多光譜技術(shù)在土壤成分含量檢測(cè)中的研究進(jìn)展

李鑫星， 曹閃閃， 白雪冰， 李 輝

1. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室， 北京 100083 2. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083

引 言

土壤是農(nóng)業(yè)生產(chǎn)的基礎(chǔ)， 不同的土壤成分含量對(duì)作物的生長(zhǎng)有不同的影響， 對(duì)于作物而言， 土壤中的營(yíng)養(yǎng)成分供應(yīng)的豐缺情況至關(guān)重要。 不同地區(qū)的土壤由于環(huán)境不同導(dǎo)致土壤成分含量有所不同， 土壤成分含量的不均會(huì)造成土壤退化、 土壤污染， 影響作物生長(zhǎng)等問(wèn)題[1-2]， 如： 土壤含水量的多少影響作物的生長(zhǎng)； 土壤有機(jī)質(zhì)直接影響土壤肥力； 土壤重金屬很難被分解， 長(zhǎng)期積累轉(zhuǎn)化為有毒化合物， 會(huì)造成土壤污染， 農(nóng)作物自身的自凈能力有限， 對(duì)農(nóng)作物的生長(zhǎng)有一定影響， 農(nóng)作物轉(zhuǎn)化為糧食可能間接危害人體健康； 土壤鹽分含量過(guò)多會(huì)造成土壤鹽漬化， 引起土壤板結(jié)、 肥力下降； 土壤酸堿度影響土壤中的化學(xué)反應(yīng)， 土壤過(guò)酸或過(guò)堿都造成植物體內(nèi)元素失衡， 影響植物生長(zhǎng)； 土壤缺少氮、 磷、 鉀使作物光合作用減弱， 造成葉片發(fā)黃等問(wèn)題制約著我國(guó)農(nóng)業(yè)的可持續(xù)發(fā)展。

多光譜技術(shù)是近年來(lái)發(fā)展較為迅猛的高新分析技術(shù)， 國(guó)內(nèi)外很多學(xué)者將它應(yīng)用于土壤學(xué)研究領(lǐng)域， 利用無(wú)人機(jī)搭載多光譜傳感器采集土壤樣本， 對(duì)樣本數(shù)據(jù)進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)和分析。 多光譜成像技術(shù)能夠在寬光譜范圍內(nèi)的窄光譜帶上進(jìn)行檢查， 從而可以直接評(píng)估具有診斷重要性的不可見(jiàn)或低對(duì)比度特征。 傳統(tǒng)的土壤成分檢測(cè)多采用化學(xué)分析方法， 存在人為誤差， 因此將多光譜技術(shù)應(yīng)用到土壤成分含量的檢測(cè)中是一個(gè)新的發(fā)展方向。

本文綜述了近6年來(lái)國(guó)內(nèi)外多光譜技術(shù)在土壤成分含量檢測(cè)領(lǐng)域應(yīng)用的相關(guān)文獻(xiàn)， 分析了多光譜成像技術(shù)的快速性、 準(zhǔn)確性和便捷性等特點(diǎn)， 簡(jiǎn)述了多光譜技術(shù)對(duì)土壤成分含量的檢測(cè)過(guò)程， 即： 土壤樣品制備、 采集多光譜圖像、 圖像預(yù)處理、 特征提取、 建立模型， 重點(diǎn)闡述了多光譜技術(shù)在土壤成分含量檢測(cè)中的研究進(jìn)展， 分析多光譜在土壤的水分、 有機(jī)質(zhì)、 氮磷鉀及其他成分(土壤鹽分和重金屬)中的研究進(jìn)展及存在的問(wèn)題， 并展望了多光譜技術(shù)在土壤成分含量檢測(cè)中的未來(lái)發(fā)展趨勢(shì)， 為土壤成分含量檢測(cè)研究提供一定的參考。

1 土壤成分多光譜成像檢測(cè)技術(shù)概述

土壤中營(yíng)養(yǎng)成分含量的變化直接影響作物的生長(zhǎng)， 因此需要對(duì)土壤成分含量進(jìn)行實(shí)時(shí)檢測(cè)， 并能預(yù)測(cè)土壤成分含量的變化趨勢(shì)， 及時(shí)采取措施對(duì)土壤成分含量進(jìn)行調(diào)整。 傳統(tǒng)的數(shù)據(jù)采集基于物理手段和化學(xué)方法， 非常費(fèi)時(shí)、 費(fèi)力， 為了高效采集土壤成分含量的數(shù)據(jù)， 采用多光譜成像的方法獲取樣本圖像信息和光譜信息。

1.1 多光譜技術(shù)特點(diǎn)

多光譜成像技術(shù)是一種結(jié)合了光譜學(xué)和成像技術(shù)的方法， 能夠有效的檢測(cè)土壤成分含量， 與傳統(tǒng)的土壤成分含量檢測(cè)方法相比有如下特點(diǎn)：

(1)快速性： 多光譜技術(shù)能夠同時(shí)獲取土壤樣本的空間信息和光譜信息， 不需要物理或化學(xué)處理， 利用多光譜成像儀直接獲取多光譜圖像， 僅需10～20 s。

(2)便捷性： 利用無(wú)人機(jī)搭載多光譜相機(jī)直接照射需要檢測(cè)地區(qū)， 通過(guò)分析直接獲取該地區(qū)土壤含量信息， 具有便捷性。

(3)準(zhǔn)確性： 多光譜技術(shù)通常采用10～20個(gè)工作波段， 根據(jù)土壤表面的光譜反射率曲線， 使用多光譜成像技術(shù)重建光譜反射率， 從而獲取土壤成分含量的準(zhǔn)確信息。 例如， 陳碩博等[3]根據(jù)光譜反射率曲線建立多元模型， 對(duì)模型進(jìn)行分析得到相關(guān)系數(shù)達(dá)到0.9以上。

1.2 多光譜技術(shù)檢測(cè)過(guò)程

多光譜成像檢測(cè)技術(shù)是一種間接檢測(cè)方法， 應(yīng)用多光譜對(duì)土壤成分定性或定量分析， 檢測(cè)過(guò)程可劃分為5個(gè)階段， 即： 土壤樣品制備、 采集多光譜圖像、 圖像預(yù)處理、 特征提取、 建立模型[4]。

圖1 土壤成分多光譜技術(shù)檢測(cè)流程圖

(1)土壤樣品集選擇： 土壤樣品集選擇是土壤分析的關(guān)鍵環(huán)節(jié)， 直接關(guān)系到分析的結(jié)果[5]： ①選擇制備覆蓋度較低的區(qū)域， 對(duì)多光譜反演影響較?。?②根據(jù)地形隨機(jī)和均勻地選擇采樣點(diǎn)， 保證研究結(jié)果的準(zhǔn)確性。

(2)采集多光譜圖像： 使用無(wú)人機(jī)搭載多光譜相機(jī)， 獲取土壤的光譜圖像， 為了使檢測(cè)結(jié)果更加準(zhǔn)確與穩(wěn)定， 必須嚴(yán)格控制測(cè)試時(shí)間、 路徑、 高度、 光照、 儀器參數(shù)等因素。

(3)數(shù)據(jù)預(yù)處理： 多光譜建模過(guò)程中存在許多不穩(wěn)定因素， 常常會(huì)受到一些與待測(cè)樣品性質(zhì)無(wú)關(guān)的信息的干擾， 為了建立一個(gè)更加穩(wěn)定、 可靠的土壤多光譜模型， 需要對(duì)多光譜數(shù)據(jù)進(jìn)行預(yù)處理[6]。 數(shù)據(jù)預(yù)處理方法中效果較好的有： 多元散射校正、 Savitzky-Golay平滑算法、 小波分析等。

(4)特征波段選擇： 在土壤成分含量的多光譜反演過(guò)程中， 特征性波段選擇即是找出地表反射率與土壤成分含量相關(guān)性高的波段[7]。

(5)建立模型： 使用不同的建模方法對(duì)采集的多光譜圖像建模， 分析得出用于檢測(cè)土壤成分含量的最合適模型。 目前較為常用數(shù)學(xué)建模方法包括非線性建模方法， 如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)和線性建模方法如多元線性回歸(multivariable linear regression, MLR)， 偏最小二乘法(partial least squares, PLS)和主成分分析(principal component analysis, PCA)。

2 土壤成分多光譜成像檢測(cè)

2.1 水分檢測(cè)

土壤含水量是影響農(nóng)作物生長(zhǎng)的一個(gè)重要指標(biāo)， 土壤含水量偏高或偏低都會(huì)影響農(nóng)作物的正常生長(zhǎng)。 土壤含水量的快速估算對(duì)于干旱半干旱地區(qū)的精準(zhǔn)農(nóng)業(yè)具有重要意義[8-10]， 因此研究一種簡(jiǎn)單、 快速、 準(zhǔn)確的方法測(cè)定土壤含水量非常重要。

國(guó)內(nèi)外學(xué)者利用多光譜成像對(duì)土壤含水量進(jìn)行實(shí)時(shí)、 準(zhǔn)確的檢測(cè)， 并已取得顯著成果。 高瞻等[11]以關(guān)中塿土為研究對(duì)象， 制備含水量為1%～25%的土壤樣本， 采集反射光譜， 建立模型， 結(jié)果表明通過(guò)偏最小二乘法和RBF神經(jīng)網(wǎng)絡(luò)建立模型可以更好地檢測(cè)土壤水分。 Hassan-Esfahani等[12]利用無(wú)人機(jī)載高光譜相機(jī)獲取圖像數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型， 估計(jì)表面土壤水分的有效性， 相關(guān)系數(shù)達(dá)到88%。 Helene等[13-14]利用光譜成像儀， 獲取田間土壤表面綠度及冠層溫度， 利用水分脅迫圖反演土壤含水率， 顯示整個(gè)季節(jié)所需灌溉量， 以確保作物健康生長(zhǎng)。 Petropoulos等[15]利用遙感數(shù)據(jù)大面積測(cè)定土壤水分。 張智韜等[16]利用多光譜遙感技術(shù)對(duì)土壤含水率大范圍快速檢測(cè)， 結(jié)果表明土壤表層約1 cm處是檢測(cè)土壤含水率的最佳檢測(cè)深度。 Wang等[17]采用相關(guān)系數(shù)法對(duì)表層土壤含水率的敏感帶進(jìn)行篩選， 對(duì)單個(gè)敏感帶的光譜數(shù)據(jù)構(gòu)建一元回歸模型并分析定量關(guān)系， 預(yù)測(cè)相關(guān)系數(shù)達(dá)0.92以上， 為多光譜技術(shù)監(jiān)測(cè)土壤表層含水率提供了一條新途徑。

每年總用水量的80%都用于作物灌溉， 但實(shí)際利用率僅40%， 由于這些不當(dāng)?shù)墓喔确绞綄?dǎo)致水資源嚴(yán)重浪費(fèi), 多光譜技術(shù)能夠有效的大范圍動(dòng)態(tài)監(jiān)測(cè)土壤含水量。 但是， 采集土壤多光譜數(shù)據(jù)時(shí)容易受到土壤地貌、 植被覆蓋率和當(dāng)日氣候等因素的影響， 并且多光譜在可見(jiàn)光和近紅外光譜區(qū)域內(nèi)波段較少， 因此可以與高光譜數(shù)據(jù)融合提高反演精度， 進(jìn)行互補(bǔ)式土壤水分反演。

2.2 有機(jī)質(zhì)檢測(cè)

土壤有機(jī)質(zhì)(soil organic matter， SOM)是土壤成分中供農(nóng)作物生長(zhǎng)必不可少的營(yíng)養(yǎng)成分之一, SOM在很大程度上影響大氣中的CO2濃度甚至全球碳循環(huán)[18-21]， 其含量的多少與土壤肥力和植被狀況直接相關(guān)。

Liu等[22-24]提出基于相似性與深度函數(shù)相結(jié)合的方法， 預(yù)測(cè)土壤中有機(jī)質(zhì)濃度的三維變化。 袁征等[25]利用光譜對(duì)土壤有機(jī)質(zhì)含量定量估測(cè)， 采用不同的建模方法分析， 其中模糊識(shí)別模型決定系數(shù)達(dá)到0.973， 優(yōu)于其他模型精度。 Anne等[26]采用光譜與偏最小二乘回歸建模方法， 預(yù)測(cè)佛羅里達(dá)州西海岸濕地土壤有機(jī)質(zhì)的含量， 相關(guān)系數(shù)達(dá)到0.81。 陳思明等[27]為了提高濕地土壤有機(jī)質(zhì)含量的預(yù)測(cè)精度， 分別用不同多光譜的不同波段反射率測(cè)量土壤有機(jī)質(zhì)的含量， 通過(guò)3種不同的數(shù)據(jù)模型(多元逐步回歸方法、 BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī))建立土壤有機(jī)質(zhì)反演模型， 通過(guò)實(shí)驗(yàn)數(shù)據(jù)分析得出基于支持向量機(jī)模型為光譜檢測(cè)土壤成分含量的最佳模型。 該研究為濕地土壤有機(jī)質(zhì)含量的預(yù)測(cè)精度提供了技術(shù)可行性。 王銳等[28]利用LandSat8多光譜遙感技術(shù)分析地表反射率與土壤有機(jī)質(zhì)的相關(guān)性， 建立遙感反演模型計(jì)算土壤有機(jī)質(zhì)含量分布， 結(jié)果表明， 地表反射率與土壤有機(jī)質(zhì)含量呈負(fù)相關(guān)， 并且呈現(xiàn)不規(guī)律分布。

多光譜技術(shù)對(duì)土壤有機(jī)質(zhì)光譜反演機(jī)理研究的檢測(cè)準(zhǔn)確度較高[6]， 但是由于土壤的復(fù)雜性， 光照強(qiáng)弱的影響及植被的覆蓋率和種類對(duì)多光譜反演土壤有機(jī)質(zhì)數(shù)學(xué)模型有一定的影響， 因此在今后的研究中數(shù)學(xué)建模技術(shù)的進(jìn)一步創(chuàng)新仍占有很大的發(fā)展空間。

目前較為常用數(shù)學(xué)建模方法包括非線性建模方法RNN和線性建模方法MLR， PLS和PCA。 它們?cè)诮Ｖ杏懈髯缘奶攸c(diǎn)及適用范圍， 如表1所示。

表1 四種建模方法的對(duì)比分析

2.3 氮、 磷、 鉀檢測(cè)

土壤成分中的氮、 磷、 鉀對(duì)作物生長(zhǎng)有重要的作用， 適量的成分對(duì)作物的光合作用有一定的促進(jìn)作用， 快速準(zhǔn)確地估算土壤的氮、 磷、 鉀含量有助于促進(jìn)處方施肥。 土壤成分中不同營(yíng)養(yǎng)元素在不同光譜波段上的敏感度不同， 如近紅外波段對(duì)土壤中的氮、 磷元素比較敏感， 而可見(jiàn)光能更好的檢測(cè)土壤中的鉀元素[35]。

Thielebruhn等[36]利用可見(jiàn)-近紅外光譜估算土壤總氮， 使用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣和迭代保留信息變量算法， 結(jié)合偏最小二乘回歸， 提高預(yù)測(cè)精度。 Zhang等[37]測(cè)量土壤樣品的實(shí)時(shí)近紅外吸收光譜， 使用連續(xù)體去除土壤水分干擾， 利用小波分析確定6個(gè)敏感波段， 建立總氮含量回歸模型實(shí)時(shí)預(yù)測(cè)土壤中的總氮含量。 Morellos等[38]利用移動(dòng)式纖維型可見(jiàn)光和近紅外光收集土壤光譜， 建立非線性數(shù)據(jù)模型。 結(jié)果表明Cubist方法提供了土壤總氮的最佳模型， RMSEP=0.071, RPD=1.96。 萬(wàn)余慶等[39]通過(guò)分析0.4～2.5 μm之間光譜反射率與土壤氮磷鉀含量的相關(guān)性， 得到最密切反射率波長(zhǎng)為500， 800和760 nm， 為大范圍處方施肥提供依據(jù)。 Xu等[51]利用隨機(jī)森林方法建立了土壤總氮預(yù)測(cè)模型， 探討了不同超分辨率貝葉斯法(PAN)光譜指數(shù)對(duì)土壤總氮預(yù)測(cè)模型的影響， 其中基于多光譜和GS PAN光譜指數(shù)的土壤總氮模型獲得較高的預(yù)測(cè)精度。

光譜技術(shù)能夠快速、 方便的實(shí)時(shí)檢測(cè)土壤的氮磷鉀含量， 但是土壤氮的檢測(cè)仍然受許多因素影響， 其中土壤水分含量的多少、 多光譜采集圖像光照強(qiáng)度的影響以及土壤顆粒的大小等因素干擾土壤總氮含量的檢測(cè)， 影響模型的校準(zhǔn)精度。

2.4 其他成分檢測(cè)

除上述成分含量檢測(cè)之外， 土壤中的鹽分和重金屬也進(jìn)行了相關(guān)的測(cè)定。

土壤鹽分含量過(guò)多會(huì)形成土壤鹽漬化， 引起土壤板結(jié)、 肥力下降。 土壤鹽漬化是全世界發(fā)生的主要土壤退化威脅之一[40-41]， 土壤鹽分含量監(jiān)測(cè)同樣受到許多專家學(xué)者的關(guān)注。 王明寬等[42]以黃河三角洲為采樣點(diǎn)， 實(shí)地采集土壤樣本， 采用Landsat8影像建立相應(yīng)的模型得出光譜反射率與土壤鹽分含量并不僅僅是線性關(guān)系。 張雅莉等[43]利用多光譜影像提高土壤鹽分反演精度， 建立多元逐步回歸土壤鹽分估算模型。 研究表明： 重采樣光譜數(shù)據(jù)的估算模型的決定系數(shù)達(dá)到0.779。 Zhang等[44]使用多光譜相機(jī)獲取黃河三角洲土壤鹽度數(shù)據(jù)， 建立土壤鹽度估算模型， 最佳模型為SAVI線性模型， 相關(guān)系數(shù)達(dá)到0.747， 為土壤鹽分估算提供了一種快速有效的方法。 土壤鹽堿化跟干旱一樣影響農(nóng)作物生產(chǎn)， 因此土壤酸堿度也是一個(gè)重要指標(biāo)。 李云等[45]利用多光譜圖像的顏色特征建立土壤酸堿度偏最小二乘預(yù)測(cè)模型， 結(jié)果顯示決定系數(shù)達(dá)到0.91。

土壤中含有多種重金屬成分[46-47]， 隨著土壤重金屬含量的增加， 造成土壤污染， 導(dǎo)致微生物量下降， 影響作物生長(zhǎng)， 甚至間接影響人類健康， 人們逐漸意識(shí)到土壤重金屬含量的檢測(cè)與治理的重要性。 郭云開(kāi)等[48]根據(jù)多光譜傳感器的光譜響應(yīng)函數(shù)， 采用實(shí)測(cè)ISI921VF反射光譜數(shù)據(jù)模擬Landsat衛(wèi)星ETM+傳感器多光譜數(shù)據(jù)， 在模擬光譜的基礎(chǔ)上， 通過(guò)光譜特征提取、 構(gòu)建土壤指數(shù)對(duì)土壤重金屬進(jìn)行預(yù)測(cè)分析。 Chen等[49]基于重金屬與各種土壤性質(zhì)和反射光譜的關(guān)系， 表明土壤光譜更適合作為內(nèi)插重金屬濃度的協(xié)變量。 Khumaeni等[50]利用發(fā)射光譜線信噪比的方法檢測(cè)土壤中Cu和Hg含量。

土壤中的重金屬元素在其存在的環(huán)境中并不能穩(wěn)定下來(lái)， 由于植物對(duì)重金屬的累積、 自凈等原因， 重金屬會(huì)隨著條件的變化進(jìn)行遷移或富集。 多光譜技術(shù)的快速性能夠?qū)崟r(shí)檢測(cè)土壤中的重金屬。 但是， 土壤重金屬檢測(cè)不僅要注意它們的總量， 還必須分析各種形態(tài)的含量， 因此， 土壤重金屬的檢測(cè)還有有待進(jìn)一步研究。

3 發(fā)展趨勢(shì)

多光譜技術(shù)在土壤成分含量檢測(cè)中的應(yīng)用前景十分廣泛， 利用多光譜技術(shù)檢測(cè)土壤成分含量的研究很多， 取得了一定的成果， 為土壤成分含量的檢測(cè)提供了良好的技術(shù)支持。

(1)機(jī)器學(xué)習(xí)算法建?？稍黾訖z測(cè)的準(zhǔn)確性、 快速性、 魯棒性。 在多光譜土壤成分檢測(cè)中， 結(jié)合機(jī)器學(xué)習(xí)算法中的無(wú)監(jiān)督和監(jiān)督模型分析各種數(shù)據(jù)驅(qū)動(dòng)模型與不同實(shí)際測(cè)量環(huán)境下使用的輸入數(shù)據(jù)相結(jié)合的潛力， 機(jī)器學(xué)習(xí)提供了一種數(shù)據(jù)驅(qū)動(dòng)的解決方案， 減少了土壤成分分布不均的光譜數(shù)據(jù)對(duì)建模結(jié)果的影響。

(2)多光譜圖像融合在數(shù)字土壤制圖中是一個(gè)新的研究方向， 正處于起步階段， 多光譜圖像與全色圖像相結(jié)合獲取多光譜全色波段， 多光譜圖像融合也稱全色銳化(PanSharpening)。 PanSharpening技術(shù)在土壤成分含量檢測(cè)中， 能夠提高預(yù)測(cè)模型的分析精度和準(zhǔn)確度， 需要更多的研究來(lái)探索多光譜數(shù)字圖像融合對(duì)土壤預(yù)測(cè)模型的影響， 為加快實(shí)現(xiàn)實(shí)時(shí)在線土壤成分含量檢測(cè)提供技術(shù)參考。

(3)存在多種光譜數(shù)據(jù)算法， 目前將多種算法結(jié)合處理數(shù)據(jù)占據(jù)主導(dǎo)， 主要以2種或2種以上的算法的結(jié)合的數(shù)據(jù)處理方法為主， 在今后較長(zhǎng)一段時(shí)間內(nèi)， 這種方法仍是處理數(shù)據(jù)的主流方法。 將多種算法相結(jié)合， 對(duì)傳統(tǒng)數(shù)據(jù)處理的算法進(jìn)行改進(jìn)， 能夠更好地發(fā)揮這些算法的優(yōu)勢(shì)， 獲取一種更好的結(jié)合算法能夠精確、 快速的解決更多的土壤成分含量檢測(cè)的問(wèn)題。