馬 馳

HJ-1A高光譜影像的表層土壤游離氧化鐵含量反演

馬 馳

（遼寧省交通高等?？茖W(xué)校，沈陽 110122）

實(shí)時(shí)監(jiān)測土壤游離氧化鐵含量對于獲取區(qū)域土壤理化特征數(shù)據(jù)、監(jiān)測區(qū)域土壤環(huán)境具有重要意義。該研究基于HJ-1A 高光譜遙感影像，結(jié)合研究區(qū)土壤采樣的游離氧化鐵含量化驗(yàn)數(shù)據(jù)，分析遙感影像的反射率與土壤游離氧化鐵含量的相關(guān)性，建立土壤游離氧化鐵含量的多元線性反演模型，反演研究區(qū)表層土壤游離氧化鐵含量。研究結(jié)果表明，HJ-1A高光譜遙感影像的反射率與研究區(qū)土壤游離氧化鐵含量呈負(fù)相關(guān)性，且在第104波段達(dá)到峰值，相關(guān)系數(shù)為-0.455；利用反射率指數(shù)變換建立多元一次回歸模型，模型的決定系數(shù)為0.837，均方根誤差為1.59 g/kg；土壤中有機(jī)質(zhì)對游離氧化鐵含量反演精度影響的檢驗(yàn)結(jié)果顯示，研究區(qū)土壤的有機(jī)質(zhì)對游離氧化鐵含量的反演精度無顯著影響。該研究為土壤游離氧化鐵的光譜分析提供借鑒，為區(qū)域土壤生態(tài)環(huán)境監(jiān)測提供數(shù)據(jù)支持。

遙感；高光譜；鐵；定量反演；游離氧化鐵；HJ-1A HSI

0 引 言

氧化鐵是土壤中含量最高的金屬氧化物，是土壤重要的染色物質(zhì)，是影響土壤光譜特征的重要因素，是土壤肥力和水土保持能力的重要參考指標(biāo)[1-2]。因此，實(shí)時(shí)監(jiān)測土壤氧化鐵含量對于土壤理化特征數(shù)據(jù)的獲取、土壤環(huán)境監(jiān)測乃至區(qū)域精準(zhǔn)農(nóng)業(yè)的實(shí)施等具有重要意義。傳統(tǒng)的土壤氧化鐵含量監(jiān)測方法采用密集的土壤采樣及實(shí)驗(yàn)室化驗(yàn)來實(shí)現(xiàn)，雖然可以獲得較高的監(jiān)測精度，但需要消耗大量的人力與物力。遙感技術(shù)具有影像數(shù)據(jù)獲取時(shí)間短、費(fèi)用低、所含信息量巨大等特點(diǎn)，已在土壤成分探測等方面獲得廣泛應(yīng)用。喬璐等[3]利用ASD Field Spec Pro光譜儀測量了大慶市的采樣土壤光譜，分析了全氮、全磷、全鉀的光譜特征，并輔以MODIS遙感影像實(shí)現(xiàn)對大慶市全氮、全磷、全鉀的遙感制圖；袁中強(qiáng)等[4]利用環(huán)境一號衛(wèi)星的高光譜數(shù)據(jù)、采用偏最小二乘的分析方法，分析了若爾蓋濕地土壤重金屬含量。研究結(jié)果顯示，利用反射率的一階微分和倒數(shù)的對數(shù)建立的反演模型反演研究區(qū)土壤重金屬含量的精度最高；Ren等[5]通過對不同光譜數(shù)據(jù)進(jìn)行預(yù)處理，建立湖南寶山礦區(qū)土壤鐵（Fe）、砷（As）和銅（Cu）含量的估算模型。研究結(jié)果顯示，利用460、1 400、1 900、2 200 nm波段建立的估算模型精度最好。

近年來，國內(nèi)外學(xué)者先后展開了土壤氧化鐵含量與土壤反射光譜特征關(guān)系的研究。Galvao等[6]研究顯示，土壤中氧化鐵的吸收特性導(dǎo)致土壤在可見光整個(gè)波段反射率下降；Baumgardner等[7]研究指出，氧化鐵在土壤光譜中的870 nm處有吸收峰存在，而且土壤中的有機(jī)質(zhì)并不能掩蓋氧化鐵對土壤反射率的影響。何挺等[9]研究認(rèn)為，土壤中的氧化鐵對土壤的光譜反射率具有顯著影響，F(xiàn)e3+在土壤光譜的400、450、490、700、870 nm 等處存在吸收峰。丁海寧等[10]利用ASD Field Spec Pro光譜儀對榆林東部地區(qū)的典型黃土進(jìn)行了光譜測定，建立了土壤鐵元素反演模型，模型的決定系數(shù)為0.73；采用波段內(nèi)插法將模型應(yīng)用到Sentinel-2A遙感影像，反演了研究區(qū)土壤鐵元素含量并繪制了土壤鐵元素含量分布圖。謝文等[11]利用高光譜技術(shù)反演土壤有效鐵含量時(shí)，提出了利用土壤有機(jī)質(zhì)含量與有效鐵含量之間的相關(guān)性，間接估算土壤有效鐵含量的可行性，所建立的有效鐵間接反演模型的決定系數(shù)為0.70。

綜上，當(dāng)前利用遙感技術(shù)對土壤中鐵元素的研究還集中于鐵的光譜特征等方面，采用的高光譜數(shù)據(jù)也多為ASD Field Spec Pro光譜儀測量數(shù)據(jù)，將其應(yīng)用于土壤制圖還需輔以其他遙感影像數(shù)據(jù)，其實(shí)用性受到很大制約；由于土壤理化特性較復(fù)雜，影響光譜估測精度的因素較多（土壤質(zhì)地、有機(jī)質(zhì)含量等），土壤含鐵量的估測難度較大；國外的高光譜遙感影像數(shù)據(jù)價(jià)格較昂貴，大大限制了其應(yīng)用范圍。因此，本試驗(yàn)利用中國的環(huán)境災(zāi)害小衛(wèi)星高光譜影像（HJ-1A HSI），在野外土壤采樣實(shí)驗(yàn)室化驗(yàn)數(shù)據(jù)的支持下，計(jì)算高光譜影像反射率與土壤游離氧化鐵含量的相關(guān)系數(shù)，篩選土壤游離氧化鐵含量的敏感波段或敏感波段組合，并采用多元線性回歸分析的方法構(gòu)建土壤游離氧化鐵含量的反演模型，用以實(shí)現(xiàn)研究區(qū)土壤游離氧化鐵含量的反演研究。

1 材料與方法

1.1 研究區(qū)概況

農(nóng)安縣（43°55′N～44°55′N，124°31′E～125°45′E）位于松遼平原腹地，東臨德惠市、南接長春市、西鄰長嶺縣、北接松原市，面積為5 400 km2。農(nóng)安縣地處中溫帶大陸性季風(fēng)氣候區(qū)，四季分明，春季干旱多大風(fēng)、夏季濕熱多雨、秋季溫和涼爽、冬季干燥寒冷。區(qū)域內(nèi)地勢低平，地帶性土壤為黑土、黑鈣土，地方性土壤有包括草甸土、沖積土、鹽堿土和風(fēng)沙土等，土地利用類型主要包括農(nóng)業(yè)種植、畜牧養(yǎng)殖、林地等。本試驗(yàn)所選取的遙感影像獲取時(shí)間為2017年4月30日，此時(shí)刻研究區(qū)地表無綠色植被覆蓋，遙感影像能夠反映出土壤的真實(shí)信息。

1.2 野外土壤采樣及實(shí)驗(yàn)室化驗(yàn)

2017年4月29日至4月30日在研究區(qū)進(jìn)行土壤采樣，采樣方法為在研究區(qū)隨機(jī)布設(shè)82個(gè)采樣點(diǎn)，采樣點(diǎn)分布如圖1所示。每個(gè)采樣點(diǎn)在30 m×30 m的區(qū)域內(nèi)采集5個(gè)土壤樣品混合約1 kg，放入土壤采集袋，土壤采樣深度為地表0～20 cm，用手持GPS接收機(jī)記錄采樣點(diǎn)的經(jīng)緯度坐標(biāo)，用以確定采樣點(diǎn)在遙感影像中的位置。將土壤樣品在實(shí)驗(yàn)室內(nèi)風(fēng)干，剔除土樣中的小石塊、植物根須等雜質(zhì)，并研磨、過2 mm篩。土壤中的游離氧化鐵含量化驗(yàn)采用連二亞硫酸鈉一檸檬酸鈉一重碳酸鈉法浸提法。

圖1 土壤采樣點(diǎn)分布圖

1.3 遙感影像的獲取與預(yù)處理

環(huán)境與災(zāi)害監(jiān)測小衛(wèi)星（簡稱環(huán)境小衛(wèi)星，HJ-1A/1B）于2008年9月6日在太原衛(wèi)星反射中心發(fā)射升空，其中HJ-1A搭載的超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）擁有115個(gè)探測波段，波段范圍為450～950 nm，平均光譜分辨率為4.3 nm，影像的幅寬為50 km，空間分辨率為100 m。HJ-1A HSI具有穩(wěn)定性好、光譜線性度高、光譜范圍寬等特點(diǎn)，為土壤成分的定量研究提供了可靠的遙感數(shù)據(jù)源。本試驗(yàn)選取覆蓋研究區(qū)的2017年4月30日成像的HJ-1A 高光譜2級影像產(chǎn)品共6景，影像中云覆蓋量均<2%。遙感影像的預(yù)處理工作主要包括影像的大氣校正、幾何校正以及影像的裁剪與鑲嵌等。HJ-1A HSI遙感影像2級產(chǎn)品為輻亮度圖像，已經(jīng)經(jīng)過輻射校正，其光譜曲線受大氣水汽的影像，在760 nm和820 nm附近存在2個(gè)水汽吸收帶（圖 2a）。利用FLAASH大氣校正模型對遙感影像進(jìn)行大氣校正，校正后的影像光譜曲線消除了水汽影響，很好的體現(xiàn)出地表不同物體的光譜反射特征；在Erdas軟件中利用研究區(qū)1∶5萬地形圖對遙感影像進(jìn)行幾何校正，校正后誤差<1個(gè)像元；利用Erdas軟件繪制研究區(qū)邊界，并對遙感影像進(jìn)行裁剪和拼接。

圖2 超光譜成像儀影像大氣校正前后光譜曲線圖

1.4 相關(guān)性分析

將土壤游離氧化鐵含量與采樣點(diǎn)在遙感影像中的反射率進(jìn)行相關(guān)性分析，獲得研究區(qū)土壤氧化鐵的敏感波段。

諸多學(xué)者研究結(jié)果顯示，將反射率進(jìn)行適當(dāng)?shù)臄?shù)學(xué)變換可以有效抑制遙感影像中噪聲的影響，提高反射率與土壤成分的相關(guān)性[9-10,12-13]。本試驗(yàn)將遙感影像的反射率進(jìn)行倒數(shù)1/、對數(shù)ln、指數(shù)e、對數(shù)的倒數(shù)1/ln、反射率一階微分、倒數(shù)的一階微分（1/）、對數(shù)的一階微分（ln）、指數(shù)的一階微分（e）、對數(shù)倒數(shù)的一階微分（1/ln）等變換，將變換后光譜數(shù)據(jù)與土壤游離氧化鐵含量進(jìn)行相關(guān)性分析，選取相關(guān)系數(shù)絕對值較大的波段作為游離氧化鐵的敏感波段。試驗(yàn)中，將微分變換以光譜差分進(jìn)行估算[14]，如式（1）所示

1.5 反演模型的建立與檢驗(yàn)

將82個(gè)土樣隨機(jī)分為2個(gè)部分：68個(gè)土樣作為建模樣本，利用多元線性回歸分析的方法建立研究區(qū)土壤游離氧化鐵含量的反演模型；14個(gè)土樣作為檢驗(yàn)樣本，用以檢驗(yàn)?zāi)Ｐ偷木群头€(wěn)定性。其中，利用均方根誤差（Root Mean Square Error，RMSE）和相對誤差（relative error，）衡量模型的精度，RMSE和越小表明模型的精度越高；利用模型決定系數(shù)（coefficient of determination，2）衡量模型的穩(wěn)定性，2越大表明模型越穩(wěn)定[15-16]。相對誤差如式（2）所示

2 結(jié)果與分析

2.1 反射率及變換形式與游離氧化鐵含量相關(guān)性分析

為了篩選出與研究區(qū)土壤游離氧化鐵含量具有較高相關(guān)性的HSI影像的游離氧化鐵敏感波段，將研究區(qū)采樣土壤游離氧化鐵含量與采樣點(diǎn)所在遙感影像中的反射率（反射率的變換）進(jìn)行相關(guān)性分析（圖3），獲得反射率及反射率變換與研究區(qū)表層土壤游離氧化鐵含量的相關(guān)系數(shù)（表1）。圖3顯示，研究區(qū)土壤游離氧化鐵含量與HJ-1A HSI影像反射率呈負(fù)相關(guān)，并在第104波段（中心波長為862 nm）處相關(guān)系數(shù)達(dá)到峰值，為=-0.455。反射率（反射率的變換形式）經(jīng)過一階微分后與土壤游離氧化鐵含量的相關(guān)性顯著提高，其中反射率指數(shù)一階微分與游離氧化鐵含量的相關(guān)系數(shù)在第79波段（中心波長為711 nm）達(dá)到最大值，相關(guān)系數(shù)為-0.908。

圖3 反射率及變換形式與游離氧化鐵含量相關(guān)性分析

2.2 建模波段選擇及模型建立

相關(guān)性分析結(jié)果顯示，研究區(qū)土壤游離氧化鐵含量的敏感波段在可見光與近紅外波段間，與前人研究結(jié)果相同或相近[7-9]。建模波段選擇的基本原則：與研究區(qū)土壤游離氧化鐵含量相關(guān)性較好，所含信息量豐富；選擇相距較遠(yuǎn)的游離氧化鐵敏感波段，波段間相關(guān)性較小，數(shù)據(jù)冗余度低。將隨機(jī)選取的68個(gè)建模樣本土壤游離氧化鐵含量作為因變量，采樣點(diǎn)對應(yīng)的HJ-1A HSI影像反射率（反射率變換）作為自變量，利用逐步回歸分析的方法，建立研究區(qū)土壤游離氧化鐵含量反演模型。試驗(yàn)中，按照建模波段選取原則，參照相關(guān)性分析結(jié)果，將峰值波段反射率（反射率變換）與土壤游離氧化鐵含量在SPSS軟件中進(jìn)行逐步回歸分析，篩選出建模波段（表 1），并建立研究區(qū)土壤游離氧化鐵含量的反演模型（表2）。

通過對比研究區(qū)土壤游離氧化鐵含量與反射率及反射率變換的反演模型（表2）顯示，反射率一階微分的5種變換形式建立的反演模型決定系數(shù)2普遍高于其他5種非微分變換形式反演模型的決定系數(shù)2，而其均方根方差RMSE普遍低于其他5種非微分變換形式的均方根誤差。其中，反射率指數(shù)一階微分反演模型的決定系數(shù)2最大，達(dá)到0.837，且其均方根誤差RMSE最小，為1.59 g/kg。因此，將反射率指數(shù)一階微分形式建立的反演模型作為研究區(qū)表層土壤游離氧化鐵含量的最優(yōu)反演模型。

表1 建模波段反射率和變換形式與游離氧化鐵含量的相關(guān)系數(shù)

表2 土壤游離氧化鐵含量的反演模型

注：為土壤游離氧化鐵的反演值，(g·kg-1)；為土壤反射率或反射率的變換。

Note:is the inversion values of soil free iron oxide, (g·kg-1);is the soil reflectance or transformation of soil reflectance.

2.3 模型精度檢驗(yàn)與誤差分析

利用指數(shù)一階微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，計(jì)算檢驗(yàn)樣本游離氧化鐵含量的反演值，與其實(shí)測值建立散點(diǎn)圖。由圖4所示，研究區(qū)14個(gè)檢驗(yàn)樣本游離氧化鐵含量的反演值與實(shí)測值均勻分布在1∶1直線兩側(cè)，擬合模型為=1.13-3.56（為土壤游離氧化鐵的反演值，g/kg；為土壤游離氧化鐵的實(shí)測值，g/kg），模型的決定系數(shù)2=0.895，均方根誤差RMSE=1.337 g/kg。由圖5所示，14個(gè)檢驗(yàn)樣本中有10個(gè)檢驗(yàn)樣本的相對誤差在（-0.1, 0.1）之間，占總樣本的71.4%，4個(gè)檢驗(yàn)樣本的相對誤差在（-0.15, -0.10）或（0.10, 0.15）之間，說明該反演模型具有較好的預(yù)測結(jié)果，在研究區(qū)具有較好的實(shí)用性。

2.4 有機(jī)質(zhì)對游離氧化鐵反演精度的影響分析

有機(jī)質(zhì)和游離氧化鐵均為土壤的重要組成，均對土壤的理化特性有著重要影響。已有研究表明，土壤中的有機(jī)質(zhì)降低了土壤的反射率[16-17]，并對土壤中游離氧化鐵的估測精度產(chǎn)生影響[18-19]。為了探明研究區(qū)土壤有機(jī)質(zhì)含量對游離氧化鐵含量反演精度的影響，本試驗(yàn)將82個(gè)土壤樣本按照有機(jī)質(zhì)含量進(jìn)行分組（表3）。依次將其中的一組作為建模樣本，其他組作為檢驗(yàn)樣本，建立土壤游離氧化鐵含量的反演模型，再比較不同分組反演模型的精度，其模型精度如表3所示。研究區(qū)土壤游離氧化鐵含量的反演精度，除了在有機(jī)質(zhì)含量≥35～45 g/kg區(qū)間略有上升外，其他區(qū)間游離氧化鐵含量的反演精度呈逐漸降低的趨勢，表明研究區(qū)土壤游離氧化鐵含量的反演精度受到了有機(jī)質(zhì)的影響。

圖4 土壤游離氧化鐵含量反演值與實(shí)測值散點(diǎn)圖

圖5 土壤游離氧化鐵含量反演值與實(shí)測值的相對誤差散點(diǎn)圖

表3 有機(jī)質(zhì)含量分組

2.5 研究區(qū)土壤游離氧化鐵含量空間制圖

利用指數(shù)一階微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，反演農(nóng)安縣土壤游離氧化鐵含量并制圖（圖6）。圖中顯示，研究區(qū)土壤游離氧化鐵含量主要集中于20～40 g/kg區(qū)間，并呈北低南高的空間分布趨勢。農(nóng)安縣北部地區(qū)土壤游離氧化鐵含量普遍<30 g/kg，中部、南部地區(qū)土壤游離氧化鐵含量普遍>20 g/kg。其中，游離氧化鐵含量<20 g/kg集中分布于農(nóng)安縣的東北部與西北部；游離氧化鐵含量>40 g/kg在研究區(qū)內(nèi)分布較分散，集中分布于農(nóng)安縣西部波羅泡以北的三盛玉鎮(zhèn)一帶。

圖6 農(nóng)安縣土壤游離氧化鐵含量空間分布

3 討 論

本試驗(yàn)以中國2008年9月發(fā)射升空的環(huán)境與災(zāi)害一號衛(wèi)星獲取的高光譜數(shù)據(jù)（HJ-1A HSI）結(jié)合農(nóng)安縣土壤采樣游離氧化鐵含量的化驗(yàn)數(shù)據(jù)，反演研究區(qū)表層土壤游離氧化鐵含量。HJ-1A HSI遙感影像為國內(nèi)免費(fèi)的遙感數(shù)據(jù)，與Hyperion等高光譜影像相比更加經(jīng)濟(jì)；HJ-1A HSI遙感影像具有較高的光譜分辨率，因此具有更強(qiáng)的目標(biāo)識別能力與信息提取能力。研究結(jié)果表明，研究區(qū)土壤游離氧化鐵含量與HJ-1A HSI反射率呈負(fù)相關(guān)性，在第17波段（中心波長為496 nm）、第78波段（中心波長為768 nm）、第104波段（中心波長為862 nm）存在峰值，相關(guān)系數(shù)分別為=-0.265、=-0.436、=-0.455，與[8]、何挺等游離游離游離-魯純[20]和丁海寧等[21]利用遙感數(shù)據(jù)研究土壤成分光譜特征時(shí)獲得的結(jié)論相同或相近游離=34.11-0.07923+0.15172- 0.07279-0.01790均方根誤差RMSE= 1.59 g/kg，以此模型反演研究區(qū)表層土壤游離氧化鐵含量具有較高的反演精度和穩(wěn)定性，總結(jié)其原因，本試驗(yàn)使用的HJ-1A 高光譜遙感影像具有較高的光譜分辨率，能夠獲得精細(xì)的地物光譜曲線，為其在土壤成分探測等方面的成功應(yīng)用奠定基礎(chǔ)；遙感影像的獲取時(shí)間與研究區(qū)土壤采樣時(shí)間同步，有利于提高游離氧化鐵含量的反演精度；遙感影像云覆蓋率較小（<2%），獲取時(shí)間為4月30日，此時(shí)研究區(qū)地表無植被及冰雪覆蓋，遙感影像可以真實(shí)反映出地表信息；遙感影像經(jīng)過大氣校正后，消除了大氣中水汽、塵埃等對傳感器成像的影響，獲得了地表的真實(shí)反射率；反射率經(jīng)過適當(dāng)?shù)臄?shù)學(xué)變換以后，可以消除遙感影像中噪聲的影響，有效提高了土壤游離氧化鐵含量與反射率的相關(guān)性；利用多元線性回歸分析方法建立的的反演模型用以反演研究區(qū)土壤游離氧化鐵含量，具有較高的精度與穩(wěn)定性。游離氧化鐵含量的空間分布圖顯示，研究區(qū)土壤游離氧化鐵含量呈北低南高的空間分布趨勢，游離氧化鐵含量<20 g/kg集中分布于研究區(qū)東北部與西北部。土壤采樣時(shí)發(fā)現(xiàn)，農(nóng)安縣北部地區(qū)土壤退化較嚴(yán)重，土壤中較高的碳酸鹽易與鐵元素形成難溶性化合物，使游離氧化鐵含量的反演值偏低。土壤中有機(jī)質(zhì)對游離氧化鐵含量反演精度影響的驗(yàn)證結(jié)果顯示：隨著有機(jī)質(zhì)含量的增加，游離氧化鐵含量的反演精度整體上呈逐漸下降趨勢，表明研究區(qū)土壤游離氧化鐵含量的反演精度受到了有機(jī)質(zhì)含量的影響。

本試驗(yàn)土壤采樣覆蓋的面積較廣，研究區(qū)內(nèi)土壤類型復(fù)雜，土壤利用的方式多樣化，土壤樣本養(yǎng)分含量差異較大，與已有的研究相比較，所建立的土壤游離氧化鐵含量反演模型精度相對較高，為該模型通用性的建立提供了理論依據(jù)。

4 結(jié) 論

本研究利用HJ-1A高光譜數(shù)據(jù)反演農(nóng)安縣表層土壤游離氧化鐵含量，獲得以下結(jié)論：

1）HJ-1A高光譜影像反射率與研究區(qū)表層土壤游離氧化鐵含量呈負(fù)相關(guān)性，將反射率進(jìn)行適當(dāng)?shù)臄?shù)學(xué)變換后可以有效提升其與土壤游離氧化鐵含量的相關(guān)性，其中反射率指數(shù)的一階微分變換與土壤游離氧化鐵含量的最大相關(guān)系數(shù)達(dá)到-0.908。

2）將HJ-1A高光譜影像進(jìn)行大氣校正后，可以消除大氣中水汽、塵埃等對傳感器成像的影響，有效提升土壤游離氧化鐵含量的反演精度。

3）有機(jī)質(zhì)對游離氧化鐵反演精度的影響分析顯示，隨著土壤中有機(jī)質(zhì)含量的增加，游離氧化鐵含量的反演精度呈逐漸降低的趨勢，表明研究區(qū)土壤游離氧化鐵含量的反演精度受到了有機(jī)質(zhì)的影響。

[1] 曾昭華. 農(nóng)業(yè)生態(tài)與土壤環(huán)境中鐵元素的關(guān)系[J]. 環(huán)境監(jiān)測管理與技術(shù)，2001，13(4)：18-20. Zeng Zhaohua. Relationship between agricultural ecology and element Fe in soil[J]. The Administration and Technique of Environmental Monitoring, 2001, 13(4): 18-20. (in Chinese with English abstract)

[2] 郭穎，郭治興，劉佳，等. 亞熱帶典型區(qū)域水稻土氧化鐵高光譜反演—以珠江三角洲為例[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28(11)：3675-3683. Guo Ying, Guo Zhixing, Liu Jia, et al. Hyperspectral inversion of paddy soil ferric oxide in typical subtropical area with Pearl River Delta, China as illustration[J]. Chinese Journal of Applied Ecology, 2017, 28(11): 3675-3683. (in Chinese with English abstract)

[3] 喬璐，陳立新，董誠明. 基于高光譜遙感技術(shù)對土壤氮磷鉀的估算[J]. 森林工程，2018，34(6)：25-71. Qiao Lu, Chen Lixin, Dong Chengmin. Estimates of soil N, P, K concentration by using hyperspectral remote sensing technology[J]. Forest Engineering, 2018, 34(6): 25-71. (in Chinese with English abstract)

[4] 袁中強(qiáng)，曹春香，鮑達(dá)明，等. 若爾蓋濕地土壤重金屬元素含量的遙感反演[J]. 濕地科學(xué)，2016，14(1)：113-116. Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in Oige Llateau based on remote sensing data[J]. Wetland Science, 2016, 14(1): 113-116. (in Chinese with English abstract)

[5] Ren H Y, Zhuang D F, Singh A N, et al. Estimation of as and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Fedosphere, 2009, 119(6): 719-726.

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

[7] Baumgardner M F, Stoner E R, Silva L F, et al. Reflective Properties of Soils[M]. New York: Academic Press, 1985.

，陳駿，等. 土壤理化參數(shù)的反射光譜分析[J]. 地學(xué)前緣，2009，16(4)：354-362. Xia Xueqi, Ji Junfeng, Chen Jun, et al. Analysis of soil physical and chemical properties by reflectance spectroscopy[J]. Earth Science Frontiers, 2009, 16(4): 354-362. (in Chinese with English abstract)

[9] 何挺，王靜，程燁，等. 土壤氧化鐵光譜特征研究[J]. 地理與地理信息科學(xué)，2006，26(2)：30-34. He Ting, Wang Jing, Cheng Ye, et al. Study on spectral features of soil Fe2O3[J]. Geography and Geo Information Science, 2006, 26(2): 30-34. (in Chinese with English abstract)

[10] 丁海寧，陳玉，陳蕓芝. 黃土高原土壤鐵元素含量遙感反演方法[J]. 遙感技術(shù)與應(yīng)用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

[11] 謝文，趙小敏，郭熙，等. 基于組合模型的廬山森林土壤有效鐵光譜間接反演研究[J]. 土壤學(xué)報(bào)，2017，54(3)：601-612. Xie Wen, Zhao Xiaomin, Guo Xi, et al. Composite-model-based indirect reversion of soil available iron spectrum of forest soil in Lushan[J]. Acta Pedologica Sinica, 2017, 54(3): 601-612. (in Chinese with English abstract)

[12] 馬馳. 基于HJ-1A高光譜影像的土壤鹽漬化遙感研究[J]. 干旱區(qū)資源與環(huán)境，2014，28(2)：180-185. Ma Chi. Research on soilsalinizationremote sensingof HJ-1A hyper spectralimages[J]. Journal of Arid Land Resources and Environment, 2014, 28(2): 180-185. (in Chinese with English abstract)

[13] 王爽，丁建麗，王璐，等. 基于地表光譜建模的區(qū)域土壤鹽漬化遙感監(jiān)測研究[J]. 干旱區(qū)地理，2016，39(1)：190-198. Wang Shuang, Ding Jianli, Wang Lu, et al. Remote sensing monitoring of soil salinization based on surface spectral modeling[J]. Arid Land Geography, 2016, 39(1): 190-198. (in Chinese with English abstract)

[14] 楊可明，郭達(dá)志，陳云浩. 高光譜植被遙感數(shù)據(jù)光譜特征分析[J]. 計(jì)算機(jī)工程與應(yīng)用，2006，42(31)：213-222. Yang Keming, Guo Dazhi, Chen Yunhao. Analysis of vegetation spectral features based on hyperspectral imaging data[J]. Computer Engineering and Applications, 2006, 42(31): 213-222. (in Chinese with English abstract)

[15] 朱高飛，范燕敏，盛建東，等. 基于HJ1A-HSI超光譜影像的縣域耕地土壤鹽漬度預(yù)測研究[J]. 中國農(nóng)學(xué)通報(bào)，2014，30(8)：289-294. Zhu Gaofei, Fan Yanmin, Sheng Jiandong, et al. Estimation of soil salinity in cultivated land at county scale based on HJ1A-HSI hyperspectral image[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 289-294. (in Chinese with English abstract)

[16] 劉煥軍，趙春江，王紀(jì)華，等. 黑土典型區(qū)土壤有機(jī)質(zhì)遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，28(7)：211-215. Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 28(7): 211-215. (in Chinese with English abstract)

[17] 管延龍，王讓會(huì)，李成，等. 天山北麓土壤有機(jī)質(zhì)高光譜特征分析[J]. 環(huán)境科學(xué)技術(shù)，2015，38(9)：1-6. Guan Yanlong, Wang Ranghui, Li Cheng, et al. Study on soil organic matter content from hyper-spectra in the north of Tianshan Mountains[J]. Environmental Science & Technology, 2015, 38(9): 1-6. (in Chinese with English abstract)

[18] 彭杰，張楊珠，周清，等. 去除有機(jī)質(zhì)對土壤光譜特性的影響[J]. 土壤，2006，38(4)：453-458. Peng Jie, Zhang Yangzhu, Zhou Qing, et al. Spectral characteristics of soils in Hunan province as affected by removal of soil organic matter[J]. Soils, 2006, 38(4): 453-458. (in Chinese with English abstract)

[19] 熊俊峰，鄭光輝，林晨. 基于反射光譜的土壤鐵元素含量估算[J]. 光譜學(xué)與光譜分析，2016，36(11)：3615-3619. Xiong Junfeng, Zheng Guanghui, Lin Chen. Estimating soil iron content based on reflectance spectra[J]. Spectroscopy and Spectral Analysis, 2016, 36(11): 3615-3619. (in Chinese with English abstract)

[20] 魯純. 利用HJ1A-HSI數(shù)據(jù)定量反演松遼平原土壤含鹽量[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，35(5)：577-582. Lu Chun. Quantitative inversion of salinity based on hyper-spectral data in Songliao Plain[J]. Journal of Jilin Agricultural University, 2013, 35(5): 577-582. (in Chinese with English abstract)

[21] 丁海寧，陳玉，陳蕓芝. 黃土高原土壤鐵元素含量遙感反演方法[J]. 遙感技術(shù)與應(yīng)用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images

Ma Chi

(,110122,)

The real-time monitoring of soil free ferric oxide content is very important for obtaining regional soil physical and chemical characteristics data, monitoring soil environment, and implementing regional precision agriculture. It took HJ-1A hyperspectral remote sensing image as the basis to establish an inversion model of free ferric oxide contents in surface soil of Nong'an county, which also had combined with test data obtained from soil sampling in the study area. The whole process was divided into three steps: first of all, soil samples were taken in the research area from April 29thto April 30th, 2017, and 82 soil samples were collected. At the same time, the longitude and latitude of the sampling points were measured by hand-held GPS receivers to determine the position of the sampling points in remote sensing images, and the free ferric oxide content of the soil samples was tested in the laboratory. Moreover, the HJ-1A hyperspectral remote sensing image covering the study area, which was synchronized with the soil sampling time, was selected, and the FLAASH atmospheric correction model was used to carry out an atmospheric correction on the remote sensing image to eliminate the influence of water vapor, ozone, dust and the like on the imaging process in the imaging process of the sensor. Erdas software was used to carry out a geometric precise correction on the remote sensing image, and the corrected error was less than 1 pixel. Erdas software was used to draw the boundary of the research area, and the remote sensing image was cut and spliced; Finally, the reflectivity was subjected to the mathematical transformation such as reciprocal, logarithmic, exponential, power function, reciprocal of the logarithm, first-order differential of reflectivity, first-order differential of reciprocal, first-order differential of logarithmic, first-order differential of exponential, first-order differential of logarithmic reciprocal, etc. The correlation analysis between the reflectance and its mathematical transformation data and the content of soil free ferric oxide was carried out to obtain the sensitive band of ferric oxide. The inversion model of soil free ferric oxide content in the study area was established by using the method of multiple linear regression analysis, which was used to invert the content of soil free ferric oxide in the study area and draw the spatial distribution map. The results showed that the reflectivity of HJ-1A hyperspectral remote sensing image was negatively correlated with the content of free ferric oxide in the soil in the study area, and reached the peak value at the 104thband, and the correlation coefficient was -0.455. The correlation between the reflectivity and the content of soil free ferric oxide could be significantly improved by first-order differential, reciprocal first-order differential, logarithmic first-order differential, exponential first-order differential, and other mathematical transformation. Among them, the reflectivity index of first-order differential transform and free soil ferric oxide content in the 79thband correlation was the best-reaching and the correlation coefficient was 0.908. A multivariate regression model was established by using reflectance index transformation. The determination coefficient of the model was 0.837 and the root mean square error was 1.59 g/kg. According to the testing results of the influence of organic matter in soil on the inversion accuracy of free ferric oxide contents, it was obvious that the organic matter in the soil of the study area could produce minimal impacts on the inversion accuracy of free ferric oxide contents. This experiment could use for reference for the spectral analysis of soil free ferric oxide and provide data support for the monitoring of the regional soil ecological environment.

remote sensing; hyperspectral; iron; quantitative inversion; free iron oxide; HJ-1A HIS

馬馳. HJ-1A高光譜影像的表層土壤游離氧化鐵含量反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(20)：164-170.doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

Ma Chi. Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 164-170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

2020-02-24

2020-04-07

國家自然科學(xué)基金項(xiàng)目（41371332）；中國地質(zhì)調(diào)查局項(xiàng)目（1212010911084）；遼寧省交通高等?？茖W(xué)校項(xiàng)目（lnccybky201910）

馬馳，博士，副教授，主要從事RS與GIS應(yīng)用研究。Email：machi1001@sina.com

10.11975/j.issn.1002-6819.2020.20.019

TP79；S151.9

A

1002-6819(2020)-20-0164-07