基于无人机高光谱影像的黑土区玉米农田土壤有机质估算

基于无人机高光谱影像的黑土区玉米农田土壤有机质估算

引言

东北黑土区作为我国重要的粮食生产优势区及商品粮供给地，玉米作为其主要作物之一，每年的产量占全国总产量的３０％以上。长期以来对黑土的过度开发利用导致土地退化严重，土壤有机质（ＳＯＭ）含量作为土壤的重要组成部分，是反映土壤的肥力和质量的主要标志之一，对作物的生长发育有着显著影响。因此，快速、精确地监测黑土区玉米关键生育期的ＳＯＭ含量及其空间差异，在农田精准施肥、玉米长势监测、东北黑土地保护及可持续利用等方面具有重要意义。

北黑土区长期被作物和积雪所覆盖，为快速、精确地监测黑土区的ＳＯＭ带来了挑战，已有学者针对东北黑土区ＳＯＭ的遥感估算开展了大量研究。无人机遥感兼具时效快、低成本、高空间分辨率、不受云层影响等优点，在中小尺度的ＳＯＭ估算方面受到了部分研究者的青睐。

实验部分

2.1 研究区概况

研究区位于吉林省梨树县境内（图１）四棵树乡的三棵树村，地理位置４３°２０′１７．４″Ｎ，１２４°０′２９．１″Ｅ，属北温带半湿润大陆性季风气候，土壤类型主要为黑土（黏化湿润均腐土），四季分明。年均气温６．５℃，年日照时数２５４１ｈ，作物生长期（５月—９月）内为１１９２ｈ。年积温＞０℃积温３２４４℃，＞１０℃积温３０３０℃；无霜期１５５ｄ。

图１研究区的地理位置

如图１所示，试验田为已经进行多年的长期定位施肥试验，设置为玉米连作区的单因子裂区试验。裂区分别设置为传统耕作和条耕秸秆覆盖两种耕作方式，每种耕作方式下包含３种施肥处理，分别为氮梯度、磷梯度和钾梯度，每种处理设置４次重复。氮梯度为尿素（４６％Ｎ）控制，其中磷肥和钾肥施用量分别为７５和９０ｋｇ·ｈｍ－２，氮肥施用设置５个水平：Ｎ１（０ｋｇ·ｈｍ－２）、Ｎ２（６０ｋｇ·ｈｍ－２）、Ｎ３（１２０ｋｇ·ｈｍ－２）、Ｎ４（１８０ｋｇ·ｈｍ－２）、Ｎ５（２４０ｋｇ·ｈｍ－２）；磷肥为过磷酸钙（１８％Ｐ２Ｏ５）控制，其中氮肥和钾肥施用量分别为１８０和９０ｋｇ·ｈｍ－２，磷肥施用设置５个水平：Ｐ１（０ｋｇ·ｈｍ－２）、Ｐ２（２５ｋｇ·ｈｍ－２）、Ｐ３（５０ｋｇ·ｈｍ－２）、Ｐ４（７５ｋｇ·ｈｍ－２）、Ｐ５（１００ｋｇ·ｈｍ－２）；钾肥为氯化钾（５０％Ｋ２Ｏ）控制，其中氮肥和磷肥施用量分别为１８０和７５ｋｇ·ｈｍ－２，钾肥施用设置５个水平：Ｋ１（０ｋｇ·ｈｍ－２）、Ｋ２（３０ｋｇ·ｈｍ－２）、Ｋ３（６０ｋｇ·ｈｍ－２）、Ｋ４（９０ｋｇ·ｈｍ－２）、Ｋ５（１２０ｋｇ·ｈｍ－２）。共计１２０个小区，小区面积为１３３ｍ２，行距设置为７０ｃｍ，种植密度６２０００株·ｈｍ－２。

2.2土壤数据的采集和分析

根据玉米的生长状况及天气情况，采样时间分别为２０１９年玉米的拔节期（６月２３日）和吐丝期（８月１日）。根据五点采样法，在每个小区进行样品采集，每个生育期采集１２０个样本，两生育期共计采集２４０个样本，样本采集的同时利用ＧＰＳ记录每个样本的坐标，以便之后在高光谱数据中获取与采样点对应的植被冠层光谱反射率值（Ｒ）。然后在室内进行土壤样品的称量后磨、风干，过２ｍｍ筛，用重铬酸钾容量法测定ＳＯＭ含量。为增加建模结果的代表性，分别进行了单生育期和两生育期的数据分析及建模。将不同数据集按照７:３的比例进行５次随机划分，其中７０％作为估算模型的建模集（单生育期为８４个样本，两生育期为１６８个样本），其余３０％则作为验证集（单生育期为３６个样本，两生育期为７２个样本）。然后求取５次建模结果的平均值，使其结果更可靠。通过软件对各生育期采样点的ＳＯＭ含量进行统计分析，结果见表１。

表１ 土壤样本有机质含量的统计特征

2.3无人机高光谱影像的采集

选择晴朗无云，光照充足的无风或微风天气，于北京时间１０：００—１５：００进行高光谱影像的采集（太阳高度角大于４５°）。利用无人机搭载相机，获取影像数据。在影像上均匀选取若干个参考点，并以此为依据进行几何校正，确保影像误差不超过０．５个像元，最终得到影像中各像元的光谱反射率值。

式（１）中，Ｒ目标为目标地物的反射率，ＤＮ目标为目标地物的ＤＮ均值，ＤＮ参考板为白色参考板的ＤＮ均值，Ｒ参考板为白色参考板的反射率值。

2.4无人机高光谱影像的采集

高光谱影像数据的波段数较多，其变量之间存在较为严 重的多重共线性。而由于作物的覆盖使得我们无法直接获取 土壤的光谱反射率。但土壤条件的差异会造成植被长势的不同，最终体现在植被冠层的光谱特征上。因此利用作物冠层 的光谱指数以监测作物在不同生育期的生长特征。选取了增 强植被指 数（ＥＶＩ）、可 见 光 耐 大 气指 数（ＶＡＲＩ）和 近 红外／近红外（ＮＩＲ／ＮＩＲ）等２０种 植被指数。

ＳＯＭ估算模型的构建与验证

本文采用以下几种模型构建并验证结果

（１）多元逐步线性回归模型

ＳＭＬＲ的基本思想是按变量的方差贡献度，从２１种协变量中逐一挑选重要变量并引入回归模型，每次引入后都会对未选入的所有变量重新进行预测误差判断，使得先前剔除的变量在新变量引入后对模型在具有贡献时又被重新选入。直至筛选出最优参数、建立最优反演模型为止，回归方程中始终只保留重要的变量。

（２）随机森林模型

ＲＦ是将Ｂａｇｇｉｎｇ与决策树算法进行结合所得到的集成学习算法。该算法可以有效避免模型训练时的过拟合现象，同时有效抑制噪声的负面影响，有利于地物高光谱特征的综合利用。为防止过度拟合，初始的ｎｔｒｅｅ（树的数量）设置为５００，ｍｔｒｙ（每个拆分中可供选择的变量数量）则设置为所有自变量的个数。

（３）支持向量机模型

ＳＶＭ是一种二分类模型的机器学习方法，它在高维或无限维空间中构造一个或一组超平面对样本进行分割，可用于分类或回归。通过不同类型的核函数（如线性、径向、Ｓｉｇ－ｍｏｉｄ和多项式）实现超平面之间的良好分离。本研究选择了线性核函数，基于带宽代价参数和不敏感损失函数对支持向量机模型进行了调整。

（４）ＸＧＢｏｏｓｔ模型

ＸＧＢｏｏｓｔ是在梯度下降树（ＧＢＤＴ）的基础上对ｂｏｏｓｔｉｎｇ算法进行改进的树结构增强模型。其基本思想是：首先构建多个ＣＡＲＴ模型对数据集进行预测，随后将这些树集成为一个新的树模型，通过不断地迭代提升，每次迭代生成的新树模型都会拟合前一棵树的残差，直到达到最佳训练效果。

最后，选用决定系数（Ｒ２）、均方根误差（ＲＭＳＥ）和归一化均方根误差（ｎＲＭＳＥ）３个参数进行上述４种估算模型的精度评价。其中，Ｒ２用来评价模型的拟合优度，取值范围在０～１之间，越接近１，说明拟合程度越好。ＲＭＳＥ和ｎＲＭＳＥ用来衡量ＳＯＭ预测值与观测值之间的偏差，其值越小，说明预测效果越好。其公式如式（３）、式（４）和式（５）所示

式中：Ｘｉ和Ｙｉ分别为ＳＯＭ实测值和ＳＯＭ预测值；为ＳＯＭ实测值的均值；为ＳＯＭ预测值的均值；ｎ为样本数。

讨论

无人机技术作为一种新型的遥感手段，兼具时效快、成本低、空间分辨率高、不受云层影响等优点，在开展精准农业研究中具有重要意义。无人机高光谱影像含有丰富的光谱信息，有研究表明其在ＳＯＭ估算方面具有切实可行性，而本研究也发现在田块尺度上进行ＳＯＭ的估算可以充分发挥其作用。然而，ＳＯＭ的估算研究大多集中在地形变化明显的大范围区域，其生物或气候因素差异较大。本研究区尺度较小，其气候、地形、坡度和母质等均无明显差异，增加了ＳＯＭ含量估算的难度。长期施对土壤有机质含量有着显著影响，施用化肥（ＮＰＫ）会加速ＳＯＭ的分解，其ＳＯＭ含量从第３年开始便下降明显。而施用钾肥可以提高土壤钾，ＳＯＭ对土壤钾具有“稀释效应”，两者之间存在显著的负相关关系。因此，本研究选用施肥量作为协变量参与建模，同时通过ＳＯＭ与施肥量的相关分析同样也发现ＳＯＭ与施肥量具有非常显著的负相关关系。

图２ ＳＯＭ 与各波段光谱反射率的相关系数

ＳＯＭ与可见光及近红外波段之间的响应关系密切，而黑土有机质响应波段则在４１５～１３８０ｎｍ。本研究通过ＳＯＭ与试验区高光谱数据的相关分析发现，其响应波段在４５０～６４０ｎｍ处，与上述裸土的响应波段存在一定差异。由于地表植被覆盖使得获取地表动态反馈变得更加困难，土壤有机质与光谱反射率的关系也随之减弱，而玉米冠层叶绿素含量较高，使得其与绿波段的相关性更强。吐丝期的ＳＯＭ与光谱反射率的相关性相较于拔节期在５５０～６４０ｎｍ处的相关关系更弱，这可能是由于吐丝期相较于拔节期裸露土壤面积减少的原因。土壤有机质与光谱指数的相关性并不太显著，可能是因为相关系数只能衡量两个分布之间的线性相关关系，多元变量间线性或非线性的相关关系则不能完全通过相关系数来体现。但通过引入施肥量作为协变量后，发现施肥量和部分光谱指数与ＳＯＭ的相关性相较于光谱指数与ＳＯＭ的相关性更高。

表2 不同ＳＯＭ 估算模型的精度评价

同时，如表2所示，在田块尺度下将施肥量作为协变量引入可以提高模型的Ｒ２，并降低ＲＳＭＥ。同时，通过特征重要性评分发现，施肥量作为协变量对ＳＯＭ估算的贡献率最大，而各光谱指数的贡献率则相对较小。

图３ ＳＯＭ与各协变量的相关系数

经过特征变量筛选后所建立的ＲＦ、ＳＶＭ和ＸＧＢｏｏｓｔ模型，根据验证集的验证结果发现ＸＧＢｏｏｓｔ模型在拔节期精度（Ｒ２＝０．５９０，ＲＭＳＥ＝０．２２２，ｎＲＭＳＥ＝０．１２６）、吐丝期精度（Ｒ２＝０．３８０，ＲＭＳＥ＝０．３５７，ｎＲＭＳＥ＝０．１９７）和两生育期组合精度（Ｒ２＝０．４５３，ＲＭＳＥ＝０．２７７，ｎＲＭＳＥ＝０．１５５），其估算效果均较好。有研究者利用地物光谱仪建立的苹果果园土壤有机质估算模型，发现ＲＦ模型反演效果较好（Ｒ２为０．８８０，ＲＭＳＥ为０．１４２）。

图４特征变量在不同生育期的重要性

本研究与其他研究结果相比精度较低，原因可能是由于本研究选取了不同耕作处理和不同施肥处理两种不同处理条件相结合，且以整个小区地块为研究基础，增加了数据的复杂性；而本研究建立了作物覆盖下土壤有机质的估算模型，虽然模型的精度有所降低，但是验证了田块尺度下以施肥量和光谱指数作为协变量所构建模型在植被覆盖下、不同条件田块间的适用性。

ＸＧＢｏｏｓｔ是一种兼具线性模型求解器和树的学习算法，同时支持列抽样，内置了交叉验证，相比于ＲＦ来说更具优势。但是在优化模型时，ＲＦ模型只需要调整决策树的数量ｎｔｒｅｅ和节点数ｍｔｒｙ两个关键参数即可，ＸＧＢｏｏｓｔ需要调整的参数则更多。为提高模型的估算精度，今后还需针对模型参数的调整进行尝试和优化，针对田块尺度的ＳＯＭ估算还需寻找更有价值的辅助变量，建立更具代表性的ＳＯＭ估算模型。同时，通过原始波段变换和不同植被指数的选取，可能会提高有机质含量与光谱特征的相关性，对模型的精度也会有所影响。此外，本工作利用高光谱影像数据估算ＳＯＭ含量，仅利用了同一类型土壤的一年田间采样数据。今后为提高估算模型的精度和适用性，需要选择不同的黑土类

型试验区域并累计多年试验数据进行深入分析。

结论

（１）利用无人机高光谱影像在对ＳＯＭ的估算方面具有较大潜力。在植被覆盖条件下，当波长为４５０～６４０ｎｍ时，ＳＯＭ含量与光谱反射率呈显著相关关系。利用植被冠层的光谱特征间接估算ＳＯＭ含量具有可行性。

（２）在田块尺度下，研究区域的气候、地形、坡度和母质等因素均无明显差异，以施肥量和光谱指数作为协变量参与建模可实现ＳＯＭ含量的精准估算。而且，将施肥量作为协变量可以提高模型的估算精度。

（３）对比４种ＳＯＭ估算模型，ＸＧＢｏｏｓｔ相较于ＳＭＬＲ、ＳＶＭ和ＲＦ模型的精度更高，且针对拔节期ＳＯＭ含量的估算能力最好。本研究可用于耕地质量评价、土壤有机碳库估算，为农田精准施肥和东北黑土地保护及可持续利用提供理论依据与科学参考。

推荐：

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇