基于無人機高光譜影像的黑土區玉米農田土壤有機質估算

引言

東北黑土區作為我國重要的糧食生產優勢區及商品糧供給地，玉米作為其主要作物之一，每年的產量占全國總產量的３０％以上。長期以來對黑土的過度開發利用導致土地退化嚴重，土壤有機質（ＳＯＭ）含量作為土壤的重要組成部分，是反映土壤的肥力和質量的主要標志之一，對作物的生長發育有著顯著影響。因此，快速、精確地監測黑土區玉米關鍵生育期的ＳＯＭ含量及其空間差異，在農田精準施肥、玉米長勢監測、東北黑土地保護及可持續利用等方面具有重要意義。

北黑土區長期被作物和積雪所覆蓋，為快速、精確地監測黑土區的ＳＯＭ帶來了挑戰，已有學者針對東北黑土區ＳＯＭ的遙感估算開展了大量研究。無人機遙感兼具時效快、低成本、高空間分辨率、不受云層影響等優點，在中小尺度的ＳＯＭ估算方面受到了部分研究者的青睞。

實驗部分

2.1 研究區概況

研究區位于吉林省梨樹縣境內（圖１）四棵樹鄉的三棵樹村，地理位置４３°２０′１７．４″Ｎ，１２４°０′２９．１″Ｅ，屬北溫帶半濕潤大陸性季風氣候，土壤類型主要為黑土（黏化濕潤均腐土），四季分明。年均氣溫６．５℃，年日照時數２５４１ｈ，作物生長期（５月—９月）內為１１９２ｈ。年積溫＞０℃積溫３２４４℃，＞１０℃積溫３０３０℃；無霜期１５５ｄ。

圖１研究區的地理位置

如圖１所示，試驗田為已經進行多年的長期定位施肥試驗，設置為玉米連作區的單因子裂區試驗。裂區分別設置為傳統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，每種處理設置４次重復。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，氮肥施用設置５個水平：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，磷肥施用設置５個水平：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，鉀肥施用設置５個水平：Ｋ１（０ｋｇ·ｈｍ－２）、Ｋ２（３０ｋｇ·ｈｍ－２）、Ｋ３（６０ｋｇ·ｈｍ－２）、Ｋ４（９０ｋｇ·ｈｍ－２）、Ｋ５（１２０ｋｇ·ｈｍ－２）。共計１２０個小區，小區面積為１３３ｍ２，行距設置為７０ｃｍ，種植密度６２０００株·ｈｍ－２。

2.2土壤數據的采集和分析

根據玉米的生長狀況及天氣情況，采樣時間分別為２０１９年玉米的拔節期（６月２３日）和吐絲期（８月１日）。根據五點采樣法，在每個小區進行樣品采集，每個生育期采集１２０個樣本，兩生育期共計采集２４０個樣本，樣本采集的同時利用ＧＰＳ記錄每個樣本的坐標，以便之后在高光譜數據中獲取與采樣點對應的植被冠層光譜反射率值（Ｒ）。然后在室內進行土壤樣品的稱量后磨、風干，過２ｍｍ篩，用重鉻酸鉀容量法測定ＳＯＭ含量。為增加建模結果的代表性，分別進行了單生育期和兩生育期的數據分析及建模。將不同數據集按照７:３的比例進行５次隨機劃分，其中７０％作為估算模型的建模集（單生育期為８４個樣本，兩生育期為１６８個樣本），其余３０％則作為驗證集（單生育期為３６個樣本，兩生育期為７２個樣本）。然后求取５次建模結果的平均值，使其結果更可靠。通過軟件對各生育期采樣點的ＳＯＭ含量進行統計分析，結果見表１。

表１ 土壤樣本有機質含量的統計特征

2.3無人機高光譜影像的采集

選擇晴朗無云，光照充足的無風或微風天氣，于北京時間１０：００—１５：００進行高光譜影像的采集（太陽高度角大于４５°）。利用無人機搭載相機，獲取影像數據。在影像上均勻選取若干個參考點，并以此為依據進行幾何校正，確保影像誤差不超過０．５個像元，最終得到影像中各像元的光譜反射率值。

式（１）中，Ｒ目標為目標地物的反射率，ＤＮ目標為目標地物的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無人機高光譜影像的采集

高光譜影像數據的波段數較多，其變量之間存在較為嚴 重的多重共線性。而由于作物的覆蓋使得我們無法直接獲取 土壤的光譜反射率。但土壤條件的差異會造成植被長勢的不同，最終體現在植被冠層的光譜特征上。因此利用作物冠層 的光譜指數以監測作物在不同生育期的生長特征。選取了增 強植被指 數（ＥＶＩ）、可 見 光 耐 大 氣指 數（ＶＡＲＩ）和 近 紅外／近紅外（ＮＩＲ／ＮＩＲ）等２０種 植被指數。

ＳＯＭ估算模型的構建與驗證

本文采用以下幾種模型構建并驗證結果

（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度，從２１種協變量中逐一挑選重要變量并引入回歸模型，每次引入后都會對未選入的所有變量重新進行預測誤差判斷，使得先前剔除的變量在新變量引入后對模型在具有貢獻時又被重新選入。直至篩選出最優參數、建立最優反演模型為止，回歸方程中始終只保留重要的變量。

（２）隨機森林模型

ＲＦ是將Ｂａｇｇｉｎｇ與決策樹算法進行結合所得到的集成學習算法。該算法可以有效避免模型訓練時的過擬合現象，同時有效抑制噪聲的負面影響，有利于地物高光譜特征的綜合利用。為防止過度擬合，初始的ｎｔｒｅｅ（樹的數量）設置為５００，ｍｔｒｙ（每個拆分中可供選擇的變量數量）則設置為所有自變量的個數。

（３）支持向量機模型

ＳＶＭ是一種二分類模型的機器學習方法，它在高維或無限維空間中構造一個或一組超平面對樣本進行分割，可用于分類或回歸。通過不同類型的核函數（如線性、徑向、Ｓｉｇ－ｍｏｉｄ和多項式）實現超平面之間的良好分離。本研究選擇了線性核函數，基于帶寬代價參數和不敏感損失函數對支持向量機模型進行了調整。

（４）ＸＧＢｏｏｓｔ模型

ＸＧＢｏｏｓｔ是在梯度下降樹（ＧＢＤＴ）的基礎上對ｂｏｏｓｔｉｎｇ算法進行改進的樹結構增強模型。其基本思想是：首先構建多個ＣＡＲＴ模型對數據集進行預測，隨后將這些樹集成為一個新的樹模型，通過不斷地迭代提升，每次迭代生成的新樹模型都會擬合前一棵樹的殘差，直到達到最佳訓練效果。

最后，選用決定系數（Ｒ２）、均方根誤差（ＲＭＳＥ）和歸一化均方根誤差（ｎＲＭＳＥ）３個參數進行上述４種估算模型的精度評價。其中，Ｒ２用來評價模型的擬合優度，取值范圍在０～１之間，越接近１，說明擬合程度越好。ＲＭＳＥ和ｎＲＭＳＥ用來衡量ＳＯＭ預測值與觀測值之間的偏差，其值越小，說明預測效果越好。其公式如式（３）、式（４）和式（５）所示

式中：Ｘｉ和Ｙｉ分別為ＳＯＭ實測值和ＳＯＭ預測值；為ＳＯＭ實測值的均值；為ＳＯＭ預測值的均值；ｎ為樣本數。

討論

無人機技術作為一種新型的遙感手段，兼具時效快、成本低、空間分辨率高、不受云層影響等優點，在開展精準農業研究中具有重要意義。無人機高光譜影像含有豐富的光譜信息，有研究表明其在ＳＯＭ估算方面具有切實可行性，而本研究也發現在田塊尺度上進行ＳＯＭ的估算可以充分發揮其作用。然而，ＳＯＭ的估算研究大多集中在地形變化明顯的大范圍區域，其生物或氣候因素差異較大。本研究區尺度較小，其氣候、地形、坡度和母質等均無明顯差異，增加了ＳＯＭ含量估算的難度。長期施對土壤有機質含量有著顯著影響，施用化肥（ＮＰＫ）會加速ＳＯＭ的分解，其ＳＯＭ含量從第３年開始便下降明顯。而施用鉀肥可以提高土壤鉀，ＳＯＭ對土壤鉀具有“稀釋效應”，兩者之間存在顯著的負相關關系。因此，本研究選用施肥量作為協變量參與建模，同時通過ＳＯＭ與施肥量的相關分析同樣也發現ＳＯＭ與施肥量具有非常顯著的負相關關系。

圖２ ＳＯＭ與各波段光譜反射率的相關系數

ＳＯＭ與可見光及近紅外波段之間的響應關系密切，而黑土有機質響應波段則在４１５～１３８０ｎｍ。本研究通過ＳＯＭ與試驗區高光譜數據的相關分析發現，其響應波段在４５０～６４０ｎｍ處，與上述裸土的響應波段存在一定差異。由于地表植被覆蓋使得獲取地表動態反饋變得更加困難，土壤有機質與光譜反射率的關系也隨之減弱，而玉米冠層葉綠素含量較高，使得其與綠波段的相關性更強。吐絲期的ＳＯＭ與光譜反射率的相關性相較于拔節期在５５０～６４０ｎｍ處的相關關系更弱，這可能是由于吐絲期相較于拔節期裸露土壤面積減少的原因。土壤有機質與光譜指數的相關性并不太顯著，可能是因為相關系數只能衡量兩個分布之間的線性相關關系，多元變量間線性或非線性的相關關系則不能完全通過相關系數來體現。但通過引入施肥量作為協變量后，發現施肥量和部分光譜指數與ＳＯＭ的相關性相較于光譜指數與ＳＯＭ的相關性更高。

表2 不同ＳＯＭ估算模型的精度評價

同時，如表2所示，在田塊尺度下將施肥量作為協變量引入可以提高模型的Ｒ２，并降低ＲＳＭＥ。同時，通過特征重要性評分發現，施肥量作為協變量對ＳＯＭ估算的貢獻率最大，而各光譜指數的貢獻率則相對較小。

圖３ ＳＯＭ與各協變量的相關系數

經過特征變量篩選后所建立的ＲＦ、ＳＶＭ和ＸＧＢｏｏｓｔ模型，根據驗證集的驗證結果發現ＸＧＢｏｏｓｔ模型在拔節期精度（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果果園土壤有機質估算模型，發現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條件相結合，且以整個小區地塊為研究基礎，增加了數據的復雜性；而本研究建立了作物覆蓋下土壤有機質的估算模型，雖然模型的精度有所降低，但是驗證了田塊尺度下以施肥量和光譜指數作為協變量所構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的學習算法，同時支持列抽樣，內置了交叉驗證，相比于ＲＦ來說更具優勢。但是在優化模型時，ＲＦ模型只需要調整決策樹的數量ｎｔｒｅｅ和節點數ｍｔｒｙ兩個關鍵參數即可，ＸＧＢｏｏｓｔ需要調整的參數則更多。為提高模型的估算精度，今后還需針對模型參數的調整進行嘗試和優化，針對田塊尺度的ＳＯＭ估算還需尋找更有價值的輔助變量，建立更具代表性的ＳＯＭ估算模型。同時，通過原始波段變換和不同植被指數的選取，可能會提高有機質含量與光譜特征的相關性，對模型的精度也會有所影響。此外，本工作利用高光譜影像數據估算ＳＯＭ含量，僅利用了同一類型土壤的一年田間采樣數據。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

型試驗區域并累計多年試驗數據進行深入分析。

結論

（１）利用無人機高光譜影像在對ＳＯＭ的估算方面具有較大潛力。在植被覆蓋條件下，當波長為４５０～６４０ｎｍ時，ＳＯＭ含量與光譜反射率呈顯著相關關系。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，研究區域的氣候、地形、坡度和母質等因素均無明顯差異，以施肥量和光譜指數作為協變量參與建模可實現ＳＯＭ含量的精準估算。而且，將施肥量作為協變量可以提高模型的估算精度。

（３）對比４種ＳＯＭ估算模型，ＸＧＢｏｏｓｔ相較于ＳＭＬＲ、ＳＶＭ和ＲＦ模型的精度更高，且針對拔節期ＳＯＭ含量的估算能力最好。本研究可用于耕地質量評價、土壤有機碳庫估算，為農田精準施肥和東北黑土地保護及可持續利用提供理論依據與科學參考。

推薦：

便攜式高光譜成像系統 iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇