基于無人機高光譜遙感和機器學(xué)習(xí)的土壤水鹽信息反演V1.0

1.引言

銀川平原是我國西部地區(qū)重要的耕地保護(hù)資源和灌溉農(nóng)業(yè)區(qū)。然而，長期引黃灌溉加之干旱少雨、蒸發(fā)強烈等因素導(dǎo)致該區(qū)形成了大面積鹽堿化土壤，成為制約該地區(qū)農(nóng)業(yè)可持續(xù)發(fā)展的主要問題。土壤含水量、ｐＨ值和含鹽量作為鹽堿地農(nóng)業(yè)監(jiān)測的重要指標(biāo)，在評估土壤墑情、農(nóng)作物生長狀況和產(chǎn)量方面具有指導(dǎo)作用。因此，快速、準(zhǔn)確地獲取銀川平原土壤水鹽信息，對實現(xiàn)鹽堿地綜合治理至關(guān)重要。

本研究以銀川平原鹽堿化農(nóng)田為對象，基于無人機高光譜數(shù)據(jù)進(jìn)行土壤水鹽指標(biāo)的最優(yōu)光譜變換形式篩選，采用ＣＡＲＳ算法進(jìn)行建模變量提取，構(gòu)建偏最小二乘回歸（ＰＬＳＲ）、ＲＦ和ＸＧＢ_ｏｏｓｔ模型，最終確定土壤含水量、ｐＨ值和土壤含鹽量的最佳反演模型，以期通過無人機高光譜實現(xiàn)鹽堿化農(nóng)田土壤水鹽指標(biāo)估測，為精準(zhǔn)農(nóng)業(yè)生產(chǎn)提供理論依據(jù)和技術(shù)支持。

2.研究地區(qū)與研究方法

2.1 研究區(qū)概況

本研究以位于寧夏回族自治區(qū)吳忠市紅寺堡區(qū)柳泉鄉(xiāng)豹子灘村和石嘴山市平羅縣渠口鄉(xiāng)交濟(jì)村的鹽堿農(nóng)田為對象（圖１），其中，紅寺堡區(qū)是全國最大的生態(tài)移民集中安置區(qū)之一，而平羅縣則是寧夏鹽堿地分布最廣的地區(qū)。

圖 １ 研究區(qū)及采樣點分布

2.2 土壤樣品采集及處理

土壤樣品采集時間為２０２２年７月底，采樣時研究區(qū)覆蓋作物均為玉米（生育期為抽雄期）。采集前布設(shè)２５ｍ×２５ｍ采樣網(wǎng)格（實際采樣過程中，因道路和溝渠等因素對采樣點進(jìn)行了適當(dāng)調(diào)整），采集表土０～２０ｃｍ土樣。土樣采集共８０個有效樣點，將土樣風(fēng)干后分別采用烘干法、酸度計法和電導(dǎo)法進(jìn)行土壤含水量、含鹽量和ｐＨ值的測定。同時測量樣點處玉米葉綠素相對含量（ＳＰＡＤ）每株玉米選擇植株中上部完全展開葉４片進(jìn)行測量（避開中脈），每片葉測量６個ＳＰＡＤ值，取平均值為該葉片的ＳＰＡＤ值。

2.3 光譜數(shù)據(jù)處理

2.３.１ 高光譜數(shù)據(jù)變換

為挖掘?qū)ν寥浪}指標(biāo)響應(yīng)更強的光譜形式，對原始光譜進(jìn)行４種數(shù)學(xué)變換，得到反射率（Ｒ）、ＳＮＶ、多元散射校正（ＭＳＣ）、反射率的一階微分（ＦＤＲ）和反射率的二階微分（ＳＤＲ）５種光譜。

2.３.２ 高光譜特征波段提取

ＣＡＲＳ算法是基于迭代統(tǒng)計信息的光譜變量篩選方法，其依據(jù)達(dá)爾文“適者生存”的思想，逐步淘汰不適應(yīng)的波長變量，利用蒙特卡羅模型采樣進(jìn)行建模分析，再以ＰＬＳＲ回歸系數(shù)絕對值的百分比作為目標(biāo)變量的重要性，在Ｎ次迭代過程中逐步確定迭代采樣變量，最終對比基于所篩選變量建立的ＰＬＳＲ模型的交互驗證均方差值（ＲＭＳＥＣＶ），該值的最小變量集合即為所求敏感變量。

2.4 建模方法與精準(zhǔn)評價

利用（Ｋ?Ｓ）算法將２／３的樣點（５６個）用于建模，１／３的樣點（２４個）用于驗證，選用ＰＬＳＲ、ＲＦ和ＸＧＢ_ｏｏｓｔ進(jìn)行建模。所建模型精度將通過決定系數(shù)（Ｒ２）、均方根誤差（ＲＭＳＥ）和相對分析誤差（ＲＰＤ）進(jìn)行評估。其中，Ｒ２越大，ＲＭＳＥ越小，模型預(yù)測效果越好。ＲＰＤ≤１．４，表明模型的擬合性和魯棒性非常差；１．４＜ＲＰＤ≤１．８，表明模型的預(yù)測結(jié)果較為合理；１．８＜ＲＰＤ≤２．０，表明模型的預(yù)測能力較好；ＲＰＤ＞２．０，表明模型具有極佳的預(yù)測能力。

3.結(jié)果分析

3.1 土壤水鹽指標(biāo)及 ＳＰＡＤ 值統(tǒng)計分析

由研究區(qū)土壤含水量、ｐＨ值、土壤含鹽量和ＳＰＡＤ值統(tǒng)計結(jié)果可知（表１），土壤含鹽量變化幅度較大，范圍為０．４１～２６．３７ｇ·ｋｇ^－１，呈強變異程度，說明該地區(qū)土壤受到不同程度鹽化影響較為顯著。土壤含水量呈中等變異，這可能是由于采樣時處于夏季降雨集中期，土壤含水量較高，數(shù)值間波動也較大ＳＰＡＤ值呈中等變異，ｐＨ值變異較小。

表１土壤水鹽指標(biāo)及玉米葉片ＳＰＡＤ值統(tǒng)計

3.2 土壤水鹽指標(biāo)及玉米葉片 ＳＰＡＤ 值無人機高光譜響應(yīng)特征

3.２.１ 不同水鹽指標(biāo)和玉米葉片 ＳＰＡＤ 值下高光譜特征

為直觀呈現(xiàn)不同指標(biāo)與玉米冠層光譜之間的響應(yīng)關(guān)系，根據(jù)分級方法，將ｐＨ值和土壤含鹽量劃分為不同梯度（表２）。隨著土壤含水量增加，反射率呈上升趨勢，并在近紅外波段（７７０～１０００ｎｍ）內(nèi)差異更顯著（圖２ａ）。隨著鹽堿化程度的加重，植被冠層ＳＰＡＤ值呈現(xiàn)出逐漸降低的趨勢。不同鹽堿程度下光譜曲線基本上具有相似的趨勢，表現(xiàn)出典型綠色植物的獨特光譜特征（圖２ｂ、２ｃ），在可見光波段（４００～７００ｎｍ）內(nèi)，光譜反射率呈“先升后降”的變化規(guī)律；在綠波段（５５０ｎｍ附近）存在明顯的反射峰；在紅波段（６８０ｎｍ附近），曲線逐步上升；在７７０～８８０ｎｍ之間變化趨勢較平緩；之后在８８０～１０００ｎｍ波動下降。土壤堿化程度越低，其反射率越高，重度堿化土壤反射率最低（圖２ｂ）；而在土壤鹽化程度方面，反射率與土壤含鹽量呈反比（圖２ｃ）。在可見光范圍內(nèi)，光譜反射率與ＳＰＡＤ值呈負(fù)相關(guān)，而在近紅外波段內(nèi)，隨著ＳＰＡＤ值的增加，反射率也相應(yīng)提高（圖２ｄ）。

表２ 土壤鹽堿化分級標(biāo)準(zhǔn)

圖2 不同土壤含水量(a),pH 值( b)含量(c)和葉片 SPAD 值(d)下植被冠層光譜曲線

3.２.２ 不同光譜變換形式及其與土壤水鹽指標(biāo)間的相關(guān)性

對原始光譜Ｒ分別進(jìn)行ＳＮＶ、ＭＳＣ、ＦＤＲ和ＳＤＲ變換。由圖３可知，ＳＮＶ變換后的光譜曲線整體上吸收谷（９５０ｎｍ附近）和反射峰（５５０ｎｍ附近）的特征明顯增強，ＦＤＲ和ＳＤＲ顯著縮小了不同波段間光譜反射率差異，ＭＳＣ變換的曲線特征與Ｒ趨于一致。將５種光譜類型分別與土壤含水量、ｐＨ值和土壤含鹽量進(jìn)行Ｐｅａｒｓｏｎ相關(guān)性分析，其最大相關(guān)系數(shù)絕對值（ＭＡＣＣ）如表３所示

表３ 不同光譜變換形式與土壤水鹽指標(biāo)最大相關(guān)系數(shù)絕對值

提取不同土壤水鹽指標(biāo)對應(yīng)的敏感光譜形式，Ｒ、ＦＤＲ和ＭＳＣ分別為最佳光譜變換形式，所對應(yīng)的ＭＡＣＣ分別為０．７３０、０．４７２和０．６５４，且均通過０．０１顯著性檢驗。

圖 ３ 不同光譜變換方式下冠層光譜曲線

3.3 ＣＡＲＳ 算法特征波長選擇

利用ＣＡＲＳ算法，分別對原始光譜Ｒ、ＦＤＲ和ＭＳＣ針對土壤含水量、ｐＨ和土壤含鹽量指標(biāo)進(jìn)行特征波長的篩選，基于交叉驗證集ＲＭＳＥＣＶ最小值，選擇對應(yīng)采樣次數(shù)的變量作為優(yōu)選出的特征子集，即最具代表性的光譜特征波長。以土壤含水量指標(biāo)的原始光譜選擇過程為例：隨著ＣＡＲＳ算法運行次數(shù)逐漸增加，變量個數(shù)在前４０次采樣過程中有明顯遞減（圖４），說明被篩選出的光譜波長數(shù)逐漸減少，當(dāng)采樣運行次數(shù)為５２次時，ＲＭＳＥＣＶ達(dá)到最小值，表明此時光譜中與土壤含水量無關(guān)的信息或噪聲最少。原始光譜Ｒ、ＦＤＲ和ＭＳＣ的特征選擇結(jié)果見表４。

表４ ＣＡＲＳ 提取后光譜特征波段與運行結(jié)果

3.4 土壤水鹽指標(biāo)反演模型構(gòu)建與驗證

為探究光譜變換形式與建模方法的效果，以經(jīng)ＣＡＲＳ算法篩選出的原始光譜Ｒ、ＦＤＲ和ＭＳＣ特征波長分別為輸入變量，土壤含水量、ｐＨ和土壤含鹽量為輸出變量，分別構(gòu)建基于ＰＬＳＲ、ＲＦ和ＸＧＢｏｏｓｔ的土壤水鹽指標(biāo)反演模型，并進(jìn)行精度驗證（表５）

表５ 基于 ＰＬＳＲ、ＲＦ 和ＸＧＢｏｏｓｔ的土壤水鹽指標(biāo)反演模型

結(jié)果表明，ＰＬＳＲ構(gòu)建的土壤水鹽指標(biāo)模型驗證決定系數(shù)（Ｒｐ２）為 ０．１６８～ ０．４５０，相對分析誤差（ＲＰＤ）為１．１２ ～ １．１７，模型的擬合性和穩(wěn)定性都非常差。

3.5 土壤水鹽指標(biāo)反演模型構(gòu)建與驗證

為探究光譜變換形式與建模方法的效果，以經(jīng) ＣＡＲＳ 算法篩選出的原始光譜 Ｒ、ＦＤＲ 和 ＭＳＣ 特征 波長分別為輸入變量，土壤含水量、ｐＨ和土壤含鹽 量為輸出變量，分別構(gòu)建基于ＰＬＳＲ、ＲＦ 和ＸＧＢ_ｏｏｓｔ的土壤水鹽指標(biāo)反演模型，并進(jìn)行精度驗證（表 ５）。結(jié)果表明，ＰＬＳＲ 構(gòu)建的土壤水鹽指標(biāo)模型驗證決定系數(shù)（Ｒ_ｐ^２）為 ０．１６８～ ０．４５０，相對分析誤差（ＲＰＤ） 為１．１２ ～ １．１７，模型的擬合性和穩(wěn)定性都非常差。ＲＦ和ＸＧＢ_ｏｏｓｔ的模型精度均顯著優(yōu)于ＰＬＳＲ模型，Ｒｐ２在 ０．４００ 以上，其中，土壤含水量和 ｐＨ 值均以ＸＧＢ_ｏｏｓｔ模型表現(xiàn)最佳，Ｒｐ２分別達(dá)０．９２７和０．７４３，ＲＰＤ分別達(dá) ３．９３ 和 ２．４５；土壤含鹽量以ＲＦ模型為 最優(yōu)，Ｒｐ２和ＲＰＤ分別為 ０．４２７ 和 １．６４。土壤含水量和土壤含鹽量最優(yōu)模型 ＲＰＤ 均大于 ２．０，說明模 型具有極好的預(yù)測能力和穩(wěn)定性。土壤含水量和ｐＨ值實測值與預(yù)測值擬合度較高（圖 ５），樣點數(shù)值集中于趨勢線附近，說明ＸＧＢ_ｏｏｓｔｔ算法具有相對較強的學(xué)習(xí)性能，可以應(yīng)用于土壤水鹽指標(biāo)遙感反演。

圖５土壤水鹽指標(biāo)實測值與最優(yōu)模型預(yù)測值對比

待續(xù)。。。。。。

推薦：

無人機高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機、穩(wěn)定云臺、機載控制與數(shù)據(jù)采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統(tǒng)通過獨特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質(zhì)量較差的問題，并具備較高的光譜分辨率和良好的成像性能。