基于土壤光譜特性的土壤類型區(qū)分研究

辛京達(dá) 陳成 刀劍 王建雄

摘要：選取云南農(nóng)業(yè)大學(xué)某試驗地為研究區(qū)域，一方面利用無人機掛載多光譜相機獲取研究區(qū)域的多光譜遙感影像，通過對比多光譜單波段反射率以及多光譜影像發(fā)現(xiàn)，綠光和紅光波段對3類土壤較為敏感，且反射率具有明顯差異，對多光譜數(shù)據(jù)進行8種合成指數(shù)計算后發(fā)現(xiàn)，紅綠比值指數(shù)（RG）對3種土壤的區(qū)分效果最優(yōu);另一方面利用美國ASD公司的FS4 NG地物光譜儀對獲取的土壤樣本進行多光譜測定，通過主成分分析對土壤樣本進行區(qū)分，一階微分變換后主成分分析前5個主成分提供了85%的光譜信息，而二階微分變換后主成分分析前5個主成分提供了95%的光譜信息，且后者區(qū)分效果優(yōu)于前者。

關(guān)鍵詞：多光譜;高光譜;植被指數(shù);主成分分析;土壤類型區(qū)分

中圖分類號： S127;S151.9 ?文獻標(biāo)志碼： A ?文章編號：1002-1302（2021）10-0207-06

土壤作為農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，是一種至關(guān)重要的自然資源，快速準(zhǔn)確地對土壤進行區(qū)分，可以加快土地利用規(guī)劃等工作的進度。隨著光譜技術(shù)的快速發(fā)展，眾多學(xué)者嘗試?yán)霉庾V技術(shù)對土壤進行類別劃分[1]。如Stoner等將美國和巴西的485個土壤樣本的反射光譜曲線分為5種類型：有機質(zhì)控制型、最小改變型、鐵影響型、有機質(zhì)影響型和鐵控制型[2];我國學(xué)者戴昌達(dá)將我國的23類土壤，根據(jù)其反射光譜特征，將反射光譜曲線分為4類：平直型、緩斜型、陡坎型和波浪形[3];李丹等將215個廣東省水稻土壤數(shù)據(jù)通過S-G一階導(dǎo)數(shù)平滑，處理后帶入支持向量機分類，土類級分類精度達(dá)到59%[4];吳豪翔等對我國南方丘陵的磚紅壤、紅壤、黃壤、水稻土和紫色土的光譜反射率進行了定量分析，為土壤分類提供了光譜定量指標(biāo)[5]。本研究以3種土壤類型樣本的高光譜反射光譜和多光譜影像作為研究對象，分別采用主成分分析法和合成光譜指數(shù)對土壤樣本進行區(qū)分，旨在為土壤類型的區(qū)分提供更加準(zhǔn)確、快速的方法。1 材料與方法

1.1 研究區(qū)域概況與土樣采集

研究區(qū)域位于云南省昆明市盤龍區(qū)云南農(nóng)業(yè)大學(xué)現(xiàn)代教育實踐基地后山試驗田內(nèi)，地理位置為25°8′E，102°45′N，氣候類型屬亞熱帶高原季風(fēng)氣候，試驗區(qū)面積約為6.67 hm2。原試驗區(qū)經(jīng)實地調(diào)查分析后確認(rèn)其表層土壤均為山原紅壤，在土地平整后，發(fā)現(xiàn)試驗區(qū)內(nèi)出現(xiàn)了與山原紅壤差異較大的土壤，其土質(zhì)粗糙且含沙量較多，極有可能為混合土壤。經(jīng)過實地調(diào)查發(fā)現(xiàn)，該沙質(zhì)土為土地平整時期施工人員由他處覆來。

土壤樣品采自試驗田內(nèi)3類不同土壤的0～20 cm 表層土樣品，數(shù)量為30個，采樣時間為2019年11月16日，土壤經(jīng)過風(fēng)干研磨后通過2 mm孔篩，試驗區(qū)采樣點如圖1所示。

1.2 多光譜數(shù)據(jù)采集與處理

1.2.1 區(qū)域多光譜數(shù)據(jù)采集 使用大疆M100無人機掛載派諾特五鏡頭多光譜相機，對試驗區(qū)域進行多光譜影像采集。無人機飛行高度為60 m，設(shè)置飛行航向重疊率為70%，旁向重疊率為75%，飛行速度為 12 m/s，多光譜相機鏡頭垂直地面向下，間隔 2 s 拍攝試驗地塊4個波段（綠光、紅外光、紅邊、近紅外光）的多光譜正攝影像圖。

1.2.2 實驗室內(nèi)多光譜數(shù)據(jù)采集 將處理后的土壤樣本置于實驗室內(nèi)，刮平表面，并對多光譜相機進行室內(nèi)灰板校正。利用派諾特多光譜相機采集3類土壤樣本4個波段的反射率。

1.2.3 合成光譜指數(shù) 目前研究發(fā)現(xiàn)多光譜對植被覆蓋較為敏感，但針對土壤的多光譜研究相對較少，并且并無權(quán)威的多光譜土壤指數(shù)可以使用，因此本研究為了更好地對反射物質(zhì)特性進行研究，選用與綠光、紅光、近紅外光、紅邊波段有關(guān)的常見合成指數(shù)對反射光譜進行合成，其計算公式如表1所示。

其中，RVI為比值植被指數(shù)，是由Jordan提出的一種最早的植被指數(shù)，它是近紅外光波段和紅光波段反射率的比值，有研究表明，在植被區(qū)域RVI通常大于2，土壤區(qū)域RVI通常在1左右[6]。DVI為差值植被指數(shù)，它是近紅外光波段和紅光波段的差值，它對土壤的環(huán)境較為敏感，通常情況下土壤區(qū)域DVI在0.05左右[7]。NDVI為歸一化植被指數(shù)，也是目前最常用的一種植被表征指標(biāo)[8]，它將比值限定在-1～1之間，通常土壤區(qū)域NDVI為0.1左右。NDVI705是對NDVI進行了改進，為紅邊歸一化植被指數(shù)，同樣它的范圍也為-1～1，通常情況下，土壤區(qū)域的NDVI705小于0.2[9]。GNDVI為綠通道植被指數(shù)，它在NDVI的基礎(chǔ)上將紅光波段替換為綠光波段，這也使得它相比于NDVI更加穩(wěn)定[10]。RG為紅綠比值指數(shù)，是紅光波段與綠光波段的比值，范圍通常為0.1～8.0，土壤區(qū)域RG通常約為1.3[11]。LCI為優(yōu)化植被指數(shù)，目前研究發(fā)現(xiàn)LCI在判定葉片葉綠素含量及含氮量方面具有很好的潛力。OSAVI為優(yōu)化土壤調(diào)整植被指數(shù)，它在NDVI的基礎(chǔ)上將土壤環(huán)境納入考量，從而減少土壤環(huán)境的影響[12]。

1.3 高光譜數(shù)據(jù)采集與處理

將處理后的土壤樣本于暗室內(nèi)進行光譜測量，利用美國ASD公司的FS4 NG地物光譜儀測得3類土壤共計30個樣本350～2 500 nm范圍內(nèi)的光譜反射率。為了消除噪聲的影響，對測得的數(shù)據(jù)僅保留400～2 400 nm，并對處理后的數(shù)據(jù)分別進行一階微分變換和二階微分變換，擴大樣品間的光譜差異，在原始曲線快速變化的區(qū)間有明顯的波峰或波谷，便于土壤類型的區(qū)分[13]。

2.2 多光譜特性分析

2.2.1 單波段多光譜特性 對實驗室獲取的3類土壤分別進行均值處理，其反射率均值如圖2所示。

從圖2可以看出，3類土壤樣本4個波段的反射率均在0.07～0.20之間，并且綠光和紅光波段對3類土壤較為敏感且反射率有明顯差異，紅邊波段對樣本3較為敏感，其反射率與另外2類樣本有明顯差異，而在近紅外光波段3類土壤反射率均值相近，這種特性也在試驗區(qū)的多光譜影像中體現(xiàn)出來，如圖3所示。

2.2.2 合成指數(shù)多光譜特性 對多光譜數(shù)據(jù)進行8種合成指數(shù)的計算，計算后的合成指數(shù)如表3所示。為了更好地對土壤進行區(qū)分，對計算后的合成指數(shù)進行Z-score標(biāo)準(zhǔn)化處理，得到一個綜合性指標(biāo)如圖4所示。

通過分析可以發(fā)現(xiàn)，盡管3類土壤樣本的8種合成指數(shù)在數(shù)值上差距不大，但對其進行標(biāo)準(zhǔn)化處理后可以很清晰地看出，除去GNDVI和LCI，剩余的6種合成指數(shù)均能對3類土壤進行區(qū)分。將預(yù)先處理的試驗區(qū)4個波段多光譜影像在ArcGIS中進行控制點矯正，利用柵格計算器進行多光譜影像的合成，獲得試驗區(qū)的8種合成指數(shù)影像，如圖5所示。

綜合土壤合成指數(shù)與合成指數(shù)影像圖分析得知， 在選取的8種合成指數(shù)中，盡管標(biāo)準(zhǔn)化后，除去

GNDVI和LCI，剩余的6種合成指數(shù)均能對3類土壤進行區(qū)分，但結(jié)合影像圖發(fā)現(xiàn)，GNDVI影像圖對第3類土壤較為敏感，與第1類及第2類有明顯區(qū)分;RG在影像圖上區(qū)分較為明顯，第1類土壤呈淡紅色，第2類土壤呈淡綠色摻雜淡黃色，第3類土壤呈綠色。

2.3 高光譜特性分析

2.3.1 原始光譜曲線分析 將測得的高光譜數(shù)據(jù)使用ViewSpecPro軟件進行處理，并導(dǎo)出3類土壤樣本各波段反射率，如圖6所示。通過3類土壤樣本的原始反射率可以看出，3類土壤樣本的原始反射率總體呈上升趨勢。在可見光波段（400～780 nm）反射率迅速上升，在近紅外光波段（780～2 150 nm）反射率上升趨勢趨于平緩，并且在1 400、1 900、2 200 nm附近出現(xiàn)明顯的吸收特征，這主要與鐵的氧化物有關(guān)[8]。

2.3.2 基于高光譜的主成分分析 將一階微分和二階微分處理后的30個土壤反射光譜數(shù)據(jù)在The Unscrambler軟件中進行主成分分析。取前10個主成分的貢獻率以及累積貢獻率，如表4、表5所示，從表中可以看出，一階微分變換前10個主成分包含了約92%的光譜信息，而二階微分變換前5個主成分包含了約95%的光譜信息。

在The Unscrambler繪制二維得分圖，如圖7、圖8所示?？梢钥闯觯谝浑A微分變換后的主成分分析得分圖中，樣本1大部分位于第一象限;樣本2大部分位于第四象限;樣本3位于第二、第三象限。而在二階微分變換后的主成分分析得分圖中，3類樣本分別位于第四、第一和第二象限，且樣本點之間無明顯重疊。因此一階微分和二階微分變換均能對3類土壤進行區(qū)分，且后者的分類效果明顯優(yōu)于前者。

3 結(jié)論

通過對土壤樣本的理化性質(zhì)分析，樣本3屬于山原紅壤，而其余2類樣本為混合了不同含量沙礫的混合山原紅壤。在多光譜分析中發(fā)現(xiàn)，紅光和綠光波段對3類土壤較為敏感，并且綜合標(biāo)準(zhǔn)化后的合成指數(shù)和試驗區(qū)的合成指數(shù)遙感影像發(fā)現(xiàn)，RG可以清晰地在影像中對3類土壤進行區(qū)分。在對高光譜原始反射率采用一階微分和二階微分變換后進行主成分分析，發(fā)現(xiàn)后者在分類效果上明顯優(yōu)于前者。本研究僅對山原紅壤以及其混合土壤進行光譜特性的區(qū)分，以后的研究中可以增加更多的土類，改進合成指數(shù)算法，從而提供一種更優(yōu)的土壤分類方式。

參考文獻：

[1]王 婷，劉振華，彭一平，等. 華南地區(qū)土壤有機質(zhì)含量高光譜反演[J]. 江蘇農(nóng)業(yè)學(xué)報，2020，36（2）：350-357.

[2]Stoner E R，Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal，1981，45（6）：1161-1165.

[3]戴昌達(dá). 中國主要土壤光譜反射特性分類與數(shù)據(jù)處理的初步研究[G]//國家遙感中心.遙感文選. 北京：科學(xué)出版社，1981：315-323.

[4]李 丹，彭智平，韓留生，等. 基于土壤反射光譜特性的廣東省稻田土壤快速分類[J]. 熱帶地理，2015，35（1）：29-34.

[5]吳豪翔，王人潮. 土壤光譜特征及其定量分析在土壤分類上的應(yīng)用研究[J]. 土壤學(xué)報，1991，28（2）：177-185.

[6]郭 鈮. 植被指數(shù)及其研究進展[J]. 干旱氣象，2003，21（4）：71-75.

[7]田慶久，閔祥軍. 植被指數(shù)研究進展[J]. 地球科學(xué)進展，1998，13（4）：327-333.

[8]Stow D A，Hope A，McGuire D，et al. Remote sensing of vegetation and land-cover change in Arctic Tundra Ecosystems[J]. Remote Sensing of Environment，2003，89（3）：281-308.

[9]Moroni M，Lupo E，Marra E，et al. Hyperspectral image analysis in environmental monitoring：setup of a new tunable filter platform[J]. Procedia Environmental Sciences，2013，19：885-894.

[10]Rahman M M，Robson A. Integrating Landsat-8 and Sentinel-2 time series data for yield prediction of sugarcane crops at the block level[J]. Remote Sensing，2020，12（8）：1313.

[11]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（5）：152-159.

[12]趙天奇. 面向變量施肥應(yīng)用的OSAVI測量儀的設(shè)計[D]. 北京：北京化工大學(xué)，2009.

[13]項宏亮. 應(yīng)用高光譜技術(shù)區(qū)分土壤類型的初步探討[D]. 蕪湖：安徽師范大學(xué)，2013.

[14]郭 熙，謝碧裕，葉英聰，等. 基于一階微分變換方法的南方丘陵稻田土壤電阻率高光譜特性研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報，2015，37（1）：190-198.

[15]徐念旭，田慶久，申懷飛，等. 基于微分變換的高光譜馬尾松和杉木識別[J]. 國土資源遙感，2018，30（4）：28-32.