离散小波在估测土壤有机质含量方面的可行性

　　引言

　　精准农业是现代农业发展的新方向,其基本涵义是根据作物生长的土壤性状,调节对作物的投入。故实时、快速、准确地获取土壤养分空间分布信息,对精准农业中的变量施肥具有重要意义。遥感技术实时、快速、无损观测的特点为精准农业提供新的信息获取途径,目前已成为该领域的研究热点。

　　土壤有机质是土壤重要构成成分,具有改善土壤肥力特性,提供大量作物所需中量、微量元素,净化农药、重金属污染等作用,因此其含量多少对耕地质量具有重要影响。目前,针对如何利用遥感技术估测土壤有机质含量的问题,国内外学者开展了大量研究。已有研究表明:东北黑土有机质的光谱响应范围主要分布在620~810nm,且利用高光谱建立的最佳模型精度很高,R2=0.933;河南潮土、浙江紫土、四川紫土有机质的光谱响应区域集中在600~800nm,并发现2%不是有机含量估测的临界点;陕西横山和宜兴的土壤高光谱经对数的一阶微分变换后,对有机质含量最敏感,利用该变换形式建立的模型预测精度较高,其决定系数高达0.885。

　　R.A.Viscarra Rossela利 用 澳 大 利 亚 全 景4 030份土壤样品的可见光—近红外光谱数据开展研究,发现土壤光谱为快速、有效、全面地测定土壤成分提供了新的途径,可用于土壤客观分类;Roberts等研究发现:利用宽波段航空影像与主动传感器数据可提高估测有机质含量分布图的精度,同时也可通过考虑土壤水分含量对影像获取时的贡献及耕地0~1cm表层有机质含量与光谱之间的关系,提高有机质含量的估测精度。

　　受土壤类型复杂多样性影响,针对利用遥感估测土壤有机质含量研究,虽然在某类土壤(如东北黑土)取得较好的效果,但是针对有机质含量较低的土壤类型(如潮土)研究相对较少且结果并不理想。潮土属于半水成土,发源于富含碳酸盐或无碳酸盐的河流冲积物土,是我国北方主要农业土壤之一和重要的粮棉生产基地,因此如何利用遥感技术监测潮土土壤养分的空间变异具有重要意义。随着小波变换等新算法的不断发展与完善,如何利用小波分析研究估测土壤养分,逐渐成为了当前研究的热点。本研究利用离散小波技术从土壤光谱数据中提取有机质信息,并结合偏最小二乘法构建估测土壤有机质含量模型,研究离散小波在估测土壤有机质含量方面的可行性。
　　
　　1 实验部分

　　1.1 土壤样本采集与处理

　　研究区位于北京市顺义区和通州区,在2012年10月初夏玉米收获后,采集了空间分布均匀的52个土壤样品,采集深度为耕层0~20cm,将土样置于室内,自然风干后,研磨、过筛20目。通过以上处理后,可使土壤样品在水分含量、土壤粒径上相对同一,有效避免了不同含水量、不同粒径对土壤光谱的影响。采用重铬酸钾容量法测定有机质含量,其统计性描述如表1。【表1】

　　
　　1.2 光谱测量

　　将处理好的土样按次序摆放如图1(a),采用美国ASD(Analytical Spectral Devices)研制的便携式可见光—近红外光谱分析仪获取土壤光谱数据,其光谱范围为350~2 500nm,输出光谱数据的分辨率为1nm。土壤光谱在暗室里进行测量如图1(b),将土样置于羊皮纸上,然后用直尺将表面刮平,土壤厚度保持在2cm左右。光源采用1 000W的卤光灯,可提供与垂线夹角为15°的平行光束。将视场角为5°的光纤探头垂直置于距土样30cm处。测量前须用白板进行定标,然后每个土样测10个光谱数据,取其平均值为其实际的光谱数据。【图略】
　　
　　1.3 光谱数据处理

　　受环境及传感器在不同波段的光谱响应精度差异影响,使获取的土壤光谱数据存在一些噪声,特别是边缘波段,受噪声影响较大,故去除波段350~399和2 451~2 500nm。

　　为减弱噪声对准确提取土壤信息的影响,采用长度为9的海明窗低通滤波器进行平滑处理。然后将光谱数据重采样至5nm。

　　1.4 小波分析

　　小波分析是基于傅里叶变换发展起来的数据分析方法,弥补了傅里叶变换仅能进行频率分析的缺陷,可同时开展局部化时间和频率分析,因此可有效地从信号中提取有益信息。小波分析为开展多分辨率信号分析提供了一种崭新的方法,目前主要应用于数据压缩、噪声去除、特征选择、提取弱信号等。

　　利用小波分析处理高光谱数据,其“时间”即为光谱波段(波长)。土壤光谱数据经小波处理后,可获取低频系数(ap-proximation,A)与高频系数(detail,D),其分解过程如图2。

　　低频系数保持土壤光谱的吸收特征,高频系数则是细微信息的体现。通过对小波函数进行平移缩放,可将光谱数据分解为若干时频分量和,达到细微分析光谱数据特征的目的。

　　离散小波变换具有多尺度分析功能,可对土壤高光谱数据开展多尺度小波变换分析,每增加一级分解,波段数减半,光谱分辨率降低一倍。【图2】

　　
　　1.5 模型精度验证

　　经离散小波技术处理分析后,利用偏最小二乘法构建有机质含量估测模型,采用随机抽样法抽取35个样点数据用于建模,简称建模组,其余17个样点用于模型精度的验证。

　　采用决定系数(R2)与均方根误差(RMSE)来评价模型精度,其计算方法如下【2-3】

　　
　　式中:SOM为实测土壤有机质含量,SOMP为估测土壤有机质含量,SOM为实测土壤有机质含量的均值,i为某土样,n为土样数:n=17。
　　
　　2 结果与讨论

　　2.1 光谱分析

　　土壤光谱经离散小波处理后的低频数据结果如图3(a),从图中可知,低频信息反射率随分解级数增加而增加;土壤光谱特征随着分解级数增加,逐步被拉伸,在分解级数为4时最大,然后逐步模糊、消失,其中1,2和3级分解能较好的保持土壤光谱特征;该现象主要是由于每增加一级分解,光谱特征波段数缩减一半,光谱分辨率降低一倍所致。图3(b)为高频数据,由图可知,随着分解级数增加其高频值迅速增加,同一级分解其高频值的变化与相应低频值的变化速率相对应;高频值的峰值与谷值位置大致一致,但又略有偏差,其原因为低频信息的土壤光谱特征随着分解级数而变化。

　　2.2 模型分析
　　
　　利用偏最小二乘回归法构建有机质含量预测模型,并利用交叉验证法确定最佳主成分数。提取与有机质含量相关性较高,相距较远,又具有一定代表性的特征波段参与建模。选择该类波段即充分利用土壤光谱信息,又避免了波段间多重线性相关的问题。

　　2.2.1 反射率建模

　　采用11种实用光谱处理方法开展光谱分析研究,并构建相应估测有机质含量模型,从中筛选出3个相对理想的估测模型进行对比研究。其11种处理方法为:倒数、对数、倒数的对数、一阶微分、倒数的一阶微分、对数的一阶微分、倒数的对数的一阶微分、光谱比值(R/R930)、光谱比值(R/R(450~750))、吸收峰深度、弓曲差(Gqc)。

　　2.2.2 小波变换建模

　　基于小波处理分析后的光谱信息,利用偏最小二乘法构建有机质含量估测模型如表3、表4,各 模 型 均 达 到p=0.001的极显着水平,且大多数模型的估测精度决定系数R2在0.4~0.8范围内,均方根误差RMSE在0.2~0.35范围内。从建模精度与估测精度综合评价模型精度。

　　基于经小波分解后的土壤高光谱低频信息构建的偏最小二乘模型结果如表3:从表可看出,除3级分解外,其他各级分解构建的模型精度较高且建模精度差异不大,但其估测精度差异明显。仅从估测精度分析可知,基于2级分解建立的模型最优结果如图4(a),其估测精度R2=0.722,RMSE=0.221;从模型精度与估测精度对比分析:分解级数为4的模型为最佳模型结果如图4(b),其建模R2=0.612,RMSE=0.252,估测精度R2=0.619,RMSE=0.257。整体看,最佳模型均出现在中等分解度,这是由于有机质组成成分复杂多样,各成分均有不同的光谱响应范围,如果光谱分辨率较高则不能充分利用有机质各成分的光谱信息,而光谱分辨率较低则降低信噪比,进而对建模产生负面影响。由构建模型的特征波段知,近红外范围的入选波段居多,可见光的入选波段较少;其原因为耕地土壤有机质主要源于农作物遗体,由糖类化合物、纤维素、半纤维素、含氮化合物等组成,这些成分中的C—H键、C—O键、N—O键、N—H等的光谱相应区域位于近红外区域。

　　表4为利用土壤光谱的高频信息构建偏最小二乘模型结果,从表中可看出:由1级分解构建的模型估测精度低,为无效模型,故不对其进行分析。整体上,各分解级的建模精度无明显差异,但其相应估测精度间差异较为明显。仅从估测精度 分 析 可 知,分 解 级 数 为2时 最 优,其R2=0.670,RMSE=0.255;由建模精度与估测精度对比分析知:2级分解构建的模型最佳,其结果如图4(c),建模精度为R2=0.549,RMSE=0.271,估测精度为R2=0.670,RMSE=0.255;据此可知,利用土壤光谱经小波分解后的高频信息估测土壤有机质含量时,其最佳分解级数为2,即分辨率为20nm为最佳。
　　
　　2.4 小波变换建模与光谱反射率建模的比较

　　从表3和表4可看出,采用小波低频信息与高频信息所构建的土壤有机质含量预测模型的建模精度较为接近,在估测精度方面表现为,低频信息整体上优于高频信息;从估测精度分析,高频信息所建模型的估测能力随分解级数的增加而降低,即随光谱分辨率降低而降低,这一规律的主要原因是由于高频数据主要体现土壤光谱的细节信息,随着分解级数的增加,光谱分辨率降低,其体现的细节信息被逐步掩盖。

　　土壤光谱反射率与土壤有机质含量的回归模型结果如表2,将其与小波变换对比分析可知:整体上,两类模型的建模精度差异不大。与土壤光谱反射率相比,基于小波变换低频信息的土壤有机质含量最佳模型的精度提高了18%,高频信息对有机质含量的最佳估测模型的精度提高了9.5%。

　　3 结论

　　利用离散小波对土壤光谱数据开展处理分析,建立基于偏最小二乘法的有机质含量估测模型,并将小波模型与三种常用高光谱变换模型进行对比分析得出如下结论:

　　(1)利用小波分析技术估测土壤有机质含量,从低频信息角度分析,分解度为2和4时,即光谱分辨率为20和80nm,其估测土壤有机质含量精度较理想;从高频信息分析可知,分解度为2,光谱分辨率为20nm时,其对土壤有机质含量的估测精度最高。

　　(2)土壤光谱反射率经小波变换后,低频信息对有机质含量的估测能力优于高频信息,且高频信息对土壤有机质含量的估测能力呈现随分解级数增加而降低,即随光谱分辨率降低而降低的规律。

　　(3)小波变换分析法可提高土壤光谱对有机质含量的估测能力,与三种常用模型相比,小波变换的低频信息对有机质含量的估测精度最高可提高18%,高频信息对有机质含量估测精度提高了9.5%。

　　本研究为利用遥感大尺度监测土壤有机质含量的前期研究,但存在一定不足,需在如下几方面进行改进:(1)土壤光谱为土壤各成分特性的综合反映,故土壤中其他成分光谱响应特征必然对土壤机质含量的估测产生一定干扰或影响,如何减弱该方面的影响仍需进一步研究。(2)土壤光谱数据的获取是在较为理想环境条件下开展,而现实外界环境却复杂多变,不可控因素较多,如何削弱外界环境的影响,将研究成果转化为现实可用产品,仍需进一步深入研究。