引言

精準農業是現代農業發展的新方向,其基本涵義是根據作物生長的土壤性狀,調節對作物的投入。故實時、快速、準確地獲取土壤養分空間分布信息,對精準農業中的變量施肥具有重要意義。遙感技術實時、快速、無損觀測的特點為精準農業提供新的信息獲取途徑,目前已成為該領域的研究熱點。

土壤有機質是土壤重要構成成分,具有改善土壤肥力特性,提供大量作物所需中量、微量元素,凈化農藥、重金屬污染等作用,因此其含量多少對耕地質量具有重要影響。目前,針對如何利用遙感技術估測土壤有機質含量的問題,國內外學者開展了大量研究。已有研究表明:東北黑土有機質的光譜響應范圍主要分布在620~810nm,且利用高光譜建立的最佳模型精度很高,R2=0.933;河南潮土、浙江紫土、四川紫土有機質的光譜響應區域集中在600~800nm,并發現2%不是有機含量估測的臨界點;陜西橫山和宜興的土壤高光譜經對數的一階微分變換后,對有機質含量最敏感,利用該變換形式建立的模型預測精度較高,其決定系數高達0.885。

R.A.Viscarra Rossela利 用 澳 大 利 亞 全 景4 030份土壤樣品的可見光—近紅外光譜數據開展研究,發現土壤光譜為快速、有效、全面地測定土壤成分提供了新的途徑,可用于土壤客觀分類;Roberts等研究發現:利用寬波段航空影像與主動傳感器數據可提高估測有機質含量分布圖的精度,同時也可通過考慮土壤水分含量對影像獲取時的貢獻及耕地0~1cm表層有機質含量與光譜之間的關系,提高有機質含量的估測精度。

受土壤類型復雜多樣性影響,針對利用遙感估測土壤有機質含量研究,雖然在某類土壤\\(如東北黑土\\)取得較好的效果,但是針對有機質含量較低的土壤類型\\(如潮土\\)研究相對較少且結果并不理想。潮土屬于半水成土,發源于富含碳酸鹽或無碳酸鹽的河流沖積物土,是我國北方主要農業土壤之一和重要的糧棉生產基地,因此如何利用遙感技術監測潮土土壤養分的空間變異具有重要意義。隨著小波變換等新算法的不斷發展與完善,如何利用小波分析研究估測土壤養分,逐漸成為了當前研究的熱點。本研究利用離散小波技術從土壤光譜數據中提取有機質信息,并結合偏最小二乘法構建估測土壤有機質含量模型,研究離散小波在估測土壤有機質含量方面的可行性。

1 實驗部分

1.1 土壤樣本采集與處理

研究區位于北京市順義區和通州區,在2012年10月初夏玉米收獲后,采集了空間分布均勻的52個土壤樣品,采集深度為耕層0~20cm,將土樣置于室內,自然風干后,研磨、過篩20目。通過以上處理后,可使土壤樣品在水分含量、土壤粒徑上相對同一,有效避免了不同含水量、不同粒徑對土壤光譜的影響。采用重鉻酸鉀容量法測定有機質含量,其統計性描述如表1?！颈?】


1.2 光譜測量

將處理好的土樣按次序擺放如圖1\\(a\\),采用美國ASD\\(Analytical Spectral Devices\\)研制的便攜式可見光—近紅外光譜分析儀獲取土壤光譜數據,其光譜范圍為350~2 500nm,輸出光譜數據的分辨率為1nm。土壤光譜在暗室里進行測量如圖1\\(b\\),將土樣置于羊皮紙上,然后用直尺將表面刮平,土壤厚度保持在2cm左右。光源采用1 000W的鹵光燈,可提供與垂線夾角為15°的平行光束。將視場角為5°的光纖探頭垂直置于距土樣30cm處。測量前須用白板進行定標,然后每個土樣測10個光譜數據,取其平均值為其實際的光譜數據?！緢D略】

1.3 光譜數據處理

受環境及傳感器在不同波段的光譜響應精度差異影響,使獲取的土壤光譜數據存在一些噪聲,特別是邊緣波段,受噪聲影響較大,故去除波段350~399和2 451~2 500nm。

為減弱噪聲對準確提取土壤信息的影響,采用長度為9的海明窗低通濾波器進行平滑處理。然后將光譜數據重采樣至5nm。

1.4 小波分析

小波分析是基于傅里葉變換發展起來的數據分析方法,彌補了傅里葉變換僅能進行頻率分析的缺陷,可同時開展局部化時間和頻率分析,因此可有效地從信號中提取有益信息。小波分析為開展多分辨率信號分析提供了一種嶄新的方法,目前主要應用于數據壓縮、噪聲去除、特征選擇、提取弱信號等。

利用小波分析處理高光譜數據,其“時間”即為光譜波段\\(波長\\)。土壤光譜數據經小波處理后,可獲取低頻系數\\(ap-proximation,A\\)與高頻系數\\(detail,D\\),其分解過程如圖2。

低頻系數保持土壤光譜的吸收特征,高頻系數則是細微信息的體現。通過對小波函數進行平移縮放,可將光譜數據分解為若干時頻分量和,達到細微分析光譜數據特征的目的。

離散小波變換具有多尺度分析功能,可對土壤高光譜數據開展多尺度小波變換分析,每增加一級分解,波段數減半,光譜分辨率降低一倍?！緢D2】


1.5 模型精度驗證

經離散小波技術處理分析后,利用偏最小二乘法構建有機質含量估測模型,采用隨機抽樣法抽取35個樣點數據用于建模,簡稱建模組,其余17個樣點用于模型精度的驗證。

采用決定系數\\(R2\\)與均方根誤差\\(RMSE\\)來評價模型精度,其計算方法如下【2-3】


式中:SOM為實測土壤有機質含量,SOMP為估測土壤有機質含量,SOM為實測土壤有機質含量的均值,i為某土樣,n為土樣數:n=17。

2 結果與討論

2.1 光譜分析

土壤光譜經離散小波處理后的低頻數據結果如圖3\\(a\\),從圖中可知,低頻信息反射率隨分解級數增加而增加;土壤光譜特征隨著分解級數增加,逐步被拉伸,在分解級數為4時最大,然后逐步模糊、消失,其中1,2和3級分解能較好的保持土壤光譜特征;該現象主要是由于每增加一級分解,光譜特征波段數縮減一半,光譜分辨率降低一倍所致。圖3\\(b\\)為高頻數據,由圖可知,隨著分解級數增加其高頻值迅速增加,同一級分解其高頻值的變化與相應低頻值的變化速率相對應;高頻值的峰值與谷值位置大致一致,但又略有偏差,其原因為低頻信息的土壤光譜特征隨著分解級數而變化。

2.2 模型分析

利用偏最小二乘回歸法構建有機質含量預測模型,并利用交叉驗證法確定最佳主成分數。提取與有機質含量相關性較高,相距較遠,又具有一定代表性的特征波段參與建模。選擇該類波段即充分利用土壤光譜信息,又避免了波段間多重線性相關的問題。

2.2.1 反射率建模

采用11種實用光譜處理方法開展光譜分析研究,并構建相應估測有機質含量模型,從中篩選出3個相對理想的估測模型進行對比研究。其11種處理方法為:倒數、對數、倒數的對數、一階微分、倒數的一階微分、對數的一階微分、倒數的對數的一階微分、光譜比值\\(R/R930\\)、光譜比值\\(R/R\\(450~750\\)\\)、吸收峰深度、弓曲差\\(Gqc\\)。

2.2.2 小波變換建模

基于小波處理分析后的光譜信息,利用偏最小二乘法構建有機質含量估測模型如表3、表4,各 模 型 均 達 到p=0.001的極顯著水平,且大多數模型的估測精度決定系數R2在0.4~0.8范圍內,均方根誤差RMSE在0.2~0.35范圍內。從建模精度與估測精度綜合評價模型精度。

基于經小波分解后的土壤高光譜低頻信息構建的偏最小二乘模型結果如表3:從表可看出,除3級分解外,其他各級分解構建的模型精度較高且建模精度差異不大,但其估測精度差異明顯。僅從估測精度分析可知,基于2級分解建立的模型最優結果如圖4\\(a\\),其估測精度R2=0.722,RMSE=0.221;從模型精度與估測精度對比分析:分解級數為4的模型為最佳模型結果如圖4\\(b\\),其建模R2=0.612,RMSE=0.252,估測精度R2=0.619,RMSE=0.257。整體看,最佳模型均出現在中等分解度,這是由于有機質組成成分復雜多樣,各成分均有不同的光譜響應范圍,如果光譜分辨率較高則不能充分利用有機質各成分的光譜信息,而光譜分辨率較低則降低信噪比,進而對建模產生負面影響。由構建模型的特征波段知,近紅外范圍的入選波段居多,可見光的入選波段較少;其原因為耕地土壤有機質主要源于農作物遺體,由糖類化合物、纖維素、半纖維素、含氮化合物等組成,這些成分中的C—H鍵、C—O鍵、N—O鍵、N—H等的光譜相應區域位于近紅外區域。

表4為利用土壤光譜的高頻信息構建偏最小二乘模型結果,從表中可看出:由1級分解構建的模型估測精度低,為無效模型,故不對其進行分析。整體上,各分解級的建模精度無明顯差異,但其相應估測精度間差異較為明顯。僅從估測精度 分 析 可 知,分 解 級 數 為2時 最 優,其R2=0.670,RMSE=0.255;由建模精度與估測精度對比分析知:2級分解構建的模型最佳,其結果如圖4\\(c\\),建模精度為R2=0.549,RMSE=0.271,估測精度為R2=0.670,RMSE=0.255;據此可知,利用土壤光譜經小波分解后的高頻信息估測土壤有機質含量時,其最佳分解級數為2,即分辨率為20nm為最佳。

2.4 小波變換建模與光譜反射率建模的比較

從表3和表4可看出,采用小波低頻信息與高頻信息所構建的土壤有機質含量預測模型的建模精度較為接近,在估測精度方面表現為,低頻信息整體上優于高頻信息;從估測精度分析,高頻信息所建模型的估測能力隨分解級數的增加而降低,即隨光譜分辨率降低而降低,這一規律的主要原因是由于高頻數據主要體現土壤光譜的細節信息,隨著分解級數的增加,光譜分辨率降低,其體現的細節信息被逐步掩蓋。

土壤光譜反射率與土壤有機質含量的回歸模型結果如表2,將其與小波變換對比分析可知:整體上,兩類模型的建模精度差異不大。與土壤光譜反射率相比,基于小波變換低頻信息的土壤有機質含量最佳模型的精度提高了18%,高頻信息對有機質含量的最佳估測模型的精度提高了9.5%。

3 結論

利用離散小波對土壤光譜數據開展處理分析,建立基于偏最小二乘法的有機質含量估測模型,并將小波模型與三種常用高光譜變換模型進行對比分析得出如下結論:

\\(1\\)利用小波分析技術估測土壤有機質含量,從低頻信息角度分析,分解度為2和4時,即光譜分辨率為20和80nm,其估測土壤有機質含量精度較理想;從高頻信息分析可知,分解度為2,光譜分辨率為20nm時,其對土壤有機質含量的估測精度最高。

\\(2\\)土壤光譜反射率經小波變換后,低頻信息對有機質含量的估測能力優于高頻信息,且高頻信息對土壤有機質含量的估測能力呈現隨分解級數增加而降低,即隨光譜分辨率降低而降低的規律。

\\(3\\)小波變換分析法可提高土壤光譜對有機質含量的估測能力,與三種常用模型相比,小波變換的低頻信息對有機質含量的估測精度最高可提高18%,高頻信息對有機質含量估測精度提高了9.5%。

本研究為利用遙感大尺度監測土壤有機質含量的前期研究,但存在一定不足,需在如下幾方面進行改進:\\(1\\)土壤光譜為土壤各成分特性的綜合反映,故土壤中其他成分光譜響應特征必然對土壤機質含量的估測產生一定干擾或影響,如何減弱該方面的影響仍需進一步研究。\\(2\\)土壤光譜數據的獲取是在較為理想環境條件下開展,而現實外界環境卻復雜多變,不可控因素較多,如何削弱外界環境的影響,將研究成果轉化為現實可用產品,仍需進一步深入研究。