S185应用案例--农田土壤有机质的高光谱影像遥感

定量检测耕地土壤有机质（SOM），并掌握其空间变化对于农业可持续发展具有很重要的意义。本研究通过成像光谱技术旨在分析SOM之间及不同像元大小的高光谱图像的反射率，并建立了估算SOM的最优模型。本文采用小波变换的方法分析高光谱反射率和SOM之间的相关性。然后筛选出最佳的像素尺寸和敏感的小波特征尺度，用于开发SOM的反演模型。结果表明土壤光谱的小波变换有助于提高小波特征和SOM的相关性，在可见波长范围内，SOM的特征波峰主要集中在460-603nm。随着波长的增加，小波对应相关系数最大然后逐渐下降，在近红外波段，SOM的易感小波特征主要集中在762-882nm。随着波长的增加，小波尺度逐渐减小。本研究采用逐步线性回归（SLR）的方法，建立了连续小波变换的多元模型。CWT-SLR模型比单变量模型的准确度更高。随着重采样尺度的增大，CWT-SLR模型的精度逐渐提高，而测定系数（R2）从0.52上升到0.59。5*5的R2最高（0.5954），RMSE最低（2.41g/kg）。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM估计能力。

1.前言：

土壤有机质（SOM）是农田肥力的重要指标之一，有利于作物的产量改良。定量监测耕地土壤有机质（SOM），并掌握其空间变化有利于农业生产力的调整和可持续发展。高光谱技术可用于农作物的快速无损检测。国内外学者对耕地土壤有机质光谱响应进行了大量的研究。Galvao等人发现550-700nm土壤光谱的吸收峰主要受土壤有机质的影响。Stoner等人指出，如果SOM含量低于2％，土壤高光谱影响不大来自SOM。Morra等证明短波近红外波段适合区分土壤有机物成分。顾等人对敏感带进行筛选，开发了反演模型，并绘制了其县级分布耕地的SOM。土壤类型的差异导致了模型和结果的不一致性，这是现有研究的最大缺陷，也是高光谱成像技术监测土壤有机质的有效性不高的原因。无人机遥感技术近年来迅速发展，可以用来有效解决卫星数据缺失的适当遥感以其灵活的监测能力。通过在无人机平台上使用成像光谱仪，可以获得农田高光谱遥感影像，从而对小尺度土壤有机质的含量和空间分布进行规模监测。本研究旨在分析SOM与高光谱图像像元大小之间的响应，并提出用成像光谱技术估计SOM的模型最优化方法。

2.研究区域和材料：

        2014年在三个不同土壤类型研究区采集132个土壤样品，第一个研究区域为中国陕西省杨凌（YL）地区，土壤类型肥沃。第二个研究区域是河北省安平（AP）土壤类型为风沙土。第三个研究区域是北京市小汤山（XTS），土壤类型为潮土。所有研究区域主要轮作制度为冬小麦-夏玉米。

图1 预处理土壤样品

土壤样品的标准处理包括露天烘干，研磨和网筛，可有效避免水分和粒径对高光谱数据的影响。一部分土壤样品用于测量高光谱数据，另一部分用重铬酸钾滴定法测定有机质含量。使用德国机载实时高光谱成像仪（S185）来测量土壤样品。该光谱仪有125个波段（450-950nm），间隔为4nm，可在无人机上实时全波段同步成像。

表1 土壤有机质含量的统计特征值

图2 S185实时光谱成像光谱仪

图3 用S185扫描土壤样品

3.方法：

本研究的主要方法可以描述如下：经标准化预处理后，成像光谱仪获得土壤样品的高光谱图像。采用小波变换的方法分析高光谱反射率与SOM的相关性。然后筛选最佳像素尺寸和敏感小波特征尺度，建立SOM反演模型。未使用的土壤样本用来评估模型的准确性。通过确定系数（R2）来验证该模型的稳定性，由均方根误差（RMSE）验证模型的预测能力。

3.1 土壤高光谱图像的连续小波变换分析

本研究设计了5个像元尺度梯度，包括1*1，2*2，3*3，4*4和5*5。对土壤高光谱进行重采样图片。以墨西哥草帽‘mexh’小波基函数，对重采样进行连续小波变换土壤高光谱数据并计算小波分解尺度。有机质和有机质的相关性，小波分解尺度计算和映射如下。

A~1*1;B~2*2;C~3*3;D~4*4;E~5*5

图4 不同像素尺寸的相关系数矩阵图

图中的每个判定系数（R2）对应不同的光谱带和分解尺度，图中显示了SOM与小波尺度之间的敏感性。SOM的易感小波特征主要表现在：可见波长范围集中在460-603nm。随着波长的增加，小波尺度相关系数最大值增加，然后逐渐减小在近红外波长SOM的易感小波特征主要集中在762-882nm。随着波长的增加，小波尺度逐渐减小。因此土壤高光谱的小波变换有助于提高小波特征和SOM之间的相关性。

3.2建立SOM的反演模型

选中三分之二的土壤样品随机建立反演模型，其余的评估准确性。四个函数包括线性，对数，二次多项式和指数类型用来开发小波变换分解尺度的SOM反演模型。最佳模型在决定系数和RMSE的基础上进行了筛选。结果表明，不同采样尺度下的二次多项式函数模型最高决定系数。有5个重采样尺度的SOM的小波特征是WF6，WF6，WF6，WF6和WF21，相应的测定系数（R2）分别为0.3823,0.4025,0.4241,0.4256和0.4079。以往的研究表明多元模型可以达到比单变量模型更高的准确性，为了提高了准确性，本研究用连续小波变换的方法研究了连续小波变换的多元模型

逐步线性回归（SLR）。

表2 连续小波变换的SOM多元模型

从上表可以看出，CWT-SLR模型比单变量模型具有更高的精度。随着重采样尺度的增大，CWT-SLR模型的精度逐渐提高，而测定系数（R2）从0.52上升到0.59。5*5的测定系数最高（0.5954），RMSE最低（2.41g/kg）。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM估算能力。

3.3 验证

未使用的土壤样本用来评估CWT-SLR模型的精度。验证的主要指标包括相关系数（R2），均方根误差（RMSE）和估算的准确性（EA）。相关系数代表了所开发模型的稳定性，RMSE代表了所开发模型的预测能力。

图5 对不同重采样大小的CWT-SLR模型进行验证

验证结果表明，不同重采样尺度的CWT-SLR模型的相关系数在0.5001-0.5762之间波动，RMSE在2.55-2.71g/Kg之间波动。所有估计的准确度达到86.4％以上，表明小波特征可以有效地表示高光谱信息，消除冗余。随着再抽样比例的增加，CWT-SLR模型的精度也逐渐提高。5×5重采样CWT-SLR模型的R2最高（0.5762），RMSE为2.5547g/Kg，EA为87.19％。

4.结论和讨论

为了评估SOM与光谱仪在无人机UVA上的映射可行性，本研究旨在分析SOM与高光谱图像像素尺寸之间的响应，并建立了利用成像光谱技术估算SOM的最优模型。采用连续小波变换的方法分析高光谱反射率与SOM的相关性。筛选最佳像素尺寸和敏感小波特征尺度，开发SOM反演模型。结果表明，SOM的易感带主要集中在460-603nm和762-882nm之间。本研究采用逐步线性回归（SLR）的方法，建立了连续小波变换的多元模型。未使用的土壤样本被用来评估模型的准确性。随着再采样尺度的增加，CWT-SLR模型的精度逐渐提高。5*5的R2最高（0.5954），RMSE最低（2.41g/kg）。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM的估计能力。

原文链接：https://www.spiedigitallibrary.org/conference-proceedings-of-spie/10421/0000/Remote-sensing-of-soil-organic-matter-of-farmland-with-hyperspectral/10.1117/12.2278193.short?SSO=1