù)的PLSR模型還發(fā)現(xiàn)在850 nm左右的重要波段?？梢姽獠ǘ卧赟OC光譜預(yù)測模型中的重要性已被多次提及[7,15,18]，這是由于土壤發(fā)色團(tuán)和有機(jī)質(zhì)本身黑色的影響，決定了在視覺上表現(xiàn)為暗黑色的土壤比亮色的SOC含量更高。此外，基于ASD光譜數(shù)據(jù)的PLSR模型還在短波紅外區(qū)域（1 900 nm，2 200～2 400 nm等）出現(xiàn)了顯著波段，這主要是由于土壤有機(jī)化合物中NH、CH和CO等基團(tuán)的分子振動(dòng)的倍頻與合頻吸收對上述波段反射率的影響[7,15]，進(jìn)而與SOC含量相關(guān)。鑒于可見光波段在SOC預(yù)測中的主導(dǎo)作用，證明了覆蓋可見光波段范圍的FX光譜數(shù)據(jù)可以較好地預(yù)測SOC含量。

2.3 不同源光譜數(shù)據(jù)修正及模擬

與暗室條件下獲取的光譜數(shù)據(jù)相比，室外自然光條件下獲取的光譜數(shù)據(jù)因光線條件的不穩(wěn)定、室外濕度變化等外部條件的影響，信噪比通常較低。因此，這類野外光譜數(shù)據(jù)用作SOC含量預(yù)測時(shí)，模型精度需進(jìn)一步測試。本文利用BE-FXO數(shù)據(jù)集建立PLSR預(yù)測模型，發(fā)現(xiàn)該類數(shù)據(jù)可以較準(zhǔn)確地預(yù)測比利時(shí)黃土帶供試土壤的SOC含量（RPD>1.4，2=0.58）（圖7a）。與基于BE-FX數(shù)據(jù)的SOC預(yù)測模型表現(xiàn)力進(jìn)行對比，BE-FXO數(shù)據(jù)建立的模型表現(xiàn)力略有下降，其中2由0.65降至0.58，RMSE由0.26%上升至0.29%，但仍能捕捉SOC含量在其值域的變化。

以往的研究表明，基于實(shí)驗(yàn)室光譜建立的土壤成分反演模型常常難以直接應(yīng)用到野外研究中[19]，因此在上文利用不同光照條件下FX光譜數(shù)據(jù)進(jìn)行獨(dú)立SOC模型構(gòu)建與驗(yàn)證的基礎(chǔ)上，繼續(xù)探索是否可以將暗室光譜數(shù)據(jù)庫構(gòu)建的模型直接應(yīng)用于野外光譜數(shù)據(jù)以進(jìn)行SOC快速預(yù)測，即利用BE-FX數(shù)據(jù)進(jìn)行SOC模型構(gòu)建與校準(zhǔn)，并將該模型應(yīng)用于BE-FXO數(shù)據(jù)進(jìn)行SOC預(yù)測。該方法在無人機(jī)載土壤光譜探測領(lǐng)域具有廣闊的應(yīng)用前景，因?yàn)槟壳袄酶吖庾V預(yù)測土壤屬性還依賴于在研究區(qū)內(nèi)進(jìn)行獨(dú)立的土壤樣品采集并建立土壤屬性數(shù)據(jù)庫，以供光譜反演模型的構(gòu)建與校準(zhǔn)。在未來的應(yīng)用中，如果可以依靠已存的土壤測量數(shù)據(jù)和實(shí)驗(yàn)室光譜數(shù)據(jù)構(gòu)建預(yù)測模型，并直接應(yīng)用于無人機(jī)平臺(tái)獲取的光譜數(shù)據(jù)，將極大程度上節(jié)省人力物力，充分發(fā)揮遙感優(yōu)勢[16,20]。

為此，本文采用了多源光譜數(shù)據(jù)修正的方法。應(yīng)用修正系數(shù)對BE-FX和BE-FXO數(shù)據(jù)集進(jìn)行修正（具體步驟見1.4.2），得到BE-FX-C和BE-FXO-C數(shù)據(jù)集。將基于BE-FX-C數(shù)據(jù)集構(gòu)建的PLSR模型應(yīng)用于BE-FXO-C數(shù)據(jù)集，驗(yàn)證結(jié)果（2=0.53，RMSE=0.29%，RPD=1.45，RPIQ=1.75）顯示該方法雖然使模型的精度略有下降（圖7b），但SOC含量估算值與實(shí)測值的值域相近，說明其預(yù)測精度仍能捕捉SOC的值域變化，且模型表現(xiàn)力指標(biāo)與前人在相同研究區(qū)利用空載Airborne Prism Experiment高光譜影像進(jìn)行SOC預(yù)測所取得的精度類似（2=0.56，RMSE=0.3%）[21]，證明了利用該類修正方法進(jìn)行SOC含量無人機(jī)光譜反演的可行性。

此外，與圖7a中基于BE-FXO數(shù)據(jù)的PLSR模型對比，交叉使用不同源光譜數(shù)據(jù)進(jìn)行SOC預(yù)測（圖 7b），其RMSE仍然保持在0.29%，這意味著經(jīng)修正后的不同源光譜數(shù)據(jù)具有高度可比性和傳遞性，可以有效地降低野外環(huán)境對野外光譜的影響。在該修正方法的支持下，未來基于高光譜數(shù)據(jù)的SOC含量預(yù)測可以免除因獨(dú)立SOC模型構(gòu)建而帶來的額外土樣采集等成本支出，極大地提高了野外光譜數(shù)據(jù)的利用效率，同時(shí)也證實(shí)了實(shí)驗(yàn)室模型遷移至野外應(yīng)用的潛質(zhì)?？偠灾疚耐ㄟ^有機(jī)集成多源光譜數(shù)據(jù)修正、實(shí)驗(yàn)室SOC預(yù)測模型構(gòu)建以及無人機(jī)兼容的高分辨率光譜數(shù)據(jù)獲取平臺(tái)，實(shí)現(xiàn)了不同研究區(qū)SOC含量高效精準(zhǔn)量化，為未來無人機(jī)載高光譜數(shù)據(jù)在土壤環(huán)境監(jiān)測、數(shù)字土壤制圖、精準(zhǔn)農(nóng)業(yè)等領(lǐng)域的廣泛應(yīng)用提供了一定的技術(shù)參考。

最后，作為對一種與UAV兼容的便攜式地物光譜儀的初步測試，本文研究結(jié)果證明了該類光譜數(shù)據(jù)預(yù)測SOC含量的能力以及其在無人機(jī)平臺(tái)的廣闊前景。需要注意的是，本研究中的BE-FXO光譜數(shù)據(jù)是在與野外條件相似的環(huán)境下采集（自然光照條件和傳感器參數(shù)設(shè)定等），并非在飛行過程中獲取。后續(xù)研究需要考慮實(shí)際飛行條件下不同采樣點(diǎn)環(huán)境因素（如光照條件、土壤水分、土壤表面粗糙度）差異性對野外光譜數(shù)據(jù)的影響[22-23]，通過光譜修正的方法，提高實(shí)驗(yàn)室預(yù)測模型對野外無人機(jī)載光譜數(shù)據(jù)的適用范圍。

3 結(jié) 論

探索了無人機(jī)（Unmanned Aerial Vehicle，UAV）兼容的高分辨率光譜儀對快速預(yù)測農(nóng)田土壤有機(jī)碳（Soil Organic Carbon，SOC）含量的適用性。立足于中國東北黑土帶和比利時(shí)黃土帶2個(gè)研究區(qū)，使用無人機(jī)載OceanOptics FX光譜儀在暗室和自然光條件下進(jìn)行光譜數(shù)據(jù)采集，并構(gòu)建SOC預(yù)測模型。結(jié)果表明：

1）暗室條件下獲取的FX光譜數(shù)據(jù)構(gòu)建的偏最小二乘回歸模型能準(zhǔn)確地預(yù)測2個(gè)研究區(qū)土壤的SOC含量，這歸功于FX光譜儀覆蓋的400～900 nm波段范圍為SOC建模提供了重要的土壤光譜特性；

2）利用室外自然光條件下獲取的FX光譜數(shù)據(jù)受外部不穩(wěn)定條件的影響，構(gòu)建的SOC預(yù)測模型精度略有下降，但SOC含量估算值與實(shí)測值的值域相近，說明仍能捕捉SOC含量在其值域的變化；

利用校準(zhǔn)標(biāo)樣對不同光照條件下的FX光譜數(shù)據(jù)進(jìn)行修正，可以實(shí)現(xiàn)SOC預(yù)測模型在不同源光譜數(shù)據(jù)間的轉(zhuǎn)移應(yīng)用。這意味著未來依賴于已有的土壤光譜數(shù)據(jù)庫，基于無人機(jī)平臺(tái)的土壤高光譜數(shù)據(jù)可直接進(jìn)行模型驗(yàn)證與SOC含量預(yù)測，免去了額外土樣采集的困擾，拓寬了該類平臺(tái)的應(yīng)用前景和范圍。后續(xù)研究中應(yīng)考慮無人機(jī)實(shí)際飛行條件下土壤粗糙度、土壤水分等干擾因素對光譜數(shù)據(jù)質(zhì)量的影響和可行的修正辦法。

[1]Li Y W, Duan X W, Li Y, et al. Interactive effects of land use and soil erosion on soil organic carbon in the dry-hot valley region of southern China[J]. Catena, 2021, 201: 105187.

[2]He L Y, Lu S X, Wang C G, et al. Changes in soil organic carbon fractions and enzyme activities in response to tillage practices in the Loess Plateau of China[J]. Soil and Tillage Research, 2021, 209: 104940.

[3]Xu Erqi, Zhang Hongqi, Xu Yongmei. Exploring land reclamation history: Soil organic carbon sequestration due to dramatic oasis agriculture expansion in arid region of Northwest China[J]. Ecological Indicators, 2020, 108: 105746.

[4]朱登勝，吳迪，宋海燕，等. 應(yīng)用近紅外光譜法測定土壤的有機(jī)質(zhì)和pH值[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(6)：196-199. Zhu Dengsheng, Wu Di, Song Haiyan, et al. Determination of organic matter contents and pH values of soil using near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(6): 196-199. (in Chinese with English abstract)

[5]Shi P, Castaldi F, van Wesemael B, et al. Vis-NIR spectroscopic assessment of soil aggregate stability and aggregate size distribution in the Belgian Loam Belt[J]. Geoderma, 2020, 357: 113958.

[6]Stenberg B, Viscarra Rossel R A, Mouazen A M, et al. Visible and near infrared spectroscopy in soil science[J]. Advances in Agronomy, 2010, 107: 163-215.

[7]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(jī)質(zhì)光譜預(yù)測模型[J]. 中國科學(xué)：地球科學(xué)，2014，44(5)：978-988. Shi Zhou, Wang Qianlong, Peng Jie, et al. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Scientia Sinica, 2014, 44(5): 978-988. (in Chinese with English abstract)

[8]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[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(02): 105-113. (in Chinese with English abstract)

[9]孫剛，黃文江，陳鵬飛，等. 輕小型無人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(3)：1-17. Sun Gang, Huang Wenjiang, Chen Pengfei, et al. Advances in uav-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17. (in Chinese with English abstract)

[10]Aldana-Jague E, Heckrath G, Macdonald A, et al. UAS-based soil carbon mapping using VIS-NIR (480–1000 nm) multi-spectral imaging: Potential and limitations[J]. Geoderma, 2016, 275: 55-66.

[11]Castaldi F, Palombo A, Santini F, et al. Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon[J]. Remote Sensing of Environment, 2016, 179(15): 54-65.

[12]Gini R, Passoni D, Pinto L, et al. Use of Unmanned Aerial Systems for multispectral survey and tree classification: A test in a park area of northern Italy[J]. European Journal of Remote Sensing, 2014, 47(1): 251-269.

[13]Ben-dor E, Ong C, Lau I C. Reflectance measurements of soils in the laboratory: Standards and protocols[J]. Geoderma, 2015, 245/246: 112-124.

[14]Sherrod L, Dunn G, Peterson G, et al. Inorganic carbon analysis by modified pressure-calcimeter method[J], Soil Science Society of America Journal, 2002, 66: 299-305.

[15]Ward K J, Chabrillat S, Neumann C, et al. A remote sensing adapted approach for soil organic carbon prediction based on the spectrally clustered LUCAS soil database[J]. Geoderma, 2019, 353: 297-307．

[16]陳頌超，彭杰，紀(jì)文君，等. 水稻土可見-近紅外-中紅外光譜特性與有機(jī)質(zhì)預(yù)測研究[J]. 光譜學(xué)與光譜分析，2016，36(6)：1712-1716. Chen Songchao, Peng Jie, Ji Wenjun, et al. Study on the characterization of VNIR-MIR spectra and prediction of soil organic matter in paddy soil[J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1712-1716. (in Chinese with English abstract)

[17]李碩，李春蓮，陳頌超，等. 基于野外可見近紅外光譜和水分影響校正算法的土壤剖面有機(jī)碳預(yù)測[J]. 光譜學(xué)與光譜分析，2021，41(4) ：1234-1239. Li Shuo, Li Chunlian, Chen Songchao, et al. Removing the Effects of Water From Visible-Near Infrared Spectra in Soil Profiles for the Estimation of Organic Carbon[J]. Spectroscopy and Spectral Analysis, 2021, 41(4): 1234-1239. (in Chinese with English abstract)

[18]Lazaar A, Mouazen A M, Hammouti K E, et al. The application of proximal visible and near-infrared spectroscopy to estimate soil organic matter on the Triffa Plain of Morocco[J]. International Soil and Water Conservation Research, 2020, 8: 195-204.

[19]鄒濱，涂宇龍，姜曉璐，等. 土壤Cd含量實(shí)驗(yàn)室與野外DS光譜聯(lián)合反演[J]. 光譜學(xué)與光譜分析，2019，39(10)：3223-3231. Zou Bin, Tu Yulong, Jiang Xiaolu, et al. Estimation of Cd Content in Soil Using Combined Laboratory and Field DS Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2019, 39(10): 3223-3231. (in Chinese with English abstract)

[20]Zhang C H, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693-712．

[21]Shi P, Castaldi F, van Wesemael B, et al. Large-scale, high-resolution mapping of soil aggregate stability in croplands using APEX hyperspectral imagery[J]. Remote Sensing, 2020, 12: 666.

[22]Lagacherie P, Baret F, Féret J B, et al. Estimation of Soil Clay and Calcium Carbonate Using Laboratory, Field and Airborne Hyperspectral Measurements[J]. Remote Sensing of Environment, 2008, 112(3): 825-835.

[23]Ackerson J P, Morgon C L S, Ge Y. Penetrometer-mounted VisNIR spectroscopy: Application of EPO-PLS to in situ VisNIR spectra[J]. Geoderma, 2017, 286: 131-138.

Soil organic carbon content retrieved by UAV-borne high resolution spectrometer

Zhu Yuanli1, Wang Dongyan1, Zhang He2, Shi Pu1,2※

(1.,,130012,; 2.,,--1348,)

Soil stores more carbon in the terrestrial ecosystem than the combined vegetation and atmosphere. Soil organic carbon (SOC) as the key component of soil carbon pool is highly sensitive to earth surface evolution and anthropogenic-induced changes in climate and agricultural management practices. The spatiotemporal dynamics can exert important controls over soil productivity and ecosystem services. There is thus an increasing demand to quantify SOC at sufficiently high resolution and accuracy, thereby detecting localized soil degradation as well as ensuring sustainable agricultural management. Field-, airborne and satellite-based multi-platform Visible and Near-Infrared (Vis-NIR) reflectance spectroscopy has increasingly been used as a fast and effective tool to predict SOC, and thereby capture the variability at field to landscape scales. Comparing to the satellite-based remote sensing systems, commercially available portable Unmanned Aerial Vehicle (UAV) equipped with high-resolution Vis-NIR spectrometers can greatly improve the spatial resolution and acquisition efficiency of soil spectral information. It is also more flexible to carry out field surveys thanks to the small size, but applications of UAV-based spectroscopic assessment of SOC so far are still scarce. In this study, a UAV-compatible soil hyperspectral data acquisition platform was tested in two types of soil located in the Northeastern Black Soil Belt of China and the Belgian Loam Belt. The specific objectives were: 1) to test the ability of UAV-compatible Vis-NIR spectrometer for the accurate prediction of SOC content; and 2) to explore a spectral correction approach in a laboratory-based spectral model under field conditions. Soil hyperspectral data was gathered in a dark room and under natural sunlight. Subsequently, spectral-based SOC prediction models were developed using Partial Least Squares Regression (PLSR). Results show that: 1) PLSR models behaved excellent performances for both study sites using UAV-compatible spectral data (FX) from a dark room with the Relative Percent Difference (RPD) higher than 1.6 and2≥0.65. 2) FX spectral data acquired under natural sunlight also achieved an acceptable PLSR model (RPD=1.48,2=0.58) suitable for capturing the range of variation in SOC, although the accuracy slightly decreased, compared with the dark room. 3) A standard sand sample from Lucky Bay (Australia) was selected to correct and align the FX spectral data under two light conditions. The PLSR model using the laboratory spectra was directly applied to field spectra for the excellent performance (2= 0.53, RMSE= 0.29%, RPD = 1.45, RPIQ = 1.75). The spectral correction approach can offer promising potential in future applications to avoid the large sampling, when using UAV-based spectroscopy to rapidly assess SOC. This finding highlighted the UAV-based hyperspectral remote sensing to predict SOC in a fast, accurate and detailed fashion, providing technical reference in fields, such as digital soil mapping and precision agriculture. Future studies can explore the influence of soil surface roughness and moisture on the quality of soil spectral data acquired from UAV platforms, thereby correcting for the noise caused by external factors.

UAV; hyperspectrum; soils; organic carbon; partial least squares regression; portable spectrometer

祝元麗，王冬艷，張鶴，等. 采用無人機(jī)載高分辨率光譜儀反演土壤有機(jī)碳含量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(6)：66-72.doi：10.11975/j.issn.1002-6819.2021.06.009 http://www.tcsae.org

Zhu Yuanli, Wang Dongyan, Zhang He, et al. Soil organic carbon content retrieved by UAV-borne high resolution spectrometer[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 66-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.009 http://www.tcsae.org

2020-10-28

2021-01-10

國家自然科學(xué)基金項(xiàng)目（41807059）；吉林省科技發(fā)展計(jì)劃項(xiàng)目（20190103108JH）；吉林大學(xué)研究生創(chuàng)新基金資助項(xiàng)目（101832020CX221）

祝元麗，博士生，主要研究方向?yàn)橥寥狼治g。Email：yuanliz18@ mails.jlu.edu.cn

石璞，博士，副教授，博士生導(dǎo)師，主要研究方向?yàn)橥寥劳嘶c防治。Email：shipu@jlu.edu.cn

10.11975/j.issn.1002-6819.2021.06.009

S153.6

A

1002-6819(2021)-06-0066-07