基于無(wú)人機(jī)高光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算

基于無(wú)人機(jī)高光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算

引言

東北黑土區(qū)作為我國(guó)重要的糧食生產(chǎn)優(yōu)勢(shì)區(qū)及商品糧供給地，玉米作為其主要作物之一，每年的產(chǎn)量占全國(guó)總產(chǎn)量的３０％以上。長(zhǎng)期以來(lái)對(duì)黑土的過(guò)度開(kāi)發(fā)利用導(dǎo)致土地退化嚴(yán)重，土壤有機(jī)質(zhì)（ＳＯＭ）含量作為土壤的重要組成部分，是反映土壤的肥力和質(zhì)量的主要標(biāo)志之一，對(duì)作物的生長(zhǎng)發(fā)育有著顯著影響。因此，快速、精確地監(jiān)測(cè)黑土區(qū)玉米關(guān)鍵生育期的ＳＯＭ含量及其空間差異，在農(nóng)田精準(zhǔn)施肥、玉米長(zhǎng)勢(shì)監(jiān)測(cè)、東北黑土地保護(hù)及可持續(xù)利用等方面具有重要意義。

北黑土區(qū)長(zhǎng)期被作物和積雪所覆蓋，為快速、精確地監(jiān)測(cè)黑土區(qū)的ＳＯＭ帶來(lái)了挑戰(zhàn)，已有學(xué)者針對(duì)東北黑土區(qū)ＳＯＭ的遙感估算開(kāi)展了大量研究。無(wú)人機(jī)遙感兼具時(shí)效快、低成本、高空間分辨率、不受云層影響等優(yōu)點(diǎn)，在中小尺度的ＳＯＭ估算方面受到了部分研究者的青睞。

實(shí)驗(yàn)部分

2.1 研究區(qū)概況

研究區(qū)位于吉林省梨樹(shù)縣境內(nèi)（圖１）四棵樹(shù)鄉(xiāng)的三棵樹(shù)村，地理位置４３°２０′１７．４″Ｎ，１２４°０′２９．１″Ｅ，屬北溫帶半濕潤(rùn)大陸性季風(fēng)氣候，土壤類(lèi)型主要為黑土（黏化濕潤(rùn)均腐土），四季分明。年均氣溫６．５℃，年日照時(shí)數(shù)２５４１ｈ，作物生長(zhǎng)期（５月—９月）內(nèi)為１１９２ｈ。年積溫＞０℃積溫３２４４℃，＞１０℃積溫３０３０℃；無(wú)霜期１５５ｄ。

圖１研究區(qū)的地理位置

如圖１所示，試驗(yàn)田為已經(jīng)進(jìn)行多年的長(zhǎng)期定位施肥試驗(yàn)，設(shè)置為玉米連作區(qū)的單因子裂區(qū)試驗(yàn)。裂區(qū)分別設(shè)置為傳統(tǒng)耕作和條耕秸稈覆蓋兩種耕作方式，每種耕作方式下包含３種施肥處理，分別為氮梯度、磷梯度和鉀梯度，每種處理設(shè)置４次重復(fù)。氮梯度為尿素（４６％Ｎ）控制，其中磷肥和鉀肥施用量分別為７５和９０ｋｇ·ｈｍ－２，氮肥施用設(shè)置５個(gè)水平：Ｎ１（０ｋｇ·ｈｍ－２）、Ｎ２（６０ｋｇ·ｈｍ－２）、Ｎ３（１２０ｋｇ·ｈｍ－２）、Ｎ４（１８０ｋｇ·ｈｍ－２）、Ｎ５（２４０ｋｇ·ｈｍ－２）；磷肥為過(guò)磷酸鈣（１８％Ｐ２Ｏ５）控制，其中氮肥和鉀肥施用量分別為１８０和９０ｋｇ·ｈｍ－２，磷肥施用設(shè)置５個(gè)水平：Ｐ１（０ｋｇ·ｈｍ－２）、Ｐ２（２５ｋｇ·ｈｍ－２）、Ｐ３（５０ｋｇ·ｈｍ－２）、Ｐ４（７５ｋｇ·ｈｍ－２）、Ｐ５（１００ｋｇ·ｈｍ－２）；鉀肥為氯化鉀（５０％Ｋ２Ｏ）控制，其中氮肥和磷肥施用量分別為１８０和７５ｋｇ·ｈｍ－２，鉀肥施用設(shè)置５個(gè)水平：Ｋ１（０ｋｇ·ｈｍ－２）、Ｋ２（３０ｋｇ·ｈｍ－２）、Ｋ３（６０ｋｇ·ｈｍ－２）、Ｋ４（９０ｋｇ·ｈｍ－２）、Ｋ５（１２０ｋｇ·ｈｍ－２）。共計(jì)１２０個(gè)小區(qū)，小區(qū)面積為１３３ｍ２，行距設(shè)置為７０ｃｍ，種植密度６２０００株·ｈｍ－２。

2.2土壤數(shù)據(jù)的采集和分析

根據(jù)玉米的生長(zhǎng)狀況及天氣情況，采樣時(shí)間分別為２０１９年玉米的拔節(jié)期（６月２３日）和吐絲期（８月１日）。根據(jù)五點(diǎn)采樣法，在每個(gè)小區(qū)進(jìn)行樣品采集，每個(gè)生育期采集１２０個(gè)樣本，兩生育期共計(jì)采集２４０個(gè)樣本，樣本采集的同時(shí)利用ＧＰＳ記錄每個(gè)樣本的坐標(biāo)，以便之后在高光譜數(shù)據(jù)中獲取與采樣點(diǎn)對(duì)應(yīng)的植被冠層光譜反射率值（Ｒ）。然后在室內(nèi)進(jìn)行土壤樣品的稱量后磨、風(fēng)干，過(guò)２ｍｍ篩，用重鉻酸鉀容量法測(cè)定ＳＯＭ含量。為增加建模結(jié)果的代表性，分別進(jìn)行了單生育期和兩生育期的數(shù)據(jù)分析及建模。將不同數(shù)據(jù)集按照７:３的比例進(jìn)行５次隨機(jī)劃分，其中７０％作為估算模型的建模集（單生育期為８４個(gè)樣本，兩生育期為１６８?jìng)€(gè)樣本），其余３０％則作為驗(yàn)證集（單生育期為３６個(gè)樣本，兩生育期為７２個(gè)樣本）。然后求取５次建模結(jié)果的平均值，使其結(jié)果更可靠。通過(guò)軟件對(duì)各生育期采樣點(diǎn)的ＳＯＭ含量進(jìn)行統(tǒng)計(jì)分析，結(jié)果見(jiàn)表１。

表１ 土壤樣本有機(jī)質(zhì)含量的統(tǒng)計(jì)特征

2.3無(wú)人機(jī)高光譜影像的采集

選擇晴朗無(wú)云，光照充足的無(wú)風(fēng)或微風(fēng)天氣，于北京時(shí)間１０：００—１５：００進(jìn)行高光譜影像的采集（太陽(yáng)高度角大于４５°）。利用無(wú)人機(jī)搭載相機(jī)，獲取影像數(shù)據(jù)。在影像上均勻選取若干個(gè)參考點(diǎn)，并以此為依據(jù)進(jìn)行幾何校正，確保影像誤差不超過(guò)０．５個(gè)像元，最終得到影像中各像元的光譜反射率值。

式（１）中，Ｒ目標(biāo)為目標(biāo)地物的反射率，ＤＮ目標(biāo)為目標(biāo)地物的ＤＮ均值，ＤＮ參考板為白色參考板的ＤＮ均值，Ｒ參考板為白色參考板的反射率值。

2.4無(wú)人機(jī)高光譜影像的采集

高光譜影像數(shù)據(jù)的波段數(shù)較多，其變量之間存在較為嚴(yán) 重的多重共線性。而由于作物的覆蓋使得我們無(wú)法直接獲取 土壤的光譜反射率。但土壤條件的差異會(huì)造成植被長(zhǎng)勢(shì)的不同，最終體現(xiàn)在植被冠層的光譜特征上。因此利用作物冠層 的光譜指數(shù)以監(jiān)測(cè)作物在不同生育期的生長(zhǎng)特征。選取了增 強(qiáng)植被指 數(shù)（ＥＶＩ）、可 見(jiàn) 光 耐 大 氣指 數(shù)（ＶＡＲＩ）和 近 紅外／近紅外（ＮＩＲ／ＮＩＲ）等２０種 植被指數(shù)。

ＳＯＭ估算模型的構(gòu)建與驗(yàn)證

本文采用以下幾種模型構(gòu)建并驗(yàn)證結(jié)果

（１）多元逐步線性回歸模型

ＳＭＬＲ的基本思想是按變量的方差貢獻(xiàn)度，從２１種協(xié)變量中逐一挑選重要變量并引入回歸模型，每次引入后都會(huì)對(duì)未選入的所有變量重新進(jìn)行預(yù)測(cè)誤差判斷，使得先前剔除的變量在新變量引入后對(duì)模型在具有貢獻(xiàn)時(shí)又被重新選入。直至篩選出最優(yōu)參數(shù)、建立最優(yōu)反演模型為止，回歸方程中始終只保留重要的變量。

（２）隨機(jī)森林模型

ＲＦ是將Ｂａｇｇｉｎｇ與決策樹(shù)算法進(jìn)行結(jié)合所得到的集成學(xué)習(xí)算法。該算法可以有效避免模型訓(xùn)練時(shí)的過(guò)擬合現(xiàn)象，同時(shí)有效抑制噪聲的負(fù)面影響，有利于地物高光譜特征的綜合利用。為防止過(guò)度擬合，初始的ｎｔｒｅｅ（樹(shù)的數(shù)量）設(shè)置為５００，ｍｔｒｙ（每個(gè)拆分中可供選擇的變量數(shù)量）則設(shè)置為所有自變量的個(gè)數(shù)。

（３）支持向量機(jī)模型

ＳＶＭ是一種二分類(lèi)模型的機(jī)器學(xué)習(xí)方法，它在高維或無(wú)限維空間中構(gòu)造一個(gè)或一組超平面對(duì)樣本進(jìn)行分割，可用于分類(lèi)或回歸。通過(guò)不同類(lèi)型的核函數(shù)（如線性、徑向、Ｓｉｇ－ｍｏｉｄ和多項(xiàng)式）實(shí)現(xiàn)超平面之間的良好分離。本研究選擇了線性核函數(shù)，基于帶寬代價(jià)參數(shù)和不敏感損失函數(shù)對(duì)支持向量機(jī)模型進(jìn)行了調(diào)整。

（４）ＸＧＢｏｏｓｔ模型

ＸＧＢｏｏｓｔ是在梯度下降樹(shù)（ＧＢＤＴ）的基礎(chǔ)上對(duì)ｂｏｏｓｔｉｎｇ算法進(jìn)行改進(jìn)的樹(shù)結(jié)構(gòu)增強(qiáng)模型。其基本思想是：首先構(gòu)建多個(gè)ＣＡＲＴ模型對(duì)數(shù)據(jù)集進(jìn)行預(yù)測(cè)，隨后將這些樹(shù)集成為一個(gè)新的樹(shù)模型，通過(guò)不斷地迭代提升，每次迭代生成的新樹(shù)模型都會(huì)擬合前一棵樹(shù)的殘差，直到達(dá)到最佳訓(xùn)練效果。

最后，選用決定系數(shù)（Ｒ２）、均方根誤差（ＲＭＳＥ）和歸一化均方根誤差（ｎＲＭＳＥ）３個(gè)參數(shù)進(jìn)行上述４種估算模型的精度評(píng)價(jià)。其中，Ｒ２用來(lái)評(píng)價(jià)模型的擬合優(yōu)度，取值范圍在０～１之間，越接近１，說(shuō)明擬合程度越好。ＲＭＳＥ和ｎＲＭＳＥ用來(lái)衡量ＳＯＭ預(yù)測(cè)值與觀測(cè)值之間的偏差，其值越小，說(shuō)明預(yù)測(cè)效果越好。其公式如式（３）、式（４）和式（５）所示

式中：Ｘｉ和Ｙｉ分別為ＳＯＭ實(shí)測(cè)值和ＳＯＭ預(yù)測(cè)值；為ＳＯＭ實(shí)測(cè)值的均值；為ＳＯＭ預(yù)測(cè)值的均值；ｎ為樣本數(shù)。

討論

無(wú)人機(jī)技術(shù)作為一種新型的遙感手段，兼具時(shí)效快、成本低、空間分辨率高、不受云層影響等優(yōu)點(diǎn)，在開(kāi)展精準(zhǔn)農(nóng)業(yè)研究中具有重要意義。無(wú)人機(jī)高光譜影像含有豐富的光譜信息，有研究表明其在ＳＯＭ估算方面具有切實(shí)可行性，而本研究也發(fā)現(xiàn)在田塊尺度上進(jìn)行ＳＯＭ的估算可以充分發(fā)揮其作用。然而，ＳＯＭ的估算研究大多集中在地形變化明顯的大范圍區(qū)域，其生物或氣候因素差異較大。本研究區(qū)尺度較小，其氣候、地形、坡度和母質(zhì)等均無(wú)明顯差異，增加了ＳＯＭ含量估算的難度。長(zhǎng)期施對(duì)土壤有機(jī)質(zhì)含量有著顯著影響，施用化肥（ＮＰＫ）會(huì)加速ＳＯＭ的分解，其ＳＯＭ含量從第３年開(kāi)始便下降明顯。而施用鉀肥可以提高土壤鉀，ＳＯＭ對(duì)土壤鉀具有“稀釋效應(yīng)”，兩者之間存在顯著的負(fù)相關(guān)關(guān)系。因此，本研究選用施肥量作為協(xié)變量參與建模，同時(shí)通過(guò)ＳＯＭ與施肥量的相關(guān)分析同樣也發(fā)現(xiàn)ＳＯＭ與施肥量具有非常顯著的負(fù)相關(guān)關(guān)系。

圖２ ＳＯＭ與各波段光譜反射率的相關(guān)系數(shù)

ＳＯＭ與可見(jiàn)光及近紅外波段之間的響應(yīng)關(guān)系密切，而黑土有機(jī)質(zhì)響應(yīng)波段則在４１５～１３８０ｎｍ。本研究通過(guò)ＳＯＭ與試驗(yàn)區(qū)高光譜數(shù)據(jù)的相關(guān)分析發(fā)現(xiàn)，其響應(yīng)波段在４５０～６４０ｎｍ處，與上述裸土的響應(yīng)波段存在一定差異。由于地表植被覆蓋使得獲取地表動(dòng)態(tài)反饋?zhàn)兊酶永щy，土壤有機(jī)質(zhì)與光譜反射率的關(guān)系也隨之減弱，而玉米冠層葉綠素含量較高，使得其與綠波段的相關(guān)性更強(qiáng)。吐絲期的ＳＯＭ與光譜反射率的相關(guān)性相較于拔節(jié)期在５５０～６４０ｎｍ處的相關(guān)關(guān)系更弱，這可能是由于吐絲期相較于拔節(jié)期裸露土壤面積減少的原因。土壤有機(jī)質(zhì)與光譜指數(shù)的相關(guān)性并不太顯著，可能是因?yàn)橄嚓P(guān)系數(shù)只能衡量?jī)蓚€(gè)分布之間的線性相關(guān)關(guān)系，多元變量間線性或非線性的相關(guān)關(guān)系則不能完全通過(guò)相關(guān)系數(shù)來(lái)體現(xiàn)。但通過(guò)引入施肥量作為協(xié)變量后，發(fā)現(xiàn)施肥量和部分光譜指數(shù)與ＳＯＭ的相關(guān)性相較于光譜指數(shù)與ＳＯＭ的相關(guān)性更高。

表2 不同ＳＯＭ估算模型的精度評(píng)價(jià)

同時(shí)，如表2所示，在田塊尺度下將施肥量作為協(xié)變量引入可以提高模型的Ｒ２，并降低ＲＳＭＥ。同時(shí)，通過(guò)特征重要性評(píng)分發(fā)現(xiàn)，施肥量作為協(xié)變量對(duì)ＳＯＭ估算的貢獻(xiàn)率最大，而各光譜指數(shù)的貢獻(xiàn)率則相對(duì)較小。

圖３ ＳＯＭ與各協(xié)變量的相關(guān)系數(shù)

經(jīng)過(guò)特征變量篩選后所建立的ＲＦ、ＳＶＭ和ＸＧＢｏｏｓｔ模型，根據(jù)驗(yàn)證集的驗(yàn)證結(jié)果發(fā)現(xiàn)ＸＧＢｏｏｓｔ模型在拔節(jié)期精度（Ｒ２＝０．５９０，ＲＭＳＥ＝０．２２２，ｎＲＭＳＥ＝０．１２６）、吐絲期精度（Ｒ２＝０．３８０，ＲＭＳＥ＝０．３５７，ｎＲＭＳＥ＝０．１９７）和兩生育期組合精度（Ｒ２＝０．４５３，ＲＭＳＥ＝０．２７７，ｎＲＭＳＥ＝０．１５５），其估算效果均較好。有研究者利用地物光譜儀建立的蘋(píng)果果園土壤有機(jī)質(zhì)估算模型，發(fā)現(xiàn)ＲＦ模型反演效果較好（Ｒ２為０．８８０，ＲＭＳＥ為０．１４２）。

圖４特征變量在不同生育期的重要性

本研究與其他研究結(jié)果相比精度較低，原因可能是由于本研究選取了不同耕作處理和不同施肥處理兩種不同處理?xiàng)l件相結(jié)合，且以整個(gè)小區(qū)地塊為研究基礎(chǔ)，增加了數(shù)據(jù)的復(fù)雜性；而本研究建立了作物覆蓋下土壤有機(jī)質(zhì)的估算模型，雖然模型的精度有所降低，但是驗(yàn)證了田塊尺度下以施肥量和光譜指數(shù)作為協(xié)變量所構(gòu)建模型在植被覆蓋下、不同條件田塊間的適用性。

ＸＧＢｏｏｓｔ是一種兼具線性模型求解器和樹(shù)的學(xué)習(xí)算法，同時(shí)支持列抽樣，內(nèi)置了交叉驗(yàn)證，相比于ＲＦ來(lái)說(shuō)更具優(yōu)勢(shì)。但是在優(yōu)化模型時(shí)，ＲＦ模型只需要調(diào)整決策樹(shù)的數(shù)量ｎｔｒｅｅ和節(jié)點(diǎn)數(shù)ｍｔｒｙ兩個(gè)關(guān)鍵參數(shù)即可，ＸＧＢｏｏｓｔ需要調(diào)整的參數(shù)則更多。為提高模型的估算精度，今后還需針對(duì)模型參數(shù)的調(diào)整進(jìn)行嘗試和優(yōu)化，針對(duì)田塊尺度的ＳＯＭ估算還需尋找更有價(jià)值的輔助變量，建立更具代表性的ＳＯＭ估算模型。同時(shí)，通過(guò)原始波段變換和不同植被指數(shù)的選取，可能會(huì)提高有機(jī)質(zhì)含量與光譜特征的相關(guān)性，對(duì)模型的精度也會(huì)有所影響。此外，本工作利用高光譜影像數(shù)據(jù)估算ＳＯＭ含量，僅利用了同一類(lèi)型土壤的一年田間采樣數(shù)據(jù)。今后為提高估算模型的精度和適用性，需要選擇不同的黑土類(lèi)

型試驗(yàn)區(qū)域并累計(jì)多年試驗(yàn)數(shù)據(jù)進(jìn)行深入分析。

結(jié)論

（１）利用無(wú)人機(jī)高光譜影像在對(duì)ＳＯＭ的估算方面具有較大潛力。在植被覆蓋條件下，當(dāng)波長(zhǎng)為４５０～６４０ｎｍ時(shí)，ＳＯＭ含量與光譜反射率呈顯著相關(guān)關(guān)系。利用植被冠層的光譜特征間接估算ＳＯＭ含量具有可行性。

（２）在田塊尺度下，研究區(qū)域的氣候、地形、坡度和母質(zhì)等因素均無(wú)明顯差異，以施肥量和光譜指數(shù)作為協(xié)變量參與建?？蓪?shí)現(xiàn)ＳＯＭ含量的精準(zhǔn)估算。而且，將施肥量作為協(xié)變量可以提高模型的估算精度。

（３）對(duì)比４種ＳＯＭ估算模型，ＸＧＢｏｏｓｔ相較于ＳＭＬＲ、ＳＶＭ和ＲＦ模型的精度更高，且針對(duì)拔節(jié)期ＳＯＭ含量的估算能力最好。本研究可用于耕地質(zhì)量評(píng)價(jià)、土壤有機(jī)碳庫(kù)估算，為農(nóng)田精準(zhǔn)施肥和東北黑土地保護(hù)及可持續(xù)利用提供理論依據(jù)與科學(xué)參考。

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇