基于無人機高光譜遙感和機器學習的土壤水鹽信息反演V2.0

1、引言

銀川平原是我國西部地區(qū)重要的耕地保護資源和灌溉農(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，在評估土壤墑情、農(nóng)作物生長狀況和產(chǎn)量方面具有指導作用。因此，快速、準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)進行土壤水鹽指標的最優(yōu)光譜變換形式篩選，采用ＣＡＲＳ算法進行建模變量提取，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)田土壤水鹽指標估測，為精準農(nóng)業(yè)生產(chǎn)提供理論依據(jù)和技術(shù)支持。

3、結(jié)果與分析

3.5 土壤水鹽指標分布反演

選取精度最高的土壤含水量ＸＧＢ_ｏｏｓｔ、ｐＨ?ＸＧＢ_ｏｏｓｔ和土壤含鹽量?ＲＦ模型，利用反距離權(quán)重插值法反演土壤水鹽指標的空間分布。研究區(qū)土壤水鹽指標總體上呈現(xiàn)較為顯著的空間分布差異，土壤含水量和ｐＨ值實測值與最優(yōu)反演模型預測值分布趨勢較為一致，土壤含鹽量反演結(jié)果相對較差（圖６）。

圖６土壤水鹽指標的空間分布

4、討論

4.1 植被冠層光譜對土壤水鹽指標的響應

當前基于高光譜技術(shù)的土壤指標定量反演研究主要以裸土光譜反射率為數(shù)據(jù)源，但在農(nóng)作物生長階段，植被覆蓋使土壤反射率難以直接獲取，因此，本研究對不同水分含量和鹽堿化程度下的植被冠層光譜響應特征進行探討具有重要的現(xiàn)實意義。

本研究中，隨著鹽堿脅迫程度的增加，植被葉片葉綠素含量逐漸降低，反射率在近紅外波段具有明顯差異。這是由于葉片細胞組織對近紅外波段具有強烈的反射作用，當鹽堿脅迫影響植物的正常生理機能，干擾葉綠素的生物合成時，葉片可能會枯萎或因缺水而凋謝，從而導致細胞萎縮變化。因此，作物冠層光譜在一定程度上能夠反映植物對水分和鹽堿脅迫的敏感性。這對了解作物在不同環(huán)境脅迫下的生理變化以及實現(xiàn)土壤指標高光譜定量反演具有重要意義。

4.2 基于土壤水鹽指標特征的不同光譜變換類型優(yōu)選

高光譜數(shù)據(jù)預處理是提升建模精度的重要方法，能夠增強有價值的波段信息。選擇適當?shù)臄?shù)學變換方法可以有效地凸顯光譜的反射和吸收特性，更好地捕捉土壤特性與光譜之間的關聯(lián)性。本研究表明，就土壤含水量而言，４ 種光譜變換方法（ＳＮＶ、 ＭＳＣ、ＦＤＲ 和 ＳＤＲ）的效果均低于原始光譜反射率。這可能是因為在數(shù)學變換過程中，一些冗余的光譜信息被去除的同時引入了大量的噪聲峰，尤其是ＳＮＶ和ＭＳＣ變換可能導致與水分含量相關的光譜信息被忽略。微分變換則能夠減弱背景噪聲的干擾，且有助于消除基線效應對ｐＨ值估算的影響，因此，本研究中ＦＤＲ為土壤ｐＨ值的最佳光譜變換形式。土壤含鹽量與ＭＳＣ的相關性最高，這是因為ＭＳＣ能夠基于理想光譜來修正光譜數(shù)據(jù)的基線平移和偏移現(xiàn)象，能更有效地消除不同鹽化程度引起的光譜散射水平差異，進而增強光譜與土壤含鹽量之間的相關性。

4.3 基于 ＣＡＲＳ 算法的高光譜特征波長篩選

高光譜數(shù)據(jù)具有數(shù)據(jù)量龐大和波段維數(shù)高的特點，但由于光譜信息存在冗余和重疊，基于全波段構(gòu)建的土壤水鹽信息反演模型可能會出現(xiàn)不穩(wěn)定的情況，因此，探尋適宜的敏感光譜變量篩選方法尤為重要。有研究人員基于ＣＡＲＳ算法篩選出與土壤含水量極顯著相關的波段，這些波段均位于光譜曲線的水分吸收峰附近，是適用于整體土壤含水量的最優(yōu)變量集。這與本研究結(jié)果基本一致，本研究將不同指標的最優(yōu)光譜變換形式與ＣＡＲＳ相結(jié)合，通過對１５０個波段進行ＣＡＲＳ變量優(yōu)選，最終確定了１６～１７個特征波段，且均勻分布在可見光和近紅外波段范圍內(nèi)。ＣＡＲＳ算法在計算取值過程中采用了交互驗證法選出均方根誤差值最低的子集，這種方法的特點在于其取值覆蓋范圍廣，因而可以有效地尋找出最優(yōu)且最具代表性的變量組合。

4.4 不同機器學習建模方法下土壤水鹽信息反演模型對比

本研究運用３種機器學習算法對土壤水鹽含量進行估算模型的構(gòu)建，并對模型的精度進行驗證。結(jié)果表明，土壤含水量和ｐＨ值估算模型的預測能力整體優(yōu)于含鹽量模型。農(nóng)田為中低產(chǎn)田，且樣本 采集時間是夏季，降雨頻度較高，導致地表水分對土壤鹽分產(chǎn)生了一定的淋洗作用，在這種情況下，土壤水分對冠層光譜反射率的影響大于鹽分的影響。此外，ＸＧＢ_ｏｏｓｔ和ＲＦ雖同為多個模型的集成，但它們的核心特點有所不同。ＸＧＢ_ｏｏｓｔ主要關注于降低偏差，其邏輯是串行的；而ＲＦ則采用方式，注重降低方差，其邏輯是并行的 。由于土壤含鹽量數(shù)據(jù)離散程度較高，方差較大，因此，更適合用于ＲＦ模型訓練；而ｐＨ值數(shù)據(jù)波動較小，集中在較小的閾值范圍內(nèi)，這使得ＸＧＢ_ｏｏｓｔ模型在估算該值時表現(xiàn)最佳。ＸＧＢ_ｏｏｓｔ算法能夠自動學習數(shù)據(jù)中的缺失值和異常值，并通過引入正則化項來避免過擬合問題，從而提高模型的泛化能力，因此，對結(jié)果具有較強的解釋性。

本研究雖然基于植被冠層光譜反射率構(gòu)建土壤水鹽信息模型，但并未考慮植被類型、土壤營養(yǎng)狀況等因素對植被冠層光譜的影響。因此，所建立的土 壤水鹽信息模型還需進一步驗證。在后續(xù)研究中，應嘗試引入地表溫度、高程、水體指數(shù)等因子作為建模變量，以便從多個維度解析土壤水鹽信息與周邊環(huán)境之間的響應關系，從而提高現(xiàn)有模型的精度和適用性。

5、結(jié)論

隨著土壤含水量的增加，植被冠層光譜反射率呈逐漸上升的趨勢；冠層光譜反射率與土壤堿化程度、鹽化程度均呈反比。土壤含水量、ｐＨ值和土壤含鹽量分別以Ｒ、ＦＤＲ和ＭＳＣ為最佳光譜變換類型，對應的ＭＡＣＣ分別為０．７３０、０．４７２ 和０．６５４。結(jié)合ＣＡＲＳ算法能有效剔除無關變量，從１５０個光譜波段中優(yōu)選出１６ ～ １７個特征波段。土壤含水量和ｐＨ值均以ＸＧＢ_ｏｏｓｔ模型表現(xiàn)最佳，Ｒ_ｐ^２分別為０．９２７和 ０．７４３，ＲＰＤ達３．９３和２．４５；基于無人機高光譜遙感和機器學習的土壤水鹽信息反演型為最優(yōu)反演方法，Ｒｐ２和ＲＰＤ分別為０． ４２７和 １．６４。

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。