連續(xù)小波變換高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型構(gòu)建

于 雷，洪永勝，周 勇*，朱 強(qiáng)

1.華中師范大學(xué)地理過程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079 2.華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

連續(xù)小波變換高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型構(gòu)建

于 雷1, 2，洪永勝1, 2，周 勇1, 2*，朱 強(qiáng)1, 2

1.華中師范大學(xué)地理過程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079 2.華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

土壤有機(jī)質(zhì)含量是反映土壤肥力的重要指標(biāo)，對其進(jìn)行動(dòng)態(tài)監(jiān)測是實(shí)施精準(zhǔn)農(nóng)業(yè)的重要措施。近年來，眾多學(xué)者嘗試采用土壤近地傳感(proximal soil sensing)，尤其是近地高光譜技術(shù)，在田間和實(shí)驗(yàn)室獲取不同形態(tài)土壤的高光譜數(shù)據(jù)，不斷引入新方法建立適用于不同地域和不同土壤類型的有機(jī)質(zhì)含量的反演模型。該研究在實(shí)驗(yàn)室內(nèi)利用ASD FS3采集了土壤高光譜數(shù)據(jù)，采用“重鉻酸鉀-外加熱法”測得了土壤有機(jī)質(zhì)含量； 分析了土壤原始光譜反射率(R)與有機(jī)質(zhì)含量的相關(guān)性，選取R2>0.15的敏感波段的反射率； 利用CWT對土壤原始光譜反射率(R)、光譜反射率的連續(xù)統(tǒng)去除(CR)進(jìn)行不同尺度的分解，分析小波系數(shù)與土壤有機(jī)質(zhì)含量的相關(guān)性，選取R2>0.3的敏感波段的小波系數(shù)； 利用R選取的波段信息和R-CWT，CR-CWT的選取的小波系數(shù)，分別建立偏最小二乘回歸(PLSR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)回歸(SVMR)三種不同的土壤有機(jī)質(zhì)含量反演模型。結(jié)果表明：相比R與土壤有機(jī)質(zhì)含量的決定系數(shù)R2，R-CWT，CR-CWT變換后得到的小波系數(shù)與土壤有機(jī)質(zhì)含量的決定系數(shù)R2分別提高了0.15和0.2左右； CR-CWT-SVMR的模型效果最為顯著，預(yù)測集的R2和RMSE分別為0.83，4.02，RPD值為2.48，具有較高的估測精度，能夠全面穩(wěn)定地估算土壤有機(jī)質(zhì)含量； CR-CWT-PLSR的模型精度與CR-CWT-BPNN，CR-CWT-SVMR相比雖有一定差距，但是其計(jì)算量要明顯小于非線性的BPNN和SVMR方法，具有模型簡單、運(yùn)算速度快等特點(diǎn)，對開發(fā)與設(shè)計(jì)田間傳感器具有較大的應(yīng)用價(jià)值。

土壤有機(jī)質(zhì)； 高光譜； 連續(xù)小波變換； 偏最小二乘回歸； BP神經(jīng)網(wǎng)絡(luò)； 支持向量機(jī)回歸

引 言

土壤有機(jī)質(zhì)是土壤固相屬性的重要組成部分，盡管其含量只占土壤總量的很小一部分，但它對土壤形成、土壤肥力、環(huán)境保護(hù)及農(nóng)林業(yè)可持續(xù)發(fā)展等方面都有著及其重要的作用[1]。傳統(tǒng)土壤有機(jī)質(zhì)含量的測定常采用土壤農(nóng)化分析的方法，這類方法雖精度較高，但由于耗資大、費(fèi)力多、周期長，難以滿足當(dāng)今精準(zhǔn)農(nóng)業(yè)大量、快速獲取土壤有機(jī)質(zhì)信息的需要。高光譜技術(shù)因具有光譜分辨率高、數(shù)據(jù)信息豐富、方便快捷、無損無污染等特點(diǎn)，近年來國內(nèi)外學(xué)者將其廣泛應(yīng)用于土壤理化屬性估測研究中，因此，它已逐漸成為高效獲取土壤有機(jī)質(zhì)含量的重要手段之一[2-3]。

在利用高光譜數(shù)據(jù)估測土壤有機(jī)質(zhì)含量的研究過程中，學(xué)者們發(fā)現(xiàn)土壤有機(jī)質(zhì)光譜的響應(yīng)波段是建立反演模型估算土壤有機(jī)質(zhì)含量的關(guān)鍵[4]。已有的研究表明，通過對土壤高光譜數(shù)據(jù)進(jìn)行倒數(shù)、對數(shù)、微分、平方根、吸收峰深度、包絡(luò)線去除等變換，可以增強(qiáng)光譜數(shù)據(jù)與有機(jī)質(zhì)含量之間的相關(guān)性，能有效地對比和篩選出光譜的敏感波段。Volkan Bilgili等認(rèn)為原始光譜反射率的一階微分變換的建模結(jié)果最優(yōu)[5]； 于雷等對土壤原始光譜反射率采用連續(xù)統(tǒng)去除后，與有機(jī)質(zhì)含量之間的相關(guān)系數(shù)進(jìn)行對比發(fā)現(xiàn)后者的處理與前者相比有很大提高[6]； 王延倉等采用離散小波變換與偏最小二乘回歸的耦合分析提高了土壤光譜估測有機(jī)質(zhì)含量的能力[7]。廖欽洪等指出原始光譜反射率經(jīng)連續(xù)統(tǒng)去除再采用連續(xù)小波變換，比常用光譜變換方法更適合估測有機(jī)質(zhì)含量[8]。近年來，小波變換(WT)憑借時(shí)頻局域性、多分辨率分析、豐富的小波基函數(shù)等優(yōu)點(diǎn)，在信號(hào)和圖像分析、去噪、壓縮、分解等方面越來越受到人們的關(guān)注。WT具體可分為離散小波變換(DWT)和連續(xù)小波變換(CWT)。目前，CWT多用于估算植物葉綠素、冠層成分含量等[9-10]，而在土壤有機(jī)質(zhì)含量估算中的應(yīng)用尚有待深入探討。

嘗試采用CWT對土壤原始光譜反射率(R)、光譜反射率的連續(xù)統(tǒng)去除(CR)進(jìn)行不同尺度的分解，分析各尺度上的小波系數(shù)與有機(jī)質(zhì)含量的相關(guān)性，再根據(jù)閾值提取相關(guān)性強(qiáng)的小波系數(shù)； 將R與有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析，找出相關(guān)性高的敏感波段； 基于R選取敏感波段和R-CWT、CR-CWT選取小波系數(shù)，采用偏最小二乘回歸(PLSR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)回歸(SVMR)三種不同的建模方法，優(yōu)選出最佳的土壤有機(jī)質(zhì)含量的反演模型。

1 實(shí)驗(yàn)部分

1.1 土樣采集與制備

實(shí)驗(yàn)研究區(qū)位于湖北省中南部邊緣、江漢平原腹地的公安縣，其地理坐標(biāo)為111°48′—112°25′E，29°37′—30°19′N，總面積2 257 km2； 實(shí)驗(yàn)土壤類型為潮土、水稻土和黃棕壤三種土類，在江漢平原具有很好的土類代表性。該縣屬于亞熱帶季風(fēng)氣候，農(nóng)田土壤適宜雙季水稻、棉花、油料等多種農(nóng)作物生長，糧食綜合生產(chǎn)能力較強(qiáng)。2010年全縣耕地面積為1 392.88 km2，占該縣土地總面積的61.71%。

采集三種土壤類型耕層(0～20 cm)土樣46份(圖1)，采用GPS定位坐標(biāo)，并記錄采樣點(diǎn)的基本特征信息。公安縣耕地質(zhì)量總體較好，以二、三、四等為主，實(shí)驗(yàn)選取一等樣點(diǎn)8個(gè)，二等樣點(diǎn)13個(gè)，三等樣點(diǎn)18個(gè)，四等樣點(diǎn)5個(gè)，五等樣點(diǎn)2個(gè)。選用十字法采集土樣，剔出表層植物殘?bào)w、殘?jiān)?、礫石等侵入體及其他雜物，露出新鮮土壤層，充分混勻后用四分法收集樣品。土樣在室內(nèi)進(jìn)行風(fēng)干、磨碎、過2 mm孔篩，將每份樣品分成兩部分，一部分用作有機(jī)質(zhì)含量的測定，另一部分用于土壤高光譜數(shù)據(jù)采集。

圖1 公安縣土壤樣點(diǎn)分布圖

采用重鉻酸鉀容量法-外加熱法測定實(shí)驗(yàn)的土壤有機(jī)質(zhì)含量[11]。選用Kennard-Stone(K-S)算法計(jì)算出各個(gè)樣本有機(jī)質(zhì)含量之間的歐氏距離，其中建模集樣本28個(gè)，驗(yàn)證集樣本18個(gè)(表1)。

表1 土壤有機(jī)質(zhì)含量描述性統(tǒng)計(jì)特征

1.2 光譜測定與預(yù)處理

使用美國ASD公司的ASD FieldSpec3地物光譜儀(波譜范圍為350～2 500 nm)測量土壤高光譜數(shù)據(jù)。為減少外界因素的干擾，實(shí)驗(yàn)時(shí)關(guān)閉所有燈光，光譜測量在暗室內(nèi)進(jìn)行。具體的光譜儀器性能參數(shù)、培養(yǎng)皿大小、樣品表面處理方式、室內(nèi)幾何測試參數(shù)的確定、光譜采集方法參見文獻(xiàn)[6]。由于光譜儀器波譜兩端的邊緣波段存在較大的儀器噪聲，因此，每份土樣僅選取400～2 400 nm的光譜數(shù)據(jù)用于后續(xù)處理分析。

1.3 連續(xù)小波變換(CWT)

CWT是一種線性變換的方法，它通過小波基函數(shù)將土壤高光譜數(shù)據(jù)分解成不同尺度上的一系列的小波系數(shù)，其變換公式如下[12]：

(1)

其中：

(2)

式中：f(t)為土壤高光譜反射率數(shù)據(jù)；t為光譜波段(400～2 400 nm)；Ψa, b(t)為小波基函數(shù)；a為尺度因子；b為平移因子。小波系數(shù)包含i和j兩維，分別是分解尺度(i=1，2，…，m)和波段(j=1，2，…，n)組成的m×n矩陣。由此，CWT將一維土壤高光譜反射率數(shù)據(jù)轉(zhuǎn)換為二維小波系數(shù)，通過與土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)分析，即可建立土壤有機(jī)質(zhì)反演模型[8]。

1.4 反演方法

PLSR方法是一種新型的多變量統(tǒng)計(jì)回歸方法，已成為土壤高光譜定量分析中主流的線性建模方法，可以同時(shí)考慮光譜矩陣和土壤有機(jī)質(zhì)矩陣的二者之間的相互關(guān)系，從而使建立校正模型具有更高的魯棒性。模型構(gòu)建過程中采用full cross validation交叉驗(yàn)證法，以確定最佳的主成分因數(shù)。

BPNN方法是各種神經(jīng)網(wǎng)絡(luò)模型中最具有代表意義的神經(jīng)網(wǎng)絡(luò)模型，具有較強(qiáng)的容錯(cuò)性、非線性處理能力、抗干擾能力、抗噪聲能力，是土壤高光譜定量分析中應(yīng)用較為廣泛的非線性多元建模方法。采用3層網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建BPNN，輸入節(jié)點(diǎn)為R，R-CWT，CR-CWT相關(guān)性分析優(yōu)選的波段信息和小波系數(shù)，輸出節(jié)點(diǎn)為1，最佳隱含層神經(jīng)元個(gè)數(shù)的選取根據(jù)經(jīng)驗(yàn)公式來確定：

(3)

式中，m，n，d分別為輸入層、輸出層(節(jié)點(diǎn)為土壤有機(jī)質(zhì)含量，取1)、隱含層的神經(jīng)元個(gè)數(shù)。訓(xùn)練函數(shù)為Levenberg-Marquardt算法的trainlm，隱藏層傳遞函數(shù)采用正切Sigmoid函數(shù)，輸出層采用purelin型函數(shù)，學(xué)習(xí)速率為0.01，訓(xùn)練次數(shù)1 000次，滿足目標(biāo)精度要求后，網(wǎng)絡(luò)停止學(xué)習(xí)。

SVMR方法是Vapnik等提出的一類新型機(jī)器學(xué)習(xí)方法，目前被應(yīng)用于各種分類和回歸問題。該方法結(jié)構(gòu)簡單、泛化能力好，能較好的解決小樣本、非線性等實(shí)際問題。SVMR選用RBF徑向基核函數(shù)，SVMR類型采用e-SVR，損失函數(shù)ε取默認(rèn)值0.1。采用網(wǎng)格搜索法選擇最佳懲罰參數(shù)C和RBF核參數(shù)γ的組合。

CR的處理在ENVI 4.8軟件中通過構(gòu)建土壤波譜數(shù)據(jù)庫得到； PLSR建模分析在Unscrambler 9.7軟件(CAMO，Inc.，Norway)中實(shí)現(xiàn)，CWT處理和BPNN和SVMR的建模分析在Matlab R2012a(The Mathworks Inc.，USA)環(huán)境下完成。

1.5 模型精度檢驗(yàn)方法

模型精度檢驗(yàn)選取R2，RMSE，RPD，1∶1線等四個(gè)參數(shù)衡量[6]。1∶1線表示實(shí)測值、估算值所構(gòu)成的點(diǎn)偏離y=x線的程度。

2 結(jié)果與討論

2.1 土壤有機(jī)質(zhì)含量與R的相關(guān)性分析

由圖2(a)相關(guān)分析的結(jié)果可知，整條相關(guān)曲線比較平滑，土壤有機(jī)質(zhì)含量與R存在明顯的負(fù)相關(guān)關(guān)系，負(fù)相關(guān)系數(shù)(r)最大可達(dá)0.41，且大部分波段的r值保持在0.3～0.4之間； 圖2(b)顯示的決定系數(shù)(R2)與λ的變化趨勢大體一致，其中R2>0.15的波段有600～870，930～1 090，1 900～1 970，2 190～2 200和2 300～2 400 nm，取這五個(gè)波段區(qū)間的最大值作為反演模型的輸入變量：704，996，1 917，2 119和2 385 nm。

2.2 土壤有機(jī)質(zhì)含量與R-CWT，CR-CWT小波系數(shù)的相關(guān)性分析

選取Gaussian 4函數(shù)作為小波基函數(shù)，對土壤建模樣本的R，CR曲線進(jìn)行CWT變換分解，分解尺度設(shè)定為21，22，23，24，25，26，27，28，29，210，即1～10個(gè)尺度。將變換后的10尺度小波系數(shù)與土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析，得到?jīng)Q定系數(shù)(R2)圖3和圖4，圖中紅色的區(qū)域代表相關(guān)性強(qiáng)的區(qū)域。

由圖3可知，與圖2(b)對比發(fā)現(xiàn)，經(jīng)過R-CWT處理后，R2明顯高于R的R2，最大提升約為0.15。利用R-CWT處理可以有效提取出光譜信息中的微妙信號(hào)，放大光譜吸收、反射特征中的局部頻譜特征，能更好的捕捉土壤有機(jī)質(zhì)中的特征信息。同時(shí)，R2>0.3的波段區(qū)域共有5個(gè)，主要集中在640～650，740～760，1 320～1 340，1 720～1 770和2 190～2 200 nm，對應(yīng)的尺度分別為第4，5，1，9和2尺度，并在644，753，1 333，1 757和2 196 nm達(dá)到最大值。

圖2 土壤有機(jī)質(zhì)含量與光譜反射率的相關(guān)性分析

圖3 R小波系數(shù)與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)圖

圖4 CR小波系數(shù)與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)圖

圖4顯示，通過CR-CWT變換后，R2比R-CWT在部分波段略有提高，R2最大提升約為0.05。分析發(fā)現(xiàn)，R2>0.3的波段區(qū)域共有7個(gè)，主要分布在535～545，635～645，670～690，720～730，1 330～1 440，1 625～1 635和2 195～2 205 nm，對應(yīng)的尺度分別為第1，4，5，5，1，2和2尺度，并在539，639，677，724，1 333，1 627和2 196 nm達(dá)到最大值。相比R-CWT的處理結(jié)果，CR-CWT變換增加了兩個(gè)可見光的波段區(qū)域，這與CR是一種歸一化光譜處理方式密切相關(guān)，利于敏感波段的分類識(shí)別，而CR-CWT的結(jié)合處理能在一定程度上更加突出土壤有機(jī)質(zhì)中隱藏的微弱信息，尤其是在挖掘可見光波段數(shù)據(jù)與有機(jī)質(zhì)相關(guān)的信息方面效果顯著。

2.3 土壤有機(jī)質(zhì)高光譜反演模型的優(yōu)選

依據(jù)上述分析，以R選取的敏感波段和R-CWT，CR-CWT選取的小波系數(shù)為自變量，土壤有機(jī)質(zhì)含量為因變量，采用PLSR，BPNN，SVMR三種方法構(gòu)建反演模型，結(jié)果如表2。分析可知，R-SVMR模型的建模、預(yù)測精度比R-PLSR和R-BPNN都要顯著，但其RPD值只有1.56，建立的模型只能粗略估算土壤有機(jī)質(zhì)含量； 以R-CWT為自變量的三種模型的建模集和預(yù)測集的R2，RMSE與R相比均得到了明顯的提高，其中R-CWT-SVMR模型的RPD值為2.33，可以實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的精確估算； 以CR-CWT為自變量的建模和預(yù)測效果總體上優(yōu)于R，R-CWT。

對比PLSR，BPNN，SVMR三個(gè)模型的建模效果，發(fā)現(xiàn)SVMR模型在R，R-CWT，CR-CWT的建模集和預(yù)測集中均有最大的R2和最小的RMSE，其中以CR-CWT-SVMR的建模預(yù)測效果最為顯著，RPD值為2.48，表明利用CR-CWT進(jìn)行土壤高光譜數(shù)據(jù)預(yù)處理并結(jié)合SVMR能更好地篩選出對有機(jī)質(zhì)敏感的信息。

將CR-CWT預(yù)處理的3個(gè)模型的預(yù)測值與實(shí)測值進(jìn)行1∶1線分析(圖5)。由圖可以更加清晰地看出，相比CR-CWT-PLSR，CR-CWT-BPNN模型，CR-CWT-SVM模型的實(shí)測值樣點(diǎn)和預(yù)測值樣點(diǎn)基本均分布在1∶1線附近，模型估算精度較高，能夠更好的實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的估算。采用CWT對土壤高光譜數(shù)據(jù)進(jìn)行變換處理并提取敏感區(qū)域的重構(gòu)小波系數(shù)，不僅模擬了不同尺度上的小波基函數(shù)與土壤高光譜的相似性，而且能夠察別到光譜范圍內(nèi)細(xì)微的變化情況，與常規(guī)的相關(guān)系數(shù)分析相比在反演精度上有所提高。BPNN方法在處理非線性映射方面雖具有較強(qiáng)的能力，但是在模型計(jì)算過程中存在不穩(wěn)定性，對模型的環(huán)境設(shè)置要求較高，泛化能力較差； CR-CWT-PLSR的模型精度與CR-CWT-BPNN，CR-CWT-SVMR相比雖有一定差距，但是其計(jì)算量要明顯小于非線性的BPNN和SVMR方法，具有模型簡單、運(yùn)算速度快等特點(diǎn)，在今后可以嘗試將其運(yùn)用于模型精度要求不高的場合。

表2 土壤有機(jī)質(zhì)含量估測模型的建模集和預(yù)測集結(jié)果

圖5 利用CR-CWT處理估測土壤有機(jī)質(zhì)含量的實(shí)測值與預(yù)測值比較

3 結(jié) 論

采用CWT對R，CR進(jìn)行不同尺度上連續(xù)波段的分解，分解后的重構(gòu)系數(shù)與R的波段一一對應(yīng)，在表征光譜信號(hào)上比離散小波變換更加清晰，用來建立土壤有機(jī)質(zhì)含量反演模型是行之有效的方法。研究結(jié)果表明，CWT作為一種光譜數(shù)據(jù)處理方法可以很好地檢測出有效光譜信號(hào)，能夠更好的挖掘出微弱的隱藏信息，在土壤有機(jī)質(zhì)高光譜定量分析中具有重要意義； 相比R，R-CWT，CR-CWT變換后得到的小波系數(shù)與土壤有機(jī)質(zhì)含量的決定系數(shù)R2分別提高了0.15和0.2左右，利用CWT對土壤高光譜數(shù)據(jù)R，CR進(jìn)行響應(yīng)波段的提取，能更好的篩選出土壤有機(jī)質(zhì)的關(guān)鍵變量； SVMR模型與PLSR，BPNN相比，對土壤有機(jī)質(zhì)具有更高的估算精度，尤以CR-CWT-SVMR的建模預(yù)測效果最為明顯，其預(yù)測集的R2和RMSE分別為0.83，4.02，RPD值為2.48，反演模型對于指導(dǎo)田間土壤科學(xué)施肥具有重要參考價(jià)值，前景應(yīng)用廣泛。

然而由于土壤有機(jī)質(zhì)功能團(tuán)多樣、組分復(fù)雜，土壤高光譜波段數(shù)據(jù)眾多且信息量極為豐富，僅采用部分敏感區(qū)域的顯著小波能量系數(shù)用于建模，并未充分利用全譜區(qū)域的內(nèi)其他信息。此外，Matlab軟件環(huán)境下的小波母函數(shù)有很多種，如何選取合適的函數(shù)類型用于具體的土壤高光譜的數(shù)據(jù)分析，在今后還需進(jìn)一步深入分析。

[1] Guo P T，Li M F，Luo W，et al.Geoderma，2015，237-238：49.

[2] Shepherd K D，Walsh M G.Soil Science Society of America Journal，2002，66(3)：988.

[3] Conforti M，Buttafuoco G，Leone A P，et al.CATENA，2013，110：44.

[4] JI Wen-jun，SHI Zhou，ZHOU Qing，et al(紀(jì)文君，史 舟，周 清，等).Journal of Infrared and Millimeter Waves(紅外與毫米波學(xué)報(bào))，2012，31(3)：277.

[5] Volkan B A，van Es H M，Akbas F，et al.Journal of Arid Environments，2010，74(2)：229.

[6] YU Lei，HONG Yong-sheng，GENG Lei，et al(于 雷，洪永勝，耿 雷，等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2015，31(14)：103.

[7] WANG Yan-cang，YANG Gui-jun，ZHU Jin-shan，et al(王延倉，楊貴軍，朱金山，等).Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014，34(7)：1922.

[8] LIAO Qin-hong，GU Xiao-he，LI Cun-jun，et al(廖欽洪，顧曉鶴，李存軍，等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2012，28(23)：132.

[9] Liao Q H，Wang J H，Yang G J，et al.Journal of Applied Remote Sensing，2013，7(1)：1.

[10] HE Ru-yan，QIAO Xiao-jun，JIANG Jin-bao，et al(何汝艷，喬小軍，蔣金豹，等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2015，31(2)：141.

[11] BAO Shi-dan(鮑士旦).Soil Agrichemical Analysis(土壤農(nóng)化分析).Beijing: China Agriculture Press(北京：中國農(nóng)業(yè)出版社)，1999：30.

[12] Cheng T，Rivard B，Sánchez-Azofeifa G A，et al.Remote Sensing of Environment，2010，114(4)：899.

(Received Jun.1, 2015; accepted Oct.22, 2015)

*Corresponding author

Inversion of Soil Organic Matter Content Using Hyperspectral Data Based on Continuous Wavelet Transformation

YU Lei1, 2, HONG Yong-sheng1, 2, ZHOU Yong1, 2*, ZHU Qiang1, 2

1.Hubei Provincial Key Laboratory for the Analysis and Simulation of Geographical Process, Central China Normal University, Wuhan 430079, 2.College of Urban and Environmental Science, Central China Normal University, Wuhan 430079, China

Soil organic matter content (SOMC) is an important parameter that reflect soil fertility available for crop production, and monitoring of the SOMC dynamically has shown great importance to promote the development of precision agriculture.In recent years, many researchers have tried to use proximal soil sensing, especially using the proximal hyperspectral techniques to acquire different kinds of spectral data under the field and laboratory conditions, and various new algorithms are also introduced to build inversion models to predict SOMC from spectra for different regions and different kinds of soils.In this paper, the hyperspectral reflectance of different soil samples was measured using the ASD FieldSpec3 spectrum analyzer.At the same time, the SOMC of each soil sample was analyzed using potassium dichromate external heating method in the laboratory.The correlation analyses between raw soil spectral reflectance (R) and SOMC were done, and it could select sensitive wavebands reflectance when the determination coefficients (R2) exceeded 0.15.A continuous wavelet transform (CWT) was also performed on R and the continuum removal curves (CR) to generate a wavelet power scalogram in different scales, the correlation analyses were done between wavelet power coefficients and SOMC, and it could select the sensitive wavelet coefficients when theR2exceeded 0.3.Then, after extracting wavebands reflectance fromRand wavelet power coefficients from R-CWT, CR-CWT, the estimation models for SOMC had been successfully built by partial least squares regression (PLSR), BP neural network (BPNN), support vector machine regression (SVMR), respectively.The results showed that, compared to theR2between SOMC andR, theR2between SOMC and R-CWT, CR-CWT wavelet coefficients were increased by about 0.15 and 0.2.The CR-CWT-SVMR model was the best, itsR2, RMSE and RPD value of validation set were 0.83, 4.02, 2.48, which could estimate SOMC comprehensively and stably.For the CR-CWT-PLSR model, although there was a slight gap in the prediction accuracy with that CR-CWT-BPNN and CR-CWT-SVMR models, it also had its own unique advantages: the model was simple and thus the computation speed was reduced significantly.In the future, the results can provide good potential for field proximal sensing researching.

Soil oragnic matter; Hyperspectral; Continuous wavelet transform; Partial least squares regression; BP neural network; Support vector machine regression

2015-06-01，

2015-10-22

國家自然科學(xué)基金項(xiàng)目(41401232，41271534)和中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(CCNU15A05006，CCNU15A05004)資助

于 雷，1980年生，華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院教授 e-mail: yulei@mail.ccnu.edu.cn *通訊聯(lián)系人 e-mail: yzhou@mail.ccnu.edu.cn

S127

A

10.3964/j.issn.1000-0593(2016)05-1428-06