基于機(jī)載高光譜數(shù)據(jù)的田間尺度胡敏酸含量估算

郭 晗，徐敏賢，徐飛飛，羅 明，陸 洲，*，張 序

(1.蘇州科技大學(xué) 環(huán)境科學(xué)與工程學(xué)院，江蘇 蘇州 215009；2.中國科學(xué)院 地理科學(xué)與資源研究所，北京 100101；3.中億豐建設(shè)集團(tuán)股份有限公司，江蘇 蘇州 215131)

作為衡量土壤生產(chǎn)力的重要指標(biāo)，土壤肥力的高效監(jiān)測受到學(xué)者的廣泛關(guān)注。高光譜技術(shù)的快速發(fā)展，為土壤組分空間量化帶來新的手段。衛(wèi)星遙感具有飛行高度高、掃描帶寬大的特點(diǎn)，能夠在短時(shí)間內(nèi)獲取大面積的光譜信息[1]，現(xiàn)已在區(qū)域土壤肥力監(jiān)測中得到廣泛運(yùn)用。Meng等[2]、馬馳[3]、齊雁冰等[4]分別基于不同衛(wèi)星的高光譜數(shù)據(jù)，展開區(qū)域尺度的土壤組分高光譜估算，均取得了較好的預(yù)測效果。然而，當(dāng)前全世界范圍內(nèi)的農(nóng)業(yè)生產(chǎn)模式仍以家庭農(nóng)場為主，生產(chǎn)規(guī)模難以達(dá)到區(qū)域尺度[5]；因此，基于大范圍尺度建立的土壤肥力預(yù)測模型并不適用于以家庭農(nóng)場為主的生產(chǎn)單元內(nèi)的土壤肥力預(yù)測。相較于區(qū)域尺度上的土壤肥力監(jiān)測，田間尺度上的土壤肥力監(jiān)測更適應(yīng)于當(dāng)前農(nóng)業(yè)的發(fā)展需求。

進(jìn)入21世紀(jì)以來，無人機(jī)(UAV)遙感技術(shù)迅速發(fā)展。相較于衛(wèi)星遙感，無人機(jī)遙感在光譜分辨率、操作靈活性上均有大幅提高，并已逐漸應(yīng)用于田間尺度上的土壤光譜實(shí)時(shí)獲取[6]。當(dāng)前，基于無人機(jī)高光譜的土壤肥力估算多圍繞土壤中含量較高的有機(jī)質(zhì)展開。Peón等[7]利用機(jī)載高光譜掃描儀(AHS)構(gòu)建山區(qū)植被覆蓋區(qū)數(shù)據(jù)源，建立起可對土壤有機(jī)質(zhì)進(jìn)行高效監(jiān)測的多元線性回歸預(yù)測模型。秦凱[8]通過重建機(jī)載高光譜數(shù)據(jù)，展開巖石礦物和土壤有機(jī)質(zhì)的信息提取算法研究，建立了高效估算有機(jī)質(zhì)含量的模型。張東輝等[9]利用CASI-1500航空高光譜成像系統(tǒng)，在380～1 050 nm光譜范圍內(nèi)預(yù)測了我國建三江區(qū)域的土壤肥力，對有機(jī)質(zhì)含量的估算誤差為5.25%，預(yù)測效果理想。王磊[10]采用Cubert UHDl85機(jī)載高速成像光譜儀對耕地土壤有機(jī)質(zhì)含量與光譜響應(yīng)規(guī)律進(jìn)行測定，為利用無人機(jī)高光譜估算耕地土壤肥力提供了方法借鑒。盡管針對土壤有機(jī)質(zhì)含量的高光譜估算方法已趨于成熟，但由于土壤有機(jī)質(zhì)組成復(fù)雜，且會(huì)因內(nèi)部碳氮比變換，以及外部水熱狀況、通氣狀況、土壤酸堿性的變化而發(fā)生礦化、腐殖化反應(yīng)；因此，不同環(huán)境土壤有機(jī)質(zhì)對光譜的響應(yīng)差異較大[11]，有機(jī)質(zhì)估算模型的普適性也較差。相較于有機(jī)質(zhì)，胡敏酸成分單一，理化性質(zhì)穩(wěn)定，不易受環(huán)境影響，可與光譜建立穩(wěn)固響應(yīng)[12]。同時(shí)，胡敏酸對土壤結(jié)構(gòu)和土壤中有機(jī)碳的變換均具有重要作用[13]。因此，對胡敏酸含量進(jìn)行高效監(jiān)測，對于精準(zhǔn)農(nóng)業(yè)的發(fā)展來說亦具有重要的應(yīng)用價(jià)值。

本文以無人機(jī)高光譜系統(tǒng)為數(shù)據(jù)源，以南方水稻土為研究對象，在田間尺度上開展胡敏酸含量的估算研究。主要研究內(nèi)容包括：(1)首先，對原始光譜進(jìn)行去除包絡(luò)線(CR)、倒數(shù)(IR)、對數(shù)(LR)、一階導(dǎo)數(shù)(FDR)、二階導(dǎo)數(shù)(SDR)、倒數(shù)&一階導(dǎo)數(shù)(IFDR)、對數(shù)&一階導(dǎo)數(shù)(LFDR)、倒數(shù)&對數(shù)(ILR)8種變換，篩選可增強(qiáng)光譜敏感性的最佳單波段變換方法。接著，對原始光譜和經(jīng)單波段變換后的光譜進(jìn)行歸一化處理，構(gòu)建歸一化光譜指數(shù)(NDSI)，削弱不同波段之間的干擾，增強(qiáng)光譜與土壤胡敏酸含量間的復(fù)雜聯(lián)系。(2)對歸一化光譜指數(shù)與胡敏酸含量進(jìn)行相關(guān)性分析，剔除冗余光譜，定位胡敏酸含量響應(yīng)歸一化光譜指數(shù)的準(zhǔn)確位置。(3)建立多元線性回歸(MLR)、偏最小二乘(PLSR)、反向神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)(SVM)等估算模型，綜合分析決定系數(shù)(R2)、均方根誤差(RMSE)、相對分析誤差(RPD)，對模型性能做出評價(jià)，從而篩選出最佳光譜變換與建模方法的組合，為實(shí)現(xiàn)田間尺度上的胡敏酸含量高光譜監(jiān)測提供方法借鑒。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于江蘇省蘇州市震澤鎮(zhèn)(圖1-A)，地理坐標(biāo)在120°30′56.31″～120°31′11.30″E，30°56′48.53″～30°57′2.07″N。該地年降水量在800～1 500 mm，氣候溫暖、濕潤[14]，屬亞熱帶濕潤季風(fēng)氣候區(qū)。土壤類型以粉砂質(zhì)黏壤為主，具有顆粒細(xì)小、孔隙度高的特點(diǎn)[15]，有利于降水入滲，且底土層的黏壤或粉砂黏壤對入滲降水有攔截作用，保水保肥性好。研究區(qū)耕地類型以水田為主，水稻是主要的種植作物[16]。

1.2 土樣采集與胡敏酸含量測定

去除道路、水渠等非農(nóng)田區(qū)域，通過ArcMap 10.6軟件的Create Finshnet工具，繪制邊長40 m的網(wǎng)格，以每個(gè)網(wǎng)格中心為采樣點(diǎn)，在整個(gè)研究區(qū)內(nèi)均勻布設(shè)45個(gè)采樣點(diǎn)。

實(shí)際采樣時(shí)，將45個(gè)采樣點(diǎn)的坐標(biāo)導(dǎo)入佳明ETrex229X型戶外手持GPS導(dǎo)航儀中，通過5點(diǎn)采樣法(以每個(gè)點(diǎn)的坐標(biāo)為中心，做邊長40 m的正方形，以中心點(diǎn)和正方形的4個(gè)頂點(diǎn)為采樣點(diǎn))采集0～15 cm的表層土壤1 kg，充分混合后作為一個(gè)土樣，避光保存。

胡敏酸含量測定，采用國際腐殖酸協(xié)會(huì)推薦的方法，結(jié)合Rosa等[17]、李麗等[18]的研究，簡述如下：加入0.05 mol·L-1的NaOH，超聲振蕩30 min提取，將提取液于4 500 r·min-1條件下高速離心10 min，重復(fù)提取3次；然后，加入1 mol·L-1的HCl溶液，調(diào)節(jié)pH值至1～2，收集沉淀；再用0.1 mol·L-1KCl溶解沉淀，去除膠體雜質(zhì)，收集上清液，向上清液中加入1 mol·L-1的HCl，調(diào)節(jié)pH值至1～2，再次收集沉淀，稱量，測算土壤胡敏酸含量。

向SPSS 22軟件導(dǎo)入采樣點(diǎn)胡敏酸含量，根據(jù)含量分布，將32個(gè)樣本劃分為建模集、13個(gè)樣本劃分為驗(yàn)證集(圖1-B)。不同樣本集合在空間分布上較為均勻。

圖1 研究區(qū)位置

1.3 高光譜數(shù)據(jù)采集與處理

1.3.1 高光譜數(shù)據(jù)采集

利用四川雙利合譜科技有限公司自主研發(fā)的GaiaSky-Mini2-VN高光譜成像系統(tǒng)獲取研究區(qū)的高光譜數(shù)據(jù)。GaiaSky-Mini2-VN機(jī)載成像傳感器的參數(shù)如下：光譜范圍396～1 000 nm，光譜分辨率3.5 nm，探測器全幅像素1 920 pixel×1 440 pixel，鏡頭焦距23 mm，圖像最大分辨率1 920 pixel×2 080 pixel，圖像默認(rèn)分辨率960 pixel×1 040 pixel，Bin方式包括1 440通道、720通道、360通道、176通道，空間分辨率(鏡頭焦距23 mm、飛行高度300 m)可達(dá)0.12 m，掃描速度為9 s·通道-1。該系統(tǒng)克服了中小型無人機(jī)搭載推掃式高光譜相機(jī)工作過程中由于無人機(jī)系統(tǒng)振動(dòng)而引起的成像質(zhì)量差的問題，可與大疆Mpro 600無人機(jī)(深圳市大疆創(chuàng)新科技有限公司)完美結(jié)合，完成目標(biāo)識別、地面物體遙測等功能。

為削弱非必要環(huán)境因素對高光譜數(shù)據(jù)的影響，于2020-01-22獲取高光譜數(shù)據(jù)。此時(shí)，正值水稻休耕期，研究區(qū)地表裸露。當(dāng)天，天氣晴朗，風(fēng)量小。設(shè)置飛行高度300 m，旁向覆蓋率70%，南北方向飛行2個(gè)架次，空間分辨率達(dá)到0.12 m，光譜分辨率達(dá)到3.5 nm。

對于獲得的高光譜數(shù)據(jù)，先利用GaiaSky-Mini2-VN高光譜成像系統(tǒng)自帶的數(shù)據(jù)處理工具Spec View對60景影像進(jìn)行鏡頭校正、反射率校準(zhǔn)、大氣校正處理，再利用HiSpectral Stitcher工具實(shí)現(xiàn)研究區(qū)影像拼接。通過Envi 5.3軟件的ROI Tool工具提取采樣點(diǎn)反射率。

1.3.2 高光譜數(shù)據(jù)處理

高光譜數(shù)據(jù)具有精度高、信息量大的特點(diǎn)。為去除冗余信息、增強(qiáng)波段之間的微弱關(guān)聯(lián)、減弱模型的復(fù)雜性[19]，首先對176個(gè)波段45個(gè)采樣點(diǎn)的原始反射率分別進(jìn)行CR、IR、LR、FDR、SDR、IFDR、LFDR、ILR等8種單波段變換。

在單波段變換的基礎(chǔ)上，為深度挖掘光譜與土壤組分之間的復(fù)雜關(guān)系，在Matlab2018(a)軟件中對未經(jīng)變換的原始光譜和經(jīng)單波段變換后的光譜進(jìn)行兩兩組合，構(gòu)建NDSI。計(jì)算公式如下。

(1)

式(1)中：VNDSI為NDSI的值；λ1、λ2為任意2個(gè)波段(經(jīng)單波段變換或不經(jīng)變換)的光譜，λ1≠λ2。

1.4 胡敏酸含量估算模型的建立與評價(jià)

1.4.1 特征光譜提取

特征光譜的準(zhǔn)確篩選是建立優(yōu)質(zhì)模型的關(guān)鍵。高光譜數(shù)據(jù)經(jīng)處理后，形成的NDSI數(shù)據(jù)量很大。為提高建模效率，增加模型可比性，對冗余光譜進(jìn)行剔除，并對模型的輸入變量進(jìn)行統(tǒng)一。在Matlab2018(a)軟件中通過Corrcoef函數(shù)[20]計(jì)算NDSI與胡敏酸含量的相關(guān)性系數(shù)，并對其排序，篩選出響應(yīng)胡敏酸含量變化強(qiáng)烈的光譜，作為建模的特征光譜。

1.4.2 模型建立

結(jié)合已有研究[1，21-24]，選取MLR、PLSR構(gòu)建胡敏酸含量估算的線性模型，選取BPNN、SVM構(gòu)建胡敏酸含量估算的非線性模型。

在SPSS 22軟件中構(gòu)建MLR模型?？紤]到光譜之間可能存在的共線性問題，選用后退法篩選聯(lián)合作用強(qiáng)的自變量，剔除對因變量影響不顯著的自變量。以95%作為變量誤差表征級別，對變量進(jìn)行選入和剔除[25]，構(gòu)建基于原始光譜及其8種單波段變換的預(yù)測模型。

在Matlab2018(a)軟件中構(gòu)建PLSR模型。翁永玲等[26]研究表明：PLSR在土壤組分高光譜估算中能有效地減少光譜維數(shù)，揭示最大組分含量變化的主控因子，且建立的模型有很好的穩(wěn)定性。但也有研究表明：當(dāng)土壤類型增多時(shí)，PLSR表現(xiàn)不出較好的預(yù)測效果[27]。本文是在田間尺度上對土壤組分含量進(jìn)行預(yù)測，土壤類型單一，推測在建立PLSR模型時(shí)不存在上述問題。

在Matlab2018(a)軟件中構(gòu)建BPNN模型。BPNN是一種按照誤差逆向傳播算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[28]。研究表明，BPNN能高速尋找優(yōu)化解，充分逼近復(fù)雜的非線性關(guān)系[29]。本文在BPNN模型訓(xùn)練中，通過輸入變量選擇來提高模型質(zhì)量，從而充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。

在Matlab2018(a)軟件中構(gòu)建SVM模型。SVM是一種以非線性映射為理論基礎(chǔ)的小樣本機(jī)器學(xué)習(xí)方法。SVM的精髓，是利用核函數(shù)對數(shù)據(jù)進(jìn)行高效分類。徑向基核函數(shù)具有良好的分類功能，是最常用的核函數(shù)[30]。本文選用SVR_Epsilon模型、高斯徑向基核函數(shù)尋求模型最優(yōu)解。

1.4.3 模型評價(jià)方法

利用建模集的R2、RMSE和驗(yàn)證集的R2、RMSE、RPD來評價(jià)模型性能。R2值越大，說明模型擬合待測組分的能力越強(qiáng)。RMSE值越小，說明模型的估算精度越高。RPD值小于1.2時(shí)，模型不具可靠性；RPD值大于1.4時(shí)，模型具有可靠性；RPD值大于2時(shí)，模型可用于土壤組分的估算[29]。

2 結(jié)果與分析

2.1 土樣測定結(jié)果

將土樣中胡敏酸含量的測定結(jié)果整理于表1，樣本的值域大，變異強(qiáng)度中等，建模集、驗(yàn)證集的平均值相近。可見，建模集、驗(yàn)證集具有較好的代表性，樣本劃分較為合理。

表1 土壤樣本的胡敏酸含量特征統(tǒng)計(jì)

2.2 光譜變換結(jié)果

以波段1為x軸，波段2為y軸，繪制基于原始光譜(RAW)，和經(jīng)CR、IR、LR、ILR、FDR、SDR、LFDR、IFDR變換光譜構(gòu)建的NDSI(分別簡記為NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR、NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR)分布圖(圖2)，色棒的數(shù)值表示NDSI數(shù)值。

NDSI，歸一化光譜指數(shù)。A，原始光譜；B，去除包絡(luò)線(CR)；C，倒數(shù)(IR)；D，對數(shù)(LR)；E，一階導(dǎo)數(shù)(FDR)；F，二階導(dǎo)數(shù)(SDR)；G，倒數(shù)&一階導(dǎo)數(shù)(IFDR)；H，對數(shù)&一階導(dǎo)數(shù)(LFDR)；I，倒數(shù)&對數(shù)(ILR)。下同。

其中，NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR在全波段遵循有序的數(shù)值變換規(guī)律(由小到大或由大到小)，相鄰光譜的NDSI差距小，特征光譜信息不突出。相反地，NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR值在全波段的分布無明顯規(guī)律性，整體呈綠色，同時(shí)存在小面積的突出斑點(diǎn)。結(jié)合NDSI色棒來看，斑點(diǎn)處波段的NDSI值與相鄰波段的NDSI值相差較大，對胡敏酸的響應(yīng)敏感。這表示：經(jīng)過FDR、SDR、LFDR、IFDR變換后的光譜NDSI值能夠有效區(qū)分冗余光譜和敏感光譜，突出特征光譜信息。其中，F(xiàn)DR變換后的光譜信息最為豐富，這與周倩倩等[22]的研究結(jié)果一致。

2.3 特征光譜提取結(jié)果與分析

2.3.1 相關(guān)性分析

以波段1為x軸，波段2為y軸，繪制NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR、NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR與胡敏酸含量的相關(guān)性系數(shù)分布圖(圖3)。其中，NDSI-RAW、NDSI-IR、NDSI-LR、NDSI-ILR與胡敏酸含量的相關(guān)性系數(shù)在全波段范圍內(nèi)分布較為均一，相關(guān)性系數(shù)差距不大；而NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR與胡敏酸含量的相關(guān)性系數(shù)在全波段分布不均勻，相關(guān)性系數(shù)大的區(qū)域和相關(guān)性系數(shù)小的區(qū)域區(qū)分明顯，相關(guān)性信息豐富。這與NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR在全波段的分布情況對應(yīng)，說明這些變換能夠弱化無關(guān)組分，突出特征光譜。

圖3 原始光譜和經(jīng)不同變換后光譜的歸一化光譜指數(shù)與胡敏酸的相關(guān)性系數(shù)在全波段的分布

經(jīng)相關(guān)性分析，NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-FDR、NDSI-SDR、NDSI-IFDR、NDSI-LFDR、NDSI-ILR與胡敏酸含量的最大相關(guān)性系數(shù)分別于(897.6，908.6)(分別對應(yīng)于x，y坐標(biāo)，下同)、(512.6，515.9)、(904.9，908.6)、(904.9，908.6)、(470.1，757.8)、(670.8，963.8)、(542.3，558.9)、(897.6、908.6)、(479.8、694.9)處取得。其中，導(dǎo)數(shù)及其組合變換(FDR、SDR、IFDR、LFDR)后的歸一化光譜指數(shù)與胡敏酸含量的最大相關(guān)性系數(shù)均高于0.500(圖4)，相關(guān)性大。這與導(dǎo)數(shù)及其組合變換后的光譜能夠突出特征光譜信息密切相關(guān)。其中，NDSI-FDR與胡敏酸含量的最大相關(guān)性系數(shù)為0.557，相較NDSI-RAW提高0.115，可作為增強(qiáng)光譜敏感性的首選方法；而NDSI-CR與胡敏酸含量的相關(guān)性表現(xiàn)欠佳。

RAW，不變換。下同。

2.3.2 特征光譜分布

基于胡敏酸含量與光譜之間的相關(guān)性系數(shù)，篩選出胡敏酸與光譜響應(yīng)強(qiáng)烈的光譜(即特征光譜)，繪制特征光譜密度分布圖(圖5)，定位胡敏酸響應(yīng)光譜的準(zhǔn)確位置。結(jié)果表明：在396～1 000 nm，有3處特征波段密集區(qū)。放大密集區(qū)，可將其分別定位到480～550 nm與510～570 nm組合處、730～790 nm與740～800 nm組合處、880～930 nm與880～930 nm組合處。為提高建模效率，剔除特征波段密集區(qū)外的光譜，將特征光譜密集區(qū)用作后續(xù)建模的輸入變量。

圖5 特征光譜在396～1 000 nm范圍內(nèi)的分布

2.4 建模結(jié)果與分析

基于NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR、NDSI-FDR、NDSI-SDR、NDSI-LFDR、NDSI-IFDR主要特征光譜，分別利用MLR、PLSR、BPNN和SVM建立估算胡敏酸含量的模型，記錄其在建模集和驗(yàn)證集上的R2、RPD、RMSE值(圖6)，并根據(jù)上述參數(shù)對模型進(jìn)行初步評價(jià)。基于BPNN建立的預(yù)測模型的R2(含建模集和驗(yàn)證集)高于MLR、PLSR、SVM，說明BPNN預(yù)測模型的精度較高，擬合胡敏酸含量的能力較強(qiáng)。

A，多元線性回歸(MLR)模型；B，偏最小二乘(PLSR)模型；C，反向神經(jīng)網(wǎng)絡(luò)(BPNN)模型；D，支持向量機(jī)(SVM)模型。建模集上的決定系數(shù)；驗(yàn)證集上的決定系數(shù)；RPD，相對分析偏差。

利用MLR、PLSR、BPNN、SVM建立的模型中，RPD值大于1.4的數(shù)量分別為6、1、3、3個(gè)。其中，利用MLR建立的預(yù)測模型的整體可靠度高于BPNN、PLSR、SVM。但是，模型性能是精度、可靠性、穩(wěn)定性的綜合體現(xiàn)。為此，將RPD值大于1.4的預(yù)測模型的評價(jià)參數(shù)(R2、RPD、RMSE)整理于表2，做進(jìn)一步分析，以篩選出最佳估算模型。橫向?qū)Ρ劝l(fā)現(xiàn)：MLR模型建模集和驗(yàn)證集的R2均較低，模型擬合性不佳。基于NDSI-IFDR建立的PLSR模型的RPD值達(dá)到了1.620，模型具有一定的可靠性，但是建模集和驗(yàn)證集上的R2分別為0.734和0.212，建模精度、驗(yàn)證精度相差較大，模型存在過擬合現(xiàn)象。同PLSR建模結(jié)果相同，SVM模型建模集上的R2明顯高于驗(yàn)證集，說明該模型也存在過擬合現(xiàn)象，且建模集和驗(yàn)證集上的RMSE相差大，模型穩(wěn)定性差。RPD值大于1.4的3個(gè)BPNN模型，其建模集和驗(yàn)證集上的R2均處于較高水平，且RMSE值較為接近，說明模型性能較好。其中，基于NDSI-LFDR建立的BPNN模型，建模集和驗(yàn)證集上的R2分別為0.916和0.805，RMSE分別為0.799、1.107，模型精度最高，穩(wěn)定性好，且RPD大于2，說明該模型可以用于土壤胡敏酸含量估算。

表2 RPD值大于1.4的模型參數(shù)

3 討論

3.1 利用高光譜估算胡敏酸含量的可行性

本文共篩選出3處特征波段密集區(qū)，其中，480～550 nm與510～570 nm組合處、730～790 nm與740～800 nm組合處的特征波段與郭晗等[31]在土壤有機(jī)質(zhì)含量預(yù)測中篩選出的有機(jī)質(zhì)歸一化光譜指數(shù)敏感區(qū)域吻合?？梢?，有機(jī)質(zhì)、胡敏酸對光譜的響應(yīng)存在一定的聯(lián)系。洪永勝等[32]指出，光譜對有機(jī)質(zhì)的響應(yīng)是由胡敏酸引起的。理想情況下，有機(jī)質(zhì)、胡敏酸的特征波段應(yīng)該完全吻合。但本文結(jié)果表明，880～930 nm與880～930 nm組合處是胡敏酸獨(dú)有的特征波段密集區(qū)。這說明，本研究篩選出的特征波段更全面。這與有機(jī)質(zhì)、胡敏酸的物理、化學(xué)穩(wěn)定性密切相關(guān)。胡敏酸組成相對單一，物理化學(xué)性質(zhì)穩(wěn)定，能夠不受環(huán)境影響在土壤中停留80～3 000 a，對光譜的響應(yīng)準(zhǔn)確、穩(wěn)定。有機(jī)質(zhì)含量、內(nèi)部組成與周圍環(huán)境顯著相關(guān)[33-35]，時(shí)間、空間穩(wěn)定性差。相比之下，本文直接以胡敏酸為光譜響應(yīng)組分篩選出的特征光譜更加可靠、全面，建立的土壤胡敏酸含量估算方法也更具可行性。

3.2 單波段變換與雙波段變換組合的優(yōu)勢

單波段變換能夠有效增強(qiáng)光譜與待測組分之間的相關(guān)性，但是待測組分不僅與單波段存在聯(lián)系，還與雙波段、甚至多波段存在復(fù)雜的關(guān)系。本文在對光譜進(jìn)行單波段變換的基礎(chǔ)上，采用歸一化的方法，將原始光譜和變換后的光譜兩兩組合，構(gòu)建了包含雙波段光譜信息的NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-FDR、NDSI-SDR、NDSI-IFDR、NDSI-LFDR、NDSI-ILR。相關(guān)性分析中，不同歸一化光譜表現(xiàn)出不同的效果，導(dǎo)數(shù)及其組合處理后的NDSI值(NDSI-FDR、NDSI-SDR、NDSI-IFDR、NDSI-LFDR)在全波段范圍內(nèi)分布不均勻，大量指數(shù)值位于NDSI值域中位數(shù)附近，少量指數(shù)值位于值域最大值或最小值附近，特征光譜十分突出。相比之下，NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR分布較為均勻，特征光譜與背景噪聲難以區(qū)分。與此對應(yīng)，導(dǎo)數(shù)及其組合變換的NDSI在與胡敏酸含量的相關(guān)性分析中也取得較高的相關(guān)性系數(shù)，這與盧艷麗等[36]研究結(jié)果一致。其中，以NDSI-LFDR作為建模輸入變量時(shí)，建模效果最佳。這是由于單波段變換與雙波段變換的合理組合能夠充分綜合不同變換的優(yōu)勢，最大化詮釋光譜信息[37]。在以后的研究中，還需加強(qiáng)其他單波段變換與雙波段變換方法組合的探索，增強(qiáng)光譜詮釋信息的能力。

3.3 BPNN估算胡敏酸的優(yōu)勢

利用BPNN建立的胡敏酸估算模型具有較高的建模精度和估算精度，明顯優(yōu)于MLR、PLSR、SVM。這與Tian等[38]在土壤有機(jī)質(zhì)含量預(yù)測中的表現(xiàn)一致?？傮w來說，BPNN模型的學(xué)習(xí)能力強(qiáng)，能夠挖掘復(fù)雜交互的非線性關(guān)系[39]。但是，BPNN是“黑箱”操作模式，難以了解輸入與輸出之間的復(fù)雜關(guān)系，為了追求高精度，常會(huì)導(dǎo)致過擬合。以NDSI-RAW、NDSI-CR、NDSI-IR、NDSI-LR、NDSI-ILR、NDSI-SDR為輸入變量建立的BPNN估算模型中，出現(xiàn)了高精度與低可靠性并存的現(xiàn)象。Meng等[2]研究發(fā)現(xiàn)，選擇最適變換光譜與BPNN結(jié)合，能夠有效地提高建模效果。本文以NDSI-LFDR、NDSI-FDR、NDSI-IFDR作為BPNN輸入變量時(shí)，建立的模型兼具高精度、高穩(wěn)定性、高可靠性。

在實(shí)際應(yīng)用中，計(jì)算時(shí)間也是評價(jià)模型的重要指標(biāo)。雖然BPNN建模效果最佳，但也存在著計(jì)算時(shí)間長、對計(jì)算設(shè)備性能要求高的弊端。在以后的研究中，需要將計(jì)算時(shí)間納入模型評價(jià)體系中[40-41]。

4 結(jié)論

本文針對當(dāng)前土壤組分高光譜估算面積大、模型難以在地塊應(yīng)用的問題，結(jié)合當(dāng)前精準(zhǔn)農(nóng)業(yè)發(fā)展需求，針對理化性質(zhì)穩(wěn)定、不易受環(huán)境影響的胡敏酸的含量進(jìn)行估算。以機(jī)載高光譜為數(shù)據(jù)源，以田間尺度為研究范圍，利用MLR、PLSR、BPNN、SVM建立胡敏酸含量的高光譜估算模型。結(jié)果表明：導(dǎo)數(shù)變換在加強(qiáng)機(jī)載特征光譜與胡敏酸的聯(lián)系、去除冗余信息上表現(xiàn)優(yōu)秀。在眾多變換中，導(dǎo)數(shù)變換與對數(shù)變換的組合能夠充分結(jié)合二者詮釋信息的優(yōu)勢，在突出光譜特征方面效果最明顯?；谔卣鞴庾V建立的模型中，BPNN的建模精度明顯高于MLR、PLSR、SVM。其中，基于NDSI-LFDR建立的BPNN預(yù)測模型在建模集和驗(yàn)證集上的R2分別為0.916、0.805，RMSE分別為0.799、1.107，RPD為2.189，建模效果最佳。本文對田間尺度胡敏酸含量估算的研究，可為精準(zhǔn)農(nóng)業(yè)土壤組分精細(xì)化、高效化監(jiān)測提供參考。