基于SPA-MLR方法的土壤含水量光譜預(yù)測(cè)模型研究

賈學(xué)勤，馮美臣，楊武德，王 超，孫 慧，武改紅，張 松

(山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院, 山西 太谷 030801)

土壤水分對(duì)植物的生長(zhǎng)發(fā)育具有重要的影響，與植物和外界環(huán)境間的物質(zhì)和能量交換密切相關(guān)，也是植物生長(zhǎng)狀況監(jiān)測(cè)的重要指標(biāo)[1],因此土壤含水量的快速準(zhǔn)確測(cè)定對(duì)于農(nóng)業(yè)生產(chǎn)具有重要意義。傳統(tǒng)的測(cè)定土壤含水量的方法主要有烘干法、中子儀法以及時(shí)間域反射儀法(TDR)等，但耗時(shí)費(fèi)力，且測(cè)定范圍小，難以滿足現(xiàn)代農(nóng)業(yè)對(duì)大面積土壤含水量準(zhǔn)確及時(shí)測(cè)量的需求[2]。

高光譜遙感監(jiān)測(cè)具有快速、準(zhǔn)確、無(wú)破壞的特點(diǎn)，在監(jiān)測(cè)土壤含水量方面具有重要作用。隨著高光譜遙感技術(shù)的快速發(fā)展，光譜分辨率不斷提高，光譜信息極大豐富的同時(shí)也增大了背景和噪音的影響，進(jìn)而增加準(zhǔn)確提取特征光譜信息的難度，影響監(jiān)測(cè)模型的精度[3]。研究發(fā)現(xiàn)光譜數(shù)據(jù)變換在消除背景和噪音干擾，降低內(nèi)外部因子的影響，放大光譜吸收特征方面具有較好的效果，有利于光譜信息的挖掘和提取，進(jìn)而提高監(jiān)測(cè)模型的精度和穩(wěn)定性[4,5]。Kemper等[6]對(duì)土壤原始光譜反射率進(jìn)行一階微分處理，提高了土壤重金屬、粘粒含量等的監(jiān)測(cè)精度。何挺等[7]研究表明反射率對(duì)數(shù)一階微分變換，提高了土壤光譜與含水量的相關(guān)性。伊葉彪等[8]通過(guò)土壤光譜去包絡(luò)線后進(jìn)行一階微分，預(yù)測(cè)含水量R2達(dá)到了0.855。謝伯承等[9]利用反射率倒數(shù)的對(duì)數(shù)(A)、A值的一階微分和相對(duì)反射率反演土壤含水量，得出A的一階微分反演效果最佳，且土壤含水量與光譜反射率呈明顯非線性關(guān)系。姚艷敏等[10]對(duì)土壤光譜反射率進(jìn)行光譜變換，預(yù)測(cè)黑土土壤含水量，結(jié)果表明反射率進(jìn)行對(duì)數(shù)一階微分變換后建立的模型最好，R2達(dá)到了0.931。張俊華等[11]研究得出高光譜預(yù)測(cè)龜裂堿土土壤含水量最優(yōu)模型為使用反射率一階微分的冪函數(shù)模型，R2高達(dá)0.9447。目前，光譜變換已廣泛應(yīng)用于光譜數(shù)據(jù)處理中，但是不同研究中各種變換方法效果不一。本文以此為切入點(diǎn)，在前人研究的基礎(chǔ)上，首先對(duì)原始光譜進(jìn)行11種常規(guī)變換，然后選擇連續(xù)投影算法(SPA)選擇特征波段，結(jié)合多元線性回歸(MLR)建立土壤含水量光譜監(jiān)測(cè)模型。旨在利用SPA-MLR實(shí)現(xiàn)不同光譜變換方法監(jiān)測(cè)土壤含水量，并分析比較不同變換處理后各SPA-MLR回歸模型的監(jiān)測(cè)精度，進(jìn)而選擇出土壤含水量高光譜監(jiān)測(cè)的最佳模型。

1 材料與方法

1.1 土壤樣品采集與處理

本試驗(yàn)以山西省晉中市太谷縣山西農(nóng)業(yè)大學(xué)試驗(yàn)站的麥田土壤為研究對(duì)象，土壤質(zhì)地為黃土母質(zhì)發(fā)育而成的石灰性褐土，取表層土壤(0～20cm)為試驗(yàn)樣品。土壤樣品自然風(fēng)干后剔除雜質(zhì)，再研磨過(guò)2mm孔徑篩后混勻。稱取72份，每份100g，放于金屬盒中，編號(hào)為1～72，然后進(jìn)行土壤含水量調(diào)配，具體方法如下：在36h內(nèi)，每隔0.5h取一份稱量好的土樣，向土壤中緩慢注水，使土壤達(dá)到飽和狀態(tài)，注水后室溫下使其自然蒸發(fā)。待最后一份土樣注水完成、表面自由水消失后對(duì)所有土樣進(jìn)行光譜和含水量測(cè)定，從而得到72份不同含水量的土壤樣本。其中土壤含水量用烘干法測(cè)得。

1.2 土壤光譜采集及預(yù)處理

本試驗(yàn)采用美國(guó)ASD公司的Field Spec Pro FR 型便攜式光譜儀測(cè)定土壤光譜，波段范圍為350～2500nm，在350～1000nm區(qū)間采樣間隔為1.4nm，在1000～2500nm區(qū)間采樣間隔為2nm。土壤光譜測(cè)定在暗室內(nèi)進(jìn)行，光源為50W鹵素?zé)?。光譜測(cè)量時(shí)光照方向與垂直方位夾角15°，光源距土壤表層40cm，采用10°視場(chǎng)角 ，探頭位于土壤表面上方20cm處。光譜采集前進(jìn)行標(biāo)準(zhǔn)白板校正，光譜采集時(shí)水平轉(zhuǎn)動(dòng)樣品5次，每次轉(zhuǎn)動(dòng)60°，每個(gè)方向采集10條光譜曲線，共獲得60個(gè)光譜數(shù)據(jù)，剔除異常值后將采集的光譜數(shù)據(jù)平均作為該土樣反射率光譜。為消除噪聲影響，本研究采用Savitzky-Golay3點(diǎn)平滑對(duì)光譜進(jìn)行平滑去噪處理。由于350～400nm,2450～2500nm噪聲影響較大，本研究選擇400～2450nm波段范圍進(jìn)行研究。

1.3 光譜變換算法

本文在前人研究基礎(chǔ)上選取11種典型的數(shù)學(xué)變換算法對(duì)光譜數(shù)據(jù)進(jìn)行變換處理，如表1所示。

1.4 高光譜模型建立及模型評(píng)價(jià)

連續(xù)投影算法(SPA)可以有效降低光譜數(shù)據(jù)共線性，與偏最小二乘法(PLS)相比，可以最大程度地降低信息重疊度，有效地降低光譜模型復(fù)雜度[12]。且可以簡(jiǎn)化校正模型，縮短校正時(shí)間，已經(jīng)越來(lái)越多地應(yīng)用于特征波段的選取[13]。此外，還可以改善多元線性回歸模型(MLR)的建模條件。SPA-MLR回歸模型可以減小模型擬合復(fù)雜度，加快運(yùn)算速度[14]。因此本研究選用SPA提取特征波段，結(jié)合MLR建立土壤含水量高光譜預(yù)測(cè)模型。

表1 11種光譜數(shù)據(jù)變換算法信息

注：R為波段λ(nm)處的反射率值。

Note:Ris the spectral reflectance value at the wavelengths ofλ(nm).

為確保土壤含水量模型穩(wěn)定性和精度，將得到的土壤含水量樣本(72個(gè))隨機(jī)分為兩部分，選擇48個(gè)樣本用于構(gòu)建模型，剩余24個(gè)樣本用于模型驗(yàn)證。本研究采用相對(duì)預(yù)測(cè)偏差(RPD)，決定系數(shù)(R2)以及均方根誤差(RMSE)作為模型預(yù)測(cè)精度的評(píng)價(jià)標(biāo)準(zhǔn)。其中，R2越接近于1，RMSE越小，表明模型具有高的預(yù)測(cè)精度和穩(wěn)定性。當(dāng)RPD大于2時(shí)，模型預(yù)測(cè)效果準(zhǔn)確；當(dāng)RPD大于1.4且小于2，模型預(yù)測(cè)效果一般可以粗略估計(jì)；當(dāng)RPD小于1.4，模型無(wú)法進(jìn)行準(zhǔn)確預(yù)測(cè)[15]。

1.5 數(shù)據(jù)分析

本研究使用ViewSpec Pro光譜分析軟件進(jìn)行預(yù)處理，Excel 2007和Unscramb 10.3軟件進(jìn)行光譜、變換處理，Matlab 7.0和SPSS軟件進(jìn)行特征波段提取以及模型建立，Origin 8軟件制圖。

2 結(jié)果與分析

2.1 不同含水量土壤光譜特征

圖1為不同含水量土壤光譜反射率曲線圖，由圖可以看出在400～2450nm范圍內(nèi)，隨著土壤含水量增加光譜反射率不斷降低。在可見(jiàn)光波段，光譜反射率隨著土壤含水量的變化幅度明顯小于近紅外波段。在可見(jiàn)光-近紅外波段(380～780nm)，隨著波長(zhǎng)增加反射率有升高的趨勢(shì)，但是升高斜率不同；在1400nm、1900nm附近有兩個(gè)明顯的水分吸收谷。

圖1 不同含水量土壤的反射率曲線Fig.1 Spectral curves under of different soil moisture content

2.2 基于SPA方法和不同光譜變化方法提取的敏感波段

表2為光譜變換處理后基于SPA提取的土壤含水量最優(yōu)波段個(gè)數(shù)和具體波段。由表2可知，最優(yōu)波段個(gè)數(shù)都為3～5個(gè)，但是使用不同變換算法處理后光譜最優(yōu)波段個(gè)數(shù)有一定差異，微分處理增加了最優(yōu)波段個(gè)數(shù)。對(duì)不同變換算法處理后提取的光譜特征波段進(jìn)行分析可知，提取的土壤含水量特征波段分布比較分散，特征波段在近紅外、短波紅外區(qū)域都有分布。不同變換算法處理后的特征波段有一定差異。

表2 基于SPA和不同光譜變化方法的重要波段的提取

2.3 基于SPA-MLR方法的土壤含水量光譜預(yù)測(cè)模型建立

以原始光譜以及11種變換后基于SPA提取的特征波段為自變量，以土壤含水量為因變量，利用MLR建立的土壤含水量高光譜預(yù)測(cè)模型，如表3所示?；?1種變換處理建立的SPA-MLR模型監(jiān)測(cè)精度，除了T3比較低外，其余變換均優(yōu)于原始光譜所建的模型，表明原始光譜經(jīng)一定數(shù)學(xué)變換處理可以提高土壤含水量高光譜監(jiān)測(cè)精度。T6、T7、T8、T9、T10、T11的監(jiān)測(cè)模型精度均高于對(duì)應(yīng)的一階微分處理前T0、T1、T2、T3、T4、T5。表明一階微分變換能提高土壤含水量模型的精度。在所有數(shù)學(xué)變換中，T8的校正模型的監(jiān)測(cè)效果最好，其決定系數(shù)R2和RPD最大，分別達(dá)到了0.957和4.74，RMSE最小，為2.16。T11次之，其R2和RPD分別達(dá)到了0.944和4.15，RMSE為2.55。T3的校正模型監(jiān)測(cè)效果最差，R2和RPD都最低，分別為0.860和2.31，RMSE最大，為6.18。

表3不同土壤含水量光譜預(yù)測(cè)模型

Tab. 3 Predictive models of different soil moisture content

變換算法Algorithms模型ModelsR2RMSE/%RPDT0y=417.660R401-415.185R1888+271.944R1459+19.3910.8873.632.79T1y=0.694R403+0.100R418-13.925R1708+6.812R1898+13.7530.9003.423.03T2y=312.330R1415-304.339R1887+13.2570.9183.103.37T3y=225.499R1465-178.004R1052-67.516R2257-27.9320.8606.182.31T4y=-332.373R1934-29.668R408+452.190R1007-62.9350.9152.484.36T5y=46.633R1898-79.946R1708+5.419R403+37.6670.9202.893.65T6y=108790.163R1548-92439.173R1690-10313.521R2311-0.6110.9422.614.02T7y=1720.981R1302-1389.581R828+253.218R2171-1976.432R1122-612.636R2031+1.2500.9142.793.78T8y=629.471R666+8158.075R1014-12587.075R1039-31671.078R1375+34808.678R1707-2.1520.9572.164.94T9y=14294.340R1384-3194.977R2322+8246.352R1681-1491.601R1125-12.9010.9436.114.74T10y=-123683.801R1439+11675.161R1648-18882.797R1043-9774.030R1822-6604.232R1143+19.1850.9353.943.82T11y=-9208.900R1522-4388.004R1796-2637.737R1039+3034.038R2202+137.782R434-2.1220.9442.554.15

2.4 模型精度驗(yàn)證

利用驗(yàn)證集樣本對(duì)土壤含水量預(yù)測(cè)模型分別進(jìn)行驗(yàn)證。原始光譜以及11種變換后基于SPA-MLR建立的土壤含水量監(jiān)測(cè)模型驗(yàn)證結(jié)果如表4所示。從表中可看出，所有數(shù)學(xué)變換處理后模型的驗(yàn)證效果均優(yōu)于原始光譜建立的模型，其中T8變換模型精度最高。為了更直觀地展示模型精確度，以T8為例制作預(yù)測(cè)值與實(shí)測(cè)值1∶1關(guān)系圖(圖2)。由圖可以看出,T8處理模型的擬合效果較好，其驗(yàn)證集R2最大為0.903，RMSE最小為3.41，RPD較大為2.95。

表4 模型驗(yàn)證結(jié)果

圖2 土壤含水量實(shí)測(cè)值與估測(cè)值1∶1圖Fig.2 The correlation between predicted values and measured values of soil water content

3 討 論

光譜數(shù)據(jù)變換可以有效地消除土壤光譜噪音和背景的影響，放大特征光譜信息。本研究選擇11種典型的變換算法對(duì)土壤光譜進(jìn)行變換，然后使用連續(xù)投影算法(SPA)提取特征波段，結(jié)合MLR建立土壤含水量光譜監(jiān)測(cè)模型，比較選擇土壤含水量光譜監(jiān)測(cè)最佳模型。有研究表明，特征波段選取個(gè)數(shù)為3～5個(gè)最佳，這樣不但可以準(zhǔn)確地表達(dá)出待測(cè)指標(biāo)的信息，而且可以有效避免過(guò)擬合現(xiàn)象的出現(xiàn)[16]。本研究利用SPA提取的特征波段個(gè)數(shù)均為3～5個(gè)，所以不用再對(duì)特征波段進(jìn)一步篩選。

從本研究建立的土壤含水量的校正模型及其驗(yàn)證結(jié)果可知，各變換處理后建立的模型都有較高的預(yù)測(cè)精度，其R2都高于0.7。其中除了T3外，各變換處理后建立的土壤含水量光譜預(yù)測(cè)模型都優(yōu)于原始光譜T0，表明數(shù)學(xué)變換能提高土壤含水量模型的預(yù)測(cè)精度。這主要是由于變換處理有效地減小了光譜信息中噪音和背景的影響，放大了特征光譜信息，有利于光譜信息的提取和挖掘[17]。目前，在作物冠層和土壤光譜研究中，已經(jīng)證明一階微分處理能有效提高模型的預(yù)測(cè)精度[18,19]，在本研究中光譜一階微分變換建立的模型表現(xiàn)也比較好，僅次于反射率對(duì)數(shù)一階微分變換T8。由于土壤光譜受土壤質(zhì)地、有機(jī)質(zhì)含量、土壤顆粒大小等的影響較大，不同土壤的有機(jī)質(zhì)含量和質(zhì)地差別較大[20]。由于本試驗(yàn)是在單一土壤質(zhì)地和有機(jī)質(zhì)含量背景下完成的，因此反射率對(duì)數(shù)一階微分T8變換能否適用于其它背景條件下(不同質(zhì)地、有機(jī)質(zhì)含量等)的土壤光譜還有待進(jìn)一步的研究。

4 結(jié) 論

本文以人工模擬72個(gè)不同含水量的土壤樣本為研究對(duì)象，測(cè)定室內(nèi)光譜以及對(duì)應(yīng)的土壤含水量，基于11種常見(jiàn)的數(shù)學(xué)變換算法，建立土壤含水量的SPA-MLR光譜監(jiān)測(cè)模型，綜合比較分析模型校正集和驗(yàn)證集模型精度評(píng)價(jià)指標(biāo)(R2、RMSE、RPD)得出：各光譜變換建立的模型都有較好的預(yù)測(cè)精度，其中，反射率對(duì)數(shù)的一階微分T8建立的模型表現(xiàn)最好，校正集(R2=0.957，RMSE=2.16，RPD=4.74)和驗(yàn)證集(R2=0.903，RMSE=3.41，RPD=2.95)表現(xiàn)均最好。因此反射率對(duì)數(shù)一階微分變換處理后建立的SPA-MLR模型為土壤含水量高光譜監(jiān)測(cè)最佳模型。

參考文獻(xiàn)：

[1] Yin Z, Lei T, Yan Q, et al. A near-infrared reflectance sensor for soil surface moisture measurement[J]. Computers and Electronics in Agriculture, 2013, 99: 101-107.

[2] 孫越君, 鄭小坡, 秦其明, 等. 不同質(zhì)量含水量的土壤反射率光譜模擬模型[J]. 光譜學(xué)與光譜分析, 2015,35(8): 2236-2240.

[3] Stenberg B, Rossel R A V, Mouazen A M,et al. Chapter five-visible and near infrared spectroscopy in soil science[J]. Advances in Agronomy, 2010,107: 163-215.

[4] 王磊, 白由路, 盧艷麗, 等. 光譜數(shù)據(jù)變換對(duì)玉米氮素含量反演精度的影響[J]. 遙感技術(shù)與應(yīng)用, 2011,26(02): 220-225.

[5] 喬星星, 馮美臣, 楊武德, 等. 變換光譜數(shù)據(jù)對(duì)土壤氮素PLSR模型的影響研究[J]. 地球信息科學(xué)學(xué)報(bào), 2016,18(8): 1123-1132.

[6] Kemper T, Sommer S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002,36(12): 2742-2747.

[7] 何挺, 王靜, 程燁, 等. 土壤水分光譜特征研究[J]. 土壤學(xué)報(bào), 2006，43(6): 1027-1032.

[8] 尹業(yè)彪, 李霞, 趙釗, 等.沙質(zhì)土壤含水率高光譜預(yù)測(cè)模型建立及分析[J]. 遙感技術(shù)與應(yīng)用, 2011,26(3): 355-359.

[9] 謝伯承. 基于高光譜遙感不同發(fā)生層土壤的光譜信息的提取研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2004.

[10] 姚艷敏, 魏娜, 唐鵬欽, 等. 黑土土壤水分高光譜特征及反演模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011,27(8): 95-100.

[11] 張俊華, 賈科利. 典型龜裂堿土土壤水分光譜特征及預(yù)測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015,26(3): 884-890.

[12] Araújo M C U, Saldanha T C B, Galvao R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics and Intelligent Laboratory Systems, 2001,57(2): 65-73.

[13] 陳斌, 孟祥龍, 王豪. 連續(xù)投影算法在近紅外光譜校正模型優(yōu)化中的應(yīng)用[J]. 分析測(cè)試學(xué)報(bào), 2007,26(1): 66-69.

[14] Galv?o R K H, Araújo M C U, Silva E C,et al. Cross-validation for the selection of spectral variables using the successive rojections algorithm[J]. Journal of the Brazilian Chemical Society, 2007,18(8): 1580-1584.

[15] 劉秀英, 王力, 宋榮杰, 等. 黃綿土風(fēng)干過(guò)程中土壤含水率的光譜預(yù)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015,46(4): 266-272.

[16] 高洪智, 盧啟鵬, 丁海泉, 等. 基于連續(xù)投影算法的土壤總氮近紅外特征波長(zhǎng)的選取[J]. 光譜學(xué)與光譜分析, 2009,29(11): 2951-2954.

[17] 魯如坤. 土壤農(nóng)業(yè)化學(xué)分析方法[M]. 北京: 中國(guó)農(nóng)業(yè)科技出版社,2000.

[18] 王強(qiáng), 易秋香, 包安明, 等. 基于高光譜反射率的棉花冠層葉綠素密度估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012,28(15): 125-132.

[19] Brown D J, Shepherd K D, Walsh M G,et al. Global soil characterization with VNIR diffuse reflectance spectroscopy[J]. Geoderma, 2006,132(3): 273-290.

[20] Muller E, Decamps H. Modeling soil moisture reflectance[J]. Remote Sensing of Environment, 2001,76(2): 173-180.