基于高光譜圖像技術(shù)的土壤全氮檢測方法研究

薛 原，吳 愛

（江蘇省徐州環(huán)境監(jiān)測中心，江蘇 徐州 221000）

農(nóng)業(yè)在國民經(jīng)濟(jì)中占有舉足輕重的地位，但由于小農(nóng)化和肥料的不合理，使得農(nóng)業(yè)的發(fā)展受到多種因素的制約。在發(fā)達(dá)國家，精準(zhǔn)農(nóng)業(yè)施肥是一種以農(nóng)業(yè)生產(chǎn)為特征的，以信息技術(shù)和知識管理為基礎(chǔ)的現(xiàn)代農(nóng)業(yè)生產(chǎn)方式。通過對土地和作物的實(shí)時(shí)動態(tài)進(jìn)行分析，從而達(dá)到降低成本獲得更高效益的目的，使農(nóng)業(yè)資源和農(nóng)業(yè)生產(chǎn)力得到最大限度的提高，以達(dá)到減少浪費(fèi)、增加產(chǎn)量、避免農(nóng)業(yè)生態(tài)風(fēng)險(xiǎn)的目的。

土壤是作物生長的基礎(chǔ)，土壤屬性信息是作物生產(chǎn)過程中不可忽略的一項(xiàng)重要內(nèi)容。它包含了土壤有機(jī)質(zhì)、有機(jī)碳、氮、鐵、錳、團(tuán)聚體、礦物等特征，能夠快速、高效地提取和反饋土壤各階段的土壤信息，為區(qū)域作物針對性的施肥提供依據(jù)。氮是植物的重要組成部分，其影響了蛋白質(zhì)、核酸、葉綠素、酵素等的合成，對植物的光合作用發(fā)揮著重要作用。通過對土壤全氮快速、精確地檢測，可以為農(nóng)業(yè)生產(chǎn)提供技術(shù)支撐，并能有效地促進(jìn)農(nóng)田土壤的有效管理，提高氮素的利用率。

1 高光譜技術(shù)的優(yōu)越性

利用高光譜遙感技術(shù)可以快速、反復(fù)地獲取相同區(qū)域的土壤信息，是一種準(zhǔn)確、快速獲取農(nóng)田土壤屬性信息的有效方法。實(shí)驗(yàn)室高分光光度法是一種非破壞性的測量技術(shù)，它可以通過對土壤的反射性和土壤的物理特性對土壤進(jìn)行分析，并對土壤進(jìn)行化學(xué)成分分析和掃描，從而得出土壤有機(jī)質(zhì)、N、P、K、水分等各種指標(biāo)。該技術(shù)的快速、無破壞性，為進(jìn)一步闡明光譜數(shù)據(jù)的數(shù)學(xué)方法和對土壤中TN含量的快速監(jiān)控，提供了一種有效的手段。

2 高光譜技術(shù)發(fā)展及研究概況

高光譜遙感技術(shù)是二十世紀(jì)八十年代發(fā)展起來的。隨著遙感技術(shù)、傳感器技術(shù)、空間技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，遙感技術(shù)逐漸進(jìn)入了以高光譜遙感技術(shù)為主導(dǎo)的時(shí)代。尼加提卡斯木等人利用兩頻譜指標(biāo)和偏最小二乘回歸理論，通過對光譜數(shù)據(jù)的頻譜分析，提出了一種新的土壤有機(jī)質(zhì)高光譜估計(jì)模型；國外學(xué)者通過兩頻段優(yōu)化算法對新的土壤有機(jī)質(zhì)進(jìn)行了頻譜參數(shù)的優(yōu)化，從而得到了一個(gè)更精確的高光譜估計(jì)模式；國內(nèi)學(xué)者張瑤[1]等根據(jù)標(biāo)準(zhǔn)化頻譜指標(biāo)和偏最小二乘回歸，建立了土壤有機(jī)質(zhì)二維關(guān)聯(lián)分析和估計(jì)模式；學(xué)者崔玉露[2]等通過556 nm、1 642 nm和2 491 nm的頻譜信息，通過標(biāo)準(zhǔn)化頻譜指數(shù)轉(zhuǎn)換，得到了R2=0.829的最優(yōu)預(yù)測模式。

目前，許多學(xué)者對其進(jìn)行了深入探討，但大多數(shù)的模型都有一定的時(shí)間和空間上的限制，而且由于土壤類型和地理位置的不同，采用的模型也有很大的差別。用離散小波方法對876個(gè)澳大利亞的土壤樣品進(jìn)行了頻譜分析，建立了隨機(jī)樹（RF）、支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)（BPNN）等，其中SVM模型的預(yù)測準(zhǔn)確率最高；學(xué)者方臣[3]等采用 PLSR方法和SMLR方法，對美國的165個(gè)玉米表面樣品和697個(gè)樣品進(jìn)行了PLSR和 SMLR模型，對亞熱帶紅壤中的全 N進(jìn)行了分析，得到了較好的結(jié)果。過去，高光譜技術(shù)主要是以點(diǎn)對面為主，而對地塊地力的長期監(jiān)測則少有研究。

3 研究區(qū)概況

3.1 光譜數(shù)據(jù)的預(yù)處理方法

光譜數(shù)據(jù)的預(yù)處理方法分為兩個(gè)部分，分別是去噪和數(shù)據(jù)轉(zhuǎn)換。各種本源的反射率有很大的差別，并且有基線平移、傾斜等現(xiàn)象，這是由于土體的粒徑和裝填密度的不同而引起的。利用高光譜預(yù)處理技術(shù)可以有效地對高光譜中的噪聲進(jìn)行篩選，避免了數(shù)據(jù)的冗余，增強(qiáng)了模型的魯棒性。利用一次差分轉(zhuǎn)換技術(shù)，可以有效地減弱土壤背景的干擾，增強(qiáng)波段之間的差別，增加了土壤中的某些波段反射率和土壤中營養(yǎng)成分之間的關(guān)系。采用11點(diǎn)光順法對測量環(huán)境、樣品研磨、篩選等因素進(jìn)行了平滑處理[2]。

為驗(yàn)證本文所建立的土壤全 N含量預(yù)測模型的準(zhǔn)確性，將15種預(yù)處理技術(shù)與頻譜指標(biāo)相結(jié)合，對土壤鹽分反演進(jìn)行了優(yōu)化。利用相關(guān)分析方法，對不同頻段的反射和土壤中的總氮含量進(jìn)行了分析，選擇420～444 nm、480～537 nm的相關(guān)系數(shù)為420～444 nm，480～537 nm。計(jì)算后的反射率與全氮含量之間的相關(guān)關(guān)系表明，MSASI的平均、極大值比其他三個(gè)指標(biāo)都要高。在此基礎(chǔ)上，選取了平均與極大值相結(jié)合的方法，選取了最終82個(gè)波長，并將其應(yīng)用于不同的頻譜參數(shù)。利用該模型建立了土壤全 N和特征波段的線性模型，并將其進(jìn)行了預(yù)處理，將測量結(jié)果作為參數(shù)，利用IBM SPSS統(tǒng)計(jì)方法進(jìn)行了回歸分析。

3.2 反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播神經(jīng)網(wǎng)絡(luò)是一種分布式的處理數(shù)學(xué)模型，它能夠模擬大腦神經(jīng)的神經(jīng)活動，通常包含輸入層、隱含層和輸出層。將每個(gè)波長的響應(yīng)值輸入到輸入層，然后用神經(jīng)網(wǎng)絡(luò)求取其加權(quán)和，利用非線性函數(shù)求出被測濃度的估計(jì)值，然后輸出到輸出層。具體的，研究者可以通過反向神經(jīng)網(wǎng)絡(luò)模型對大量樣本進(jìn)行學(xué)習(xí)，提取所有學(xué)習(xí)樣本關(guān)于氮含量的特征值，并建立相應(yīng)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)。而后，當(dāng)輸入檢測樣本時(shí)，通過預(yù)處理及歸一化等運(yùn)算操作，對其氮含量特征值進(jìn)行統(tǒng)計(jì)與比對。如果該特征值在神經(jīng)網(wǎng)絡(luò)置信區(qū)間內(nèi)，將賦予該樣本約定的較高權(quán)重；若特征值不在置信區(qū)間，將賦予樣本較低權(quán)重。通過對多組樣本進(jìn)行運(yùn)算后，對測試樣本進(jìn)行加權(quán)和運(yùn)算，最后對估算值進(jìn)行估算，可利用模糊算法提升結(jié)果的魯棒性和準(zhǔn)確性。

3.3 偏最小二乘法

偏最小二乘法（PLSR）是一種將多元線性回歸與最小二乘回歸相結(jié)合的方法。通過對所抽取的主分量進(jìn)行判定，判定自變量是否能夠顯著地改善估計(jì)性能，能夠解釋多個(gè)高光譜特征之間的相互關(guān)系，在剔除多余數(shù)據(jù)的情況下，保持最大貢獻(xiàn)率的數(shù)據(jù)，有效地使用簡化信息構(gòu)建了預(yù)測模型。在進(jìn)行最小二乘分析前，將資料進(jìn)行主分量分解，以求出對因變量解釋力最大的綜合變項(xiàng)，以改善主成分與因變量之間的關(guān)聯(lián)度，并克服多元相關(guān)所帶來的負(fù)面效應(yīng)。在主成分選擇1，2，3，6時(shí)，R2值為0.22，0.32，0.37，0.69，最后用最大的6個(gè)主成分進(jìn)行最小二乘分析。

3.4 模式解析法

有國內(nèi)學(xué)者采用多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)回歸模型、偏最小二乘法對62份樣品進(jìn)行了統(tǒng)計(jì)，對其中31份樣品進(jìn)行了檢驗(yàn)，并對82個(gè)特征頻帶進(jìn)行了檢驗(yàn)。選取確定系數(shù)R2、均方根誤差 RMSE（Root Mean SQUARE Error）、相對平均偏差 RPD（Relative Percent Deviation）以進(jìn)行最優(yōu)模型的篩選。R2愈大，RMSE愈小，則表示模式估計(jì)的準(zhǔn)確度越高，RPD＞2則說明該模式的估計(jì)能力好，1.4＜ RPD＜2時(shí)，該模式的估計(jì)能力為中等，若 RPD＜1.4，則說明該模式的估計(jì)能力及一致性都不 佳。

3.5 多元線性回歸（multiplex)

多變量線性回歸也稱為最小二乘，它利用最小二乘法來估算系數(shù)矩陣。在62個(gè)模型樣本中，使用多變量線性回歸（2）神經(jīng)網(wǎng)絡(luò)后向擴(kuò)散神經(jīng)網(wǎng)絡(luò)（BPNN）是一種分布式的處理數(shù)學(xué)模型，其主要內(nèi)容有輸入層、隱含層和輸出層。將每個(gè)波長的響應(yīng)值輸入到輸入層，然后用神經(jīng)網(wǎng)絡(luò)求取其加權(quán)和，然后利用非線性函數(shù)求出被測濃度的估計(jì)值，最后輸出到輸出層?？蛇x擇Logsig函數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的非線性函數(shù)。光譜數(shù)據(jù)集是輸入層，在滿足訓(xùn)練精度的條件下，網(wǎng)絡(luò)將會持續(xù)地進(jìn)行網(wǎng)絡(luò)測試，直到網(wǎng)絡(luò)達(dá)到一定的測試精度才能被確定為一個(gè)模型。

4 土壤全氮含量與高光譜響應(yīng)特征

由于色譜中包含C-H、N-H、O-H等基團(tuán)的有機(jī)物質(zhì)，故常被用在有機(jī)物質(zhì)中。由于土壤中的 N元素以有機(jī)結(jié)合態(tài)為主，與有機(jī)質(zhì)的關(guān)系非常密切，因此，它的靈敏波段分布范圍與上述規(guī)律相符，可以利用高光譜技術(shù)對其進(jìn)行快速分析。通過對350～540 nm、670～920 nm范圍內(nèi)的光譜反射率進(jìn)行了初步的模擬，一階差分譜與土壤總氮有良好的相關(guān)性。本研究采用420～444，480～537，618～626，801～804，1 248～1 249，1 322，1 410～1 412，1 566～1 568 nm等，從數(shù)理統(tǒng)計(jì)的觀點(diǎn)來看，相關(guān)系數(shù)越高，這個(gè)波段選擇的價(jià)值就越大，對后續(xù)的建模工作也就越有利。選擇了相關(guān)系數(shù)大于0.4的連續(xù)頻段，與崔玉露等人的結(jié)論類似。土壤中的全 N含量反射率受區(qū)域和土壤類型的顯著影響，而太湖桃園黃棕壤的土壤中鐵錳含量高、錳含量高。崔玉露等人的研究發(fā)現(xiàn)，在可見光頻段，大部分的土壤吸收特性都與鐵氧化物有關(guān)。學(xué)者方臣等的結(jié)果也表明，在300～580 nm的區(qū)域，鐵譜響應(yīng)較高，鐵譜帶的近紅外區(qū)可以達(dá)到1 300 nm。

5 高光譜數(shù)據(jù)集提取和分析模型優(yōu)化

5.1 有效信息的解冗余

高光譜數(shù)據(jù)的光譜信噪比低，光譜信息與被測特征之間的線性不相關(guān)，且光譜間的多重相關(guān)性很強(qiáng)，光譜易受外界環(huán)境的影響。所以，必須進(jìn)行特征波長的選取，也就是最好的建模參數(shù)組合，以獲得最小誤差和最精確的估計(jì)模式。本論文在選擇敏感頻段的基礎(chǔ)上，對復(fù)雜數(shù)據(jù)進(jìn)行有效剔除，并對其進(jìn)行有效提取，以最大程度地保持特征頻帶，避免了冗余數(shù)據(jù)對操作的負(fù)擔(dān)。通過對土壤全 N的頻譜響應(yīng)特性和相關(guān)關(guān)系，對不同類型的土壤全N進(jìn)行了頻譜轉(zhuǎn)換，利用三種模型建立了相應(yīng)的數(shù)學(xué)模型。

5.2 反演模型的應(yīng)用

5.2.1 模式法的缺點(diǎn)和優(yōu)點(diǎn)

利用最小二乘法進(jìn)行多因素線性回歸，可以有效地減少有效信息的丟失。偏最小二乘法是將主分量分析引入最小二乘回歸，以便于數(shù)據(jù)的降維，但二者都存在著不能處理非線性關(guān)系的缺點(diǎn)，而神經(jīng)網(wǎng)絡(luò)模型可以通過三個(gè)層次的訓(xùn)練來提高數(shù)據(jù)的準(zhǔn)確率。在本論文中，樣本的數(shù)量很少，使得模型的處理能力和冗余度不能得到很好地利用。

5.2.2 模型的精度和有效性

在偏最小二乘法回歸中，RMSE值仍需進(jìn)一步改善。因此，雖然這些模型的估計(jì)結(jié)果都很好，但是仍有一些不足之處需要在以后的研究中加以修正。在建立BPNN模型的過程中，輸入神經(jīng)元的數(shù)量越多，模型的性能越好，網(wǎng)絡(luò)神經(jīng)算法就越復(fù)雜。在玉米生長季，R2值較大，RMSE值偏小，這與選擇的敏感性頻段相關(guān)。玉米季的9個(gè)敏感頻帶比小麥的季節(jié)敏感區(qū)要多，因此在分析時(shí)可以獲得更多的資料。雖然BPNN的樣本數(shù)目很小，但是BPNN的模型準(zhǔn)確率與張瑤等人的結(jié)果是一樣的。

這三種模型在不同地區(qū)的應(yīng)用效果都比較理想，可以為土壤全 N的快速、準(zhǔn)確診斷提供依據(jù)，為精確的農(nóng)業(yè)生產(chǎn)和有效的土地利用提供技術(shù)支撐。另外，可利用衛(wèi)星遙感圖像等資料，對土壤營養(yǎng)狀況進(jìn)行動態(tài)監(jiān)控和反饋。

5.3 土壤特征及其對高光譜響應(yīng)的研究

5.3.1 影響高光譜反射率的幾個(gè)因素

在實(shí)際建模過程中會出現(xiàn)大量的異常樣品，大致可以劃分為高光譜測定的異常和化學(xué)測試的異常。導(dǎo)致這些異常的原因有：由環(huán)境造成的異常光譜，例如儀器檢測器的背景變化、樣品的溫度、濕度的大幅變化，儀器本身的不穩(wěn)定以及個(gè)別零件的老化；還有樣品本身造成的光譜異常，例如質(zhì)地不均勻，水分控制不嚴(yán)格；由于基本數(shù)據(jù)造成的樣品異常，如當(dāng)使用錯(cuò)誤的參考方法或樣品混雜時(shí)，則會造成樣品與樣品的近紅外光譜不相符。

5.3.2 高光譜和反應(yīng)的研究

有研究結(jié)果表明，同齡夏玉米與冬小麥的光譜反射率存在較大的差異，在236天的生長期內(nèi)，玉米秸稈的腐化程度已趨于穩(wěn)定，脂肪性降低，羧基含量升高。由于秸稈不斷分解，殘?jiān)惺Ｏ碌拇蟛糠质菃螌?、木素，具有較好的穩(wěn)定性，不易降解，腐爛的時(shí)間也較長。但玉米生長期為90天，在收獲期間，麥稈分解速率達(dá)到48.88%-59.95%，且秸稈中易于降解的物質(zhì)如淀粉、蔗糖、有機(jī)酸等具有豐富的碳源和能量。

作物秸稈與玉米不同季節(jié)土壤樣品之間的高光譜反射率有一定的差別，通過對其機(jī)制的探討，結(jié)果表明：玉米季節(jié)的土壤樣品之間的 IR譜也有很大的差別。因?yàn)樵诟倪^程中，各基質(zhì)成分和含量會有一定的損失。因此，小麥秸稈的活性會對土壤的紅外反應(yīng)產(chǎn)生一定的影響。土壤顯微組織學(xué)的研究表明，小麥生長季節(jié)的土壤中存在著大量不均勻的、破碎的顆粒，這是由于玉米秸稈的腐朽程度比較高，已經(jīng)完全分解，只剩下木質(zhì)素、纖維素、單寧等造成的。就農(nóng)作物秸稈自身來說，其易降解的水溶性物質(zhì)、粗蛋白含量高，但不易降解的纖維素、木質(zhì)素含量低；在1 969、2 377、2 215 nm的高光譜范圍內(nèi)，不同作物的土壤表現(xiàn)出了明顯的差異。有研究表明，在1 710 nm、2 100 nm和2 350 nm處反射率與半纖維素、纖維素、木質(zhì)素含量有很大關(guān)系。學(xué)者方臣發(fā)現(xiàn)，在2 100-2 300 nm的農(nóng)作物殘?jiān)?，木質(zhì)素和纖維素含量顯著，而在2 100～2 300 nm時(shí)，玉米秸稈的反射比在2 100～2 300 nm時(shí)表現(xiàn)得更好，表明小麥秸稈中纖維素和木質(zhì)素含量更高。

另外，小麥、玉米期土壤高光譜反射率存在較大差異的原因之一是作物的生長時(shí)期。小麥在每年的五月收割，玉米一般在九月末到十月上旬收割，而本地的雨水則以六月到九月（一年中75%）為主。土壤濕度較高，對小麥和稻草的分解效果較好，所以九月的土壤的反射性與六月份不同。土壤成分和水文資源的整體差異很有可能是導(dǎo)致小麥、玉米不同季節(jié)土壤高光譜反射率存在差異的一個(gè)重要原因，這也為季節(jié)性資料的建立奠定了基礎(chǔ)。長期固定施肥方式對土壤的總氮水平無明顯影響，但在收獲階段，其反射譜反應(yīng)存在差異。試驗(yàn)區(qū)采用了稻草還田，前一季的秸稈直接用于土壤。由于不同作物的秸稈成分和腐熟期的氣候存在很大的差別，因此，在討論的輪作系統(tǒng)中需要按作物類型對資料進(jìn)行分類。