顧 曉 鶴，王 堃，潘 瑜 春＊，蔡 玉 梅，黃 文 江，王 慧 芳，3

基于HJ1A-HSI超光譜影像的耕地有機(jī)質(zhì)遙感定量反演

顧 曉 鶴1，王 堃1，潘 瑜 春1＊，蔡 玉 梅2，黃 文 江1，王 慧 芳1，3

（1.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097;2.中國(guó)土地勘測(cè)規(guī)劃院，北京 100035;3.浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，浙江 杭州 310029）

以環(huán)境小衛(wèi)星超光譜影像為主要數(shù)據(jù)源，在耕地有機(jī)質(zhì)實(shí)測(cè)樣本的支持下，開展光譜反射率及其變化形式與有機(jī)質(zhì)的相關(guān)性分析，篩選耕地有機(jī)質(zhì)響應(yīng)的敏感波段與特征組合算法，利用多元回歸分析方法，建立基于HSI影像的耕地有機(jī)質(zhì)定量反演模型。研究結(jié)果表明，耕地有機(jī)質(zhì)的HSI影像響應(yīng)波段均位于可見光與近紅外波段間，其中以540～860 nm范圍最佳，相關(guān)系數(shù)均在0.5左右;HSI反射率對(duì)數(shù)一階微分預(yù)測(cè)模型精度最高，模型及其檢驗(yàn)的決定系數(shù)都在0.7以上，均方根誤差在0.2%左右，可用于順義區(qū)耕地有機(jī)質(zhì)全覆蓋空間填圖。因此，環(huán)境小衛(wèi)星的超光譜影像對(duì)耕地有機(jī)質(zhì)含量具有較好的光譜響應(yīng)能力，其空間覆蓋能力有助于開展縣域尺度的耕地有機(jī)質(zhì)遙感反演和空間填圖。

有機(jī)質(zhì);HSI;多元回歸分析;空間填圖

0 引言

有機(jī)質(zhì)是耕地肥力中重要的指標(biāo)，對(duì)其他養(yǎng)分因子以及土壤的各種理化性質(zhì)也有重要影響［1］。掌握有機(jī)質(zhì)含量的空間變化規(guī)律對(duì)耕地肥力的調(diào)節(jié)及農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展有重要的現(xiàn)實(shí)意義［2］。傳統(tǒng)的地統(tǒng)計(jì)定量預(yù)測(cè)法在大尺度有機(jī)質(zhì)空間格局監(jiān)測(cè)中得到了大量應(yīng)用，但通常要求規(guī)范的采樣方法和大量的野外樣本，導(dǎo)致野外采樣和室內(nèi)分析工作量大、實(shí)時(shí)性差［3，4］。自20世紀(jì)70年代開始，國(guó)內(nèi)外學(xué)者在土壤有機(jī)質(zhì)高光譜響應(yīng)方面開展了大量的研究［5－7］，但大多集中在室內(nèi)或田間操作層面，研究結(jié)果存在不一致性且實(shí)用性有待提高［8］。而利用航空高光譜遙感影像反演土壤有機(jī)質(zhì)的研究還少有嘗試［9］，且數(shù)據(jù)獲取成本太高，其應(yīng)用可行性和普及性有待進(jìn)一步提高。一些學(xué)者將遙感技術(shù)與空間分析技術(shù)相結(jié)合開展大尺度有機(jī)質(zhì)空間格局的嘗試性研究［10，11］，總結(jié)出一些定量遙感反演模型，但存在結(jié)論不一致、尺度不一致以及遙感數(shù)據(jù)源不一致等問題。

環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星星座A、B星（簡(jiǎn)稱環(huán)境小衛(wèi)星，簡(jiǎn)寫 HJ-1A/1B）于2009年3月30日交付使用。其中 HJ-1A 星攜帶的超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）擁有115個(gè)探測(cè)波段，波段范圍為0.45～0.95μm，平均光譜分辨率為5 ns，幅寬50 km，空間分辨率100 m，是國(guó)內(nèi)首先采用靜態(tài)干涉型成像光譜技術(shù)原理研制而成的，具有穩(wěn)定性好、光譜線性度高、光譜范圍寬等特點(diǎn)，為空間尺度的耕地有機(jī)質(zhì)定量反演提供了可靠的遙感數(shù)據(jù)源［12］。

本文以HJ-1A超光譜影像為主要數(shù)據(jù)源，在耕地有機(jī)質(zhì)實(shí)測(cè)樣本的支持下，進(jìn)行光譜反射率及其變化形式與有機(jī)質(zhì)的相關(guān)性分析，篩選耕地有機(jī)質(zhì)響應(yīng)的敏感波段與特征組合算法，利用多元回歸分析方法，建立基于HSI影像的耕地有機(jī)質(zhì)定量反演模型，實(shí)現(xiàn)縣域尺度的耕地有機(jī)質(zhì)空間分布填圖，為有機(jī)質(zhì)高光譜響應(yīng)模型由點(diǎn)及面空間拓展提供方法借鑒。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選取北京市東北郊的順義區(qū)，北緯40°01′～40°18′，東經(jīng)116°28′～116°59′（圖1）。該區(qū)氣候溫和，水資源相對(duì)豐富，具有較為優(yōu)越的農(nóng)業(yè)生產(chǎn)條件。全區(qū)土地面積1 019.37 km2，其中耕地面積50 291 hm2，占北京市耕地面積的14.9%，耕地以冬小麥—夏玉米一年兩熟制種植方式為主。

1.2 數(shù)據(jù)獲取

本研究使用的HJ-1A超光譜數(shù)據(jù)成像時(shí)間為2009年6月10日，軌道號(hào)為1/66。該時(shí)期小麥已收獲，而玉米在影像上主要表現(xiàn)裸土特征，所以該時(shí)期影像主要呈裸土特征，有利于反演土壤有機(jī)質(zhì)含量，避免受到作物覆蓋的影響。

圖1 研究區(qū)空間位置與HSI影像Fig.1 Location of study area and HSI image

野外實(shí)測(cè)樣本為2009年7月初獲取的37個(gè)土壤樣點(diǎn)數(shù)據(jù)，取樣的耕地地塊面積不小于3 hm2?？紤]土壤類型和耕地利用方式，取樣深度0～30 cm，3點(diǎn)取土混合，形成土壤樣本。室內(nèi)處理包括風(fēng)干、磨碎、過篩60目、測(cè)定有機(jī)質(zhì)含量，有機(jī)質(zhì)分析測(cè)定采用磷酸浴重鉻酸鉀法。本研究還采用了2007年更新的北京市耕地本底數(shù)據(jù)，用于界定耕地范圍。

1.3 數(shù)據(jù)處理方法

1.3.1 遙感影像預(yù)處理 遙感數(shù)據(jù)預(yù)處理包括幾何糾正、大氣校正和投影變化等。大氣校正采用FLAASH模型，模型輸入?yún)?shù)可從遙感影像的頭文件中獲?。ū?）;幾何糾正采用雙線性內(nèi)差的多項(xiàng)式糾正方法，誤差控制在0.5個(gè)像元;遙感數(shù)據(jù)的投影方式均轉(zhuǎn)為UTM，地理坐標(biāo)系為WGS84。

表1 HSI影像的FLAASH大氣校正參數(shù)設(shè)置Table 1 Parameters of atmospheric calibration of HSI image through FLAASH model

1.3.2 超光譜影像反射率變換 以HSI影像的光譜反射率及多種數(shù)學(xué)變化形式作為特征向量，與耕地有機(jī)質(zhì)進(jìn)行相關(guān)性分析，篩選對(duì)有機(jī)質(zhì)含量敏感的光譜波段。各種變化形式分別是：反射率的倒數(shù)1/P、反射率的對(duì)數(shù)lgP、反射率對(duì)數(shù)的倒數(shù)1/lgP、反射率一階微分（P）′、反射率倒數(shù)的一階微分（1/P）′、反射率對(duì)數(shù)的一階微分（lgP）′、反射率對(duì)數(shù)的倒數(shù)的一階微分（1/lgP）′。有研究表明［13，14］，對(duì)反射率值進(jìn)行微分變換有助于限制低頻噪聲對(duì)目標(biāo)光譜的影響。對(duì)于光譜反射率的微分計(jì)算，一般用光譜的差分作為微分的有限近似，其表達(dá)式如下：

式中：P為各波段的波長(zhǎng)，（P）′為波長(zhǎng)的一階微分光譜，Δλ是波長(zhǎng)λi到波長(zhǎng)λi－1的間隔。

1.3.3 逐波段相關(guān)性分析 利用土壤樣本的有機(jī)質(zhì)含量與光譜反射率及其變化形式進(jìn)行逐波段相關(guān)性分析，獲取每個(gè)波段與有機(jī)質(zhì)含量的相關(guān)系數(shù)R，計(jì)算公式如下：

式中：R為土壤有機(jī)質(zhì)含量SOM與光譜反射率或其變換形式的單相關(guān)系數(shù)，i為波段序號(hào)，Pni為第n個(gè)土壤樣本第i波段的光譜反射率值（或其變換形式值）為N個(gè)土壤樣本在i波段光譜反射率（或其變換形式）的平均值，SOMn為第n個(gè)土樣的有機(jī)質(zhì)含量為實(shí)測(cè)的N個(gè)土壤樣本的有機(jī)質(zhì)含量平均值，N為土壤樣本的個(gè)數(shù)。

1.3.4 模型建立與檢驗(yàn) 土壤的光譜反射率受到多種因素綜合影響，其特性也會(huì)體現(xiàn)在不同的敏感波段上。相關(guān)性分析有助于找到與土壤特性響應(yīng)敏感的某幾個(gè)波段，并最終建立土壤特性預(yù)測(cè)的多元回歸方程。通過光譜反射率及其各種變換形式與土壤有機(jī)質(zhì)含量的相關(guān)性分析，確定敏感波段，進(jìn)而通過多元線性回歸方法建立預(yù)測(cè)模型。

本研究從37個(gè)土壤樣本中隨機(jī)抽取25個(gè)建立多元線性回歸模型，其余12個(gè)樣本用于預(yù)測(cè)模型的精度驗(yàn)證，通過相關(guān)系數(shù)、相對(duì)均方根誤差（RMSE）進(jìn)行評(píng)價(jià)。

式中：SOMi和PSOMi分別為耕地有機(jī)質(zhì)含量的實(shí)測(cè)值和預(yù)測(cè)值，N為土壤樣本數(shù)（N＝12）。

2 結(jié)果與分析

2.1 HSI影像有機(jī)質(zhì)敏感波段篩選

圖2顯示了通過實(shí)測(cè)耕地土壤樣本獲得的HSI影像115個(gè)波段反射率及其各種變化形式與耕地有機(jī)質(zhì)含量的相關(guān)系數(shù)。

圖2 光譜反射率及其變換形式與有機(jī)質(zhì)含量之間的相關(guān)系數(shù)Fig.2 Correlation coefficient between different transform form of reflectivity and organic matter

通過分析耕地有機(jī)質(zhì)與HSI影像的反射率及變化特征之間的相關(guān)性（表2），篩選有機(jī)質(zhì)敏感波段與變化形式。1）光譜反射率：有機(jī)質(zhì)含量與光譜反射率呈負(fù)相關(guān)，相關(guān)系數(shù)的兩個(gè)峰值為－0.54（546.75 nm處）和－0.52（664.9 nm 處）。2）光譜反射率倒數(shù)：有機(jī)質(zhì)含量與其既有正相關(guān)又有負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)的兩個(gè)峰值分別為0.53（524.17 nm）和－0.50（669.29 nm）。3）光譜反射率對(duì)數(shù)：有機(jī)質(zhì)含量與其呈負(fù)相關(guān)，相關(guān)系數(shù)的兩個(gè)峰值分別為－0.53（524.17 nm）和－0.51（673.73 nm）。4）光譜反射率對(duì)數(shù)的倒數(shù)：有機(jī)質(zhì)含量與其呈正相關(guān)，相關(guān)系數(shù)的峰值為0.54（546.75 nm）和0.52（669.29 nm）。5）有機(jī)質(zhì)含量與4種微分變化形式的相關(guān)系數(shù)的兩個(gè)峰值分別為－0.42（660.58 nm）和 －0.44（855.35 nm）、－0.52（862.62 nm）和 0.52（521.48 nm）、－0.50（521.48 nm）和0.46（862.62 nm）、－0.44（855.35 nm）和0.43（521.48 nm），可作為輸入變量構(gòu)建有機(jī)質(zhì)含量預(yù)測(cè)模型。

表2 不同變換形式與有機(jī)質(zhì)相關(guān)系數(shù)的峰值及其所在波段位置Table 2 The peak value of correlation coefficient of different reflectivity transform form and organic matter and its corresponding band position

2.2 多元回歸分析

通過逐波段對(duì)8種變化形式的相關(guān)性分析，篩選出各種變化形式的敏感波段，在野外樣本數(shù)據(jù)支持下，采用多元線性回歸方法，對(duì)各種因變量分別構(gòu)建有機(jī)質(zhì)反演模型（表3），進(jìn)而通過實(shí)測(cè)樣本進(jìn)行精度驗(yàn)證，確定HSI影像的耕地有機(jī)質(zhì)最優(yōu)反演模型。

表3 不同因變量多元線性回歸模型比較Table 3 Comparison of multiple linear regression model with different dependent variable

2.3 模型分析與精度檢驗(yàn)

耕地有機(jī)質(zhì)的HSI敏感波段均位于可見光與近紅外波段之間，該結(jié)論與前人的研究結(jié)論［15，16］一致。通過分析有機(jī)質(zhì)反演模型（表3）發(fā)現(xiàn)，采用反射率對(duì)數(shù)的一階微分所建立的反演模型相關(guān)系數(shù)最大，并且RMSE最小。據(jù)此采用HSI影像反射率對(duì)數(shù)倒數(shù)的一階微分預(yù)測(cè)土壤有機(jī)質(zhì)含量，進(jìn)行縣域尺度的空間填圖。以未參與建模的12個(gè)土壤樣本為準(zhǔn)真值，對(duì)反演模型的穩(wěn)定性和預(yù)報(bào)能力進(jìn)行檢驗(yàn)：模型的穩(wěn)定性用決定系數(shù)（R）檢驗(yàn)，模型的預(yù)報(bào)能力用總均方根差（RMSE）檢驗(yàn)。

圖3 對(duì)數(shù)一階微分模型的預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖Fig.3 Scatterplot of measured value and predicted value of the first order differential logarithm model

從耕地有機(jī)質(zhì)對(duì)數(shù)一階微分模型的預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)分布（圖3）可看出，建模樣本和檢驗(yàn)樣本都聚集在直線y＝x附近，建模樣本決定系數(shù)R為0.712，RMSE為 0.22，檢 驗(yàn) 樣 本 決 定 系 數(shù)R為0.752，RMSE為0.19。因此，基于 HSI反射率對(duì)數(shù)一階微分的耕地有機(jī)質(zhì)反演模型具有較高的精度，穩(wěn)定性好，可實(shí)現(xiàn)順義區(qū)的耕地有機(jī)質(zhì)空間分布填圖（圖4）。

3 結(jié)論與討論

圖4 順義區(qū)耕地有機(jī)質(zhì)含量空間分布Fig.4 Spatial distribution of farmland organic matter in Shunyi County

本文以HJ-1A超光譜影像為主要數(shù)據(jù)源，篩選耕地有機(jī)質(zhì)響應(yīng)的敏感波段與特征組合算法，建立定量反演模型，實(shí)現(xiàn)縣域尺度的耕地有機(jī)質(zhì)空間分布填圖。結(jié)果表明：耕地有機(jī)質(zhì)的HSI敏感波段均位于可見光與近紅外波段間，其中以540～860 nm范圍最佳，相關(guān)系數(shù)在0.5左右;反射率及其多種變化形式所建立的有機(jī)質(zhì)反演模型決定系數(shù)R大多優(yōu)于0.6，其中對(duì)數(shù)一階微分預(yù)測(cè)模型的建模樣本決定系數(shù)R可達(dá)0.712，檢驗(yàn)樣本決定系數(shù)R為0.752，可用于順義區(qū)耕地有機(jī)質(zhì)全覆蓋空間填圖。該研究證明了環(huán)境小衛(wèi)星的超光譜影像對(duì)耕地有機(jī)質(zhì)含量具有較好的響應(yīng)能力，其空間覆蓋能力有助于開展縣域尺度的耕地有機(jī)質(zhì)遙感反演和空間填圖。

本文利用環(huán)境小衛(wèi)星HSI影像在有機(jī)質(zhì)高光譜響應(yīng)模型由點(diǎn)及面空間拓展方面做出了初步嘗試，但在以下兩方面有待于進(jìn)一步改進(jìn)：1）由于HSI影像空間分辨率較低，必然存在大量的混合像元影響耕地有機(jī)質(zhì)空間制圖的準(zhǔn)確性，有必要在下一步研究中嘗試混合像元分解方法;2）土壤有機(jī)質(zhì)受土地利用方式影響較大，本研究未能去除土地利用強(qiáng)度不同所帶來的影響，使得反演模型精度未能達(dá)到基于室內(nèi)高光譜數(shù)據(jù)的模型精度，因此有必要在大樣本量的支持下分析不同耕地利用類型對(duì)HSI影像反演有機(jī)質(zhì)精度的影響。

［1］吳樂知，蔡祖聰.中國(guó)土壤有機(jī)質(zhì)含量變異性與空間尺度的關(guān)系［J］.地球科學(xué)進(jìn)展，2006，21（9）：965－972.

［2］趙汝東，孫焱鑫，王殿武，等.北京地區(qū)耕地土壤有機(jī)質(zhì)空間變異分析［J］.土壤通報(bào)，2010，41（3）：552－557.

［3］楊奇勇，楊勁松.不同尺度下耕地土壤有機(jī)質(zhì)和全氮的空間變異特征［J］.水土保持學(xué)報(bào)，2010，24（3）：100－104.

［4］SHU Q S，LIU Z X，SI B C.Characterizing scale-and locationdependent correlation of water retention parameters with soil physical properties using wavelet techniques［J］.Environmental Quality，2008，37：2284－2292.

［5］GALVAO L S，VITORELL O I.Variability of laboratory leasured soil lines of soils from southeastern Brazil［J］.Remote Sens.Environ.，1998，63（2）：166－181.

［6］GALVAO L S，PIZARRO M A，EPIPHANIO J C.Variations in reflectance of tropical soils：Spectral-chemical composition relationships from AVIRIS data［J］.Remote Sensing of Environment，2001，75（2）：245－255.

［7］劉煒，常慶瑞，郭曼，等.土壤導(dǎo)數(shù)光譜小波去噪與有機(jī)質(zhì)吸收特征提?。跩］.光譜學(xué)與光譜分析，2011，31（1）：100－104.

［8］劉煥軍，張柏，趙軍，等.黑土有機(jī)質(zhì)含量高光譜模型研究［J］.土壤學(xué)報(bào)，2007，44（1）：27－32.

［9］GOMEZ C，ROSSEL A V R，MCBRATNEY A B.Soil organic carbon prediction by hyperspectral remote sensing and field VIS-NIR spectroscopy［J］.An Australian Case Study Geoderma，2008，146（3）：403－411.

［10］張法升，曲威，尹光華，等.基于多光譜遙感影像的表層土壤有機(jī)質(zhì)空間格局反演［J］.應(yīng)用生態(tài)學(xué)報(bào)，2010，21（4）：883－888.

［11］張素梅，王宗明，張柏，等.利用地形和遙感數(shù)據(jù)預(yù)測(cè)土壤養(yǎng)分空間分布［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（5）：188－194.

［12］高海亮，顧行發(fā)，余濤，等.環(huán)境衛(wèi)星HJ-1A超光譜成像儀在軌輻射定標(biāo)及真實(shí)性檢驗(yàn)［J］.中國(guó)科學(xué)（技術(shù)科學(xué)），2010，40（11）：1312－1321.

［13］CLOUTIS E A.Hyperspectral geological remote sensing：Evaluation of analytical techniques［J］.International Journal Remote Sensing，1996，17（12）：2215－2242.

［14］HUANG Z，TURNER B J，DURY S J，et al.Estimating foliage nitrogen concentration from HYMAP data using continuum removal analysis［J］.Remote Sensing of Environment，2004，93：18－29.

［15］徐彬彬.土壤剖面的反射光譜研究［J］.土壤學(xué)報(bào)，2002，32（6）：281－287.

［16］劉偉東.高光譜遙感土壤信息的提取與挖掘［M］.北京：中國(guó)科學(xué)院遙感所，2002.

Remote Sensing Quantitative Retrieval of Farmland Organic Matter Based on HJ1A-HSI Image

GU Xiao－h(huán)e1，WANG Kun1，PAN Yu－chun1，CAI Yu－mei2，HUANG Wen－jiang1，WANG Hui－fang1，3
（1.BeijingAgricultureInformationTechnologyResearchCenter，Beijing100097;2.ChinaLandSurveyingandPlanningInstitute，Beijing100035;3.InstituteofAgricultureRemoteSensingand InformationSystemApplication，ZhejiangUniversity，Hangzhou310029，China）

The research proposed a model to generate farmland organic matter distribution map using HJ1A-HSI images.The model was developed in the forms of quantitative retrieval model，considering correlation between organic matter and HSI reflectance variation，sensitive wavebands on organic matter and feature combing algorithm.The results suggested that：1）The most sensitive waveband on organic matter of HSI images are visible and near infrared spectrum，in which 540～860 nm bands is the best with a correlation coefficients around 0. 5;2）The model using HSI reflectance in first order differential logarithm can get the highest accuracy，with the coefficients of determinationRhigher than 0.7 and theRMSEaround 0.2%，which proves this model can be applied in Shunyi County.The sensitive response on farmland organic matter and the ability of larger coverage strongly support the HJ1A-HSI suitable for organic matter distribution mapping.

organic matter;HSI;multiple linear regressions;spatial distribution mapping

TP79

A

1672－0504（2011）06－0069－05

2011－09- 12;

2011－10－13

國(guó)家科技支撐計(jì)劃項(xiàng)目（2008BAJ08B03）

顧曉鶴（1979－），男，助理研究員，主要研究方向?yàn)檗r(nóng)業(yè)遙感應(yīng)用。＊通訊作者E－mail：panyc＠nercita.org.cn