ASD FS4地物光譜儀在估算土壤有機質方向的應用

摘要

土壤有機質（SOM）在全球碳循環中起著非常重要的作用，而高光譜遙感已被證明是一種快速估算SOM含量的有前景方法。然而，由于忽略了土壤物理性質的光譜響應，SOM預測模型的準確性和時空可遷移性較差。本研究旨在通過減少土壤物理性質對光譜的耦合作用來提高SOM預測模型的時空可遷移性。基于衛星高光譜圖像和土壤物理變量，包括土壤濕度（SM）、土壤表面粗糙度（均方根高度，RMSH）和土壤容重（SBW），建立了基于信息解混方法的土壤光譜校正模型。選取中國東北的兩個重要糧食產區作為研究區域，以驗證光譜校正模型和SOM含量預測模型的性能和可遷移性。結果表明，基于四階多項式和XG-Boost算法的土壤光譜校正具有優異的準確性和泛化能力，幾乎所有波段的殘余預測偏差（RPD）均超過1.4。基于XG-Boost校正光譜的SOM預測精度最 高，決定系數（R2）為0.76，均方根誤差（RMSE）為5.74 g/kg，RPD為1.68。遷移后模型的預測精度、R2值、RMSE和RPD分別為0.72、6.71 g/kg和1.53。與模型直接遷移預測相比，采用基于四階多項式和XG-Boost的土壤光譜校正模型，SOM預測結果的RMSE分別降低了57.90%和60.27%。 這種性能比較凸顯了在區域尺度 SOM 預測中考慮土壤物理特性的優勢。
 

研究區域

試驗點1位于中國東北黑龍江省黑土耕地保護區，如圖2所示，面積為1095 km2。該地區屬溫帶大陸性季風氣候，年降水量為450–650 mm，降水主要集中在6–9月，占全年降水量的80%。研究區地勢南高北低，西高東低，大部分地區為堆積平原。該研究區是全球僅有的四個黑土區之一，耕層深厚，土壤肥沃，含腐殖質的土層厚度為25–80 cm，適合種植玉米、大豆等作物。

圖 2. 研究區域概覽。（a）研究區域的地理位置；（b、c）分別為站點 1 和站點 2 的土壤采樣點；（d、e）“裸土期”的土壤表面。

試驗點2 位于中國吉林省黑土耕地保護區，如圖 2 所示，面積為 713 km2。站點地勢平坦，海拔在 189 至 237 m 之間。該區域為東部濕潤山區與西部半干旱平原區的過渡地帶。研究區屬溫帶大陸性半濕潤季風氣候，年平均氣溫 4.6 ℃，年降水量 600—700 mm。該區域河流水系豐富，農業水資源相對豐富，地表土壤空間異質性強。該區域土壤主要為黑土，腐殖質層厚度為 0.6—1.0 m。試驗點2的土壤類型、地表特征等環境因素與試驗點1有明顯差異，可以驗證本研究中SOM含量預測模型的時空可遷移性。

2022 年 10 月 29 日至 30 日，共從試驗點 1 采集了 104 個表層土壤樣品（圖 2b）。2023 年 4 月 14 日至 15 日，從試驗點 2 采集了 40 個表層土壤樣品（圖 2c），用于測試模型的時空可遷移性。
 

圖3. 樣區內土壤樣品采集與參數測量示意圖。(a)象限采樣示意圖；(b)土壤表面點云數據測量。

研究過程

樣品運回實驗室后，通過稱重、烘干等方法獲得每個象限9個子樣本的SM和SBW，并計算子樣本的平均值。然后，將9個子樣本混合成復合樣本，在實驗室內使用（ASD FieldSpec 4地物光譜儀）進行光譜測量（取十次測量的平均值）和使用重鉻酸鉀加熱法測定SOM含量。為保證每個樣品的SBW相同，將土壤樣品裝入一次性培養皿中進行光譜測量。對每個測量點的土壤表面點云數據進行拼接、裁剪和濾波。利用處理后的點云數據建立三維相對坐標系（圖3b），提取所有點云數據的Z坐標，計算該象限的RMSH。

資源一號02D（ZY1-02D）高光譜圖像數據來自中國科學院空天信息創新研究院，圖像生成時間與土壤采樣時間同步，所有圖像的云量均小于1%。本研究選取450~1290nm、1408~1828nm和1963~2460nm波段作為光譜波段。

為了驗證ZY1-02D高光譜圖像的可靠性，將土壤像素光譜與土壤地面光譜進行了比較（圖4）。盡管土壤像素光譜的形狀與土壤地面光譜相似，但在可見光-近紅外（VNIR）波段范圍內存在一些噪聲和平滑度較低的情況。此外，土壤像素的光譜反射率略低于實驗室測量的反射率。計算了像素反射率與地面反射率之間的斯皮爾曼相關系數（SCCs）和皮爾遜相關系數（PCCs）。結果表明，大多數波長范圍內的PCCs低于0.5，而在480至680nm和2000至2500nm波長范圍內的SCCs基本大于0.5，表明可能存在非線性關系。為了揭示影響像素光譜的因素，比較了不同物理屬性梯度下土壤反射率的差異。隨著SM的增加，土壤光譜反射率顯著下降，尤其是在500至1300nm和1450至1700nm波長范圍內（圖5）。隨著SBW的增加，土壤光譜反射率的下降幅度相對較小。RMSH對土壤光譜的影響最為顯著，反射率隨著RMSH的增加顯著下降。綜上所述，SM、SBW和RMSH對光譜的耦合效應是導致兩組光譜數據偏差的重要原因，嚴重限制了成像光譜儀對土壤“純光譜”的獲取。因此，有必要在像素光譜數據中分離土壤的物理和化學信息，以提高高光譜遙感對土壤有機質（SOM）預測的準確性。

圖 7. 使用試驗點 1 數據建立的 XG-Boost 模型，基于 (a) 原始像素光譜、(b) 地面光譜、(c) 四階多項式校正光譜和 (d) XG-Boost 校正光譜和站點 2 數據測量和預測的 SOM 含量的散點圖。

結論

本研究利用衛星和地面高光譜數據以及土壤物理參數數據，分別基于四階多項式和XG-Boost構建了兩種土壤光譜校正模型，以緩解土壤物理性質對像素光譜的耦合效應。通過使用來自兩個試驗點的數據，評估了土壤光譜校正模型的性能及其對SOM預測模型精度和時空可遷移性的影響。主要結論如下：

土壤像素光譜反射率與土壤地面光譜反射率呈非線性關系。表面物理性質的差異是導致這兩種光譜數據類型偏差的主要因素。RMSH對土壤像素光譜的影響最為顯著，其次是SM和SBW。

四階多項式和XG-Boost模型具有良好的土壤光譜校正精度。基于XG-Boost的土壤光譜校正模型精度更高，時空可轉移性更強，因為它考慮了所有特征，持續調整樹的權重，防止結果陷入局部最優。

土壤光譜校正顯著緩解了土壤物理性質對土壤像素光譜的耦合效應，有效提高了SOM預測模型的準確性，更重要的是，大大增強了基于像素光譜的SOM預測模型的時空可轉移性。未來，通過充分考慮更多土壤特性，可以獲得更準確的SOM預測結果。本研究為預測其他區域的土壤性質參數提供了一種新的研究范式。

點擊下方鏈接，閱讀原文：

https://mp.weixin.qq.com/s/ZYmGOq5nFvFWCCkUrVmllQ