辛京達(dá) 陳成 刀劍 王建雄

摘要：選取云南農(nóng)業(yè)大學(xué)某試驗(yàn)地為研究區(qū)域，一方面利用無(wú)人機(jī)掛載多光譜相機(jī)獲取研究區(qū)域的多光譜遙感影像，通過(guò)對(duì)比多光譜單波段反射率以及多光譜影像發(fā)現(xiàn)，綠光和紅光波段對(duì)3類土壤較為敏感，且反射率具有明顯差異，對(duì)多光譜數(shù)據(jù)進(jìn)行8種合成指數(shù)計(jì)算后發(fā)現(xiàn)，紅綠比值指數(shù)（RG）對(duì)3種土壤的區(qū)分效果最優(yōu);另一方面利用美國(guó)ASD公司的FS4 NG地物光譜儀對(duì)獲取的土壤樣本進(jìn)行多光譜測(cè)定，通過(guò)主成分分析對(duì)土壤樣本進(jìn)行區(qū)分，一階微分變換后主成分分析前5個(gè)主成分提供了85%的光譜信息，而二階微分變換后主成分分析前5個(gè)主成分提供了95%的光譜信息，且后者區(qū)分效果優(yōu)于前者。

關(guān)鍵詞：多光譜;高光譜;植被指數(shù);主成分分析;土壤類型區(qū)分

中圖分類號(hào)： S127;S151.9 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2021）10-0207-06

土壤作為農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，是一種至關(guān)重要的自然資源，快速準(zhǔn)確地對(duì)土壤進(jìn)行區(qū)分，可以加快土地利用規(guī)劃等工作的進(jìn)度。隨著光譜技術(shù)的快速發(fā)展，眾多學(xué)者嘗試?yán)霉庾V技術(shù)對(duì)土壤進(jìn)行類別劃分[1]。如Stoner等將美國(guó)和巴西的485個(gè)土壤樣本的反射光譜曲線分為5種類型：有機(jī)質(zhì)控制型、最小改變型、鐵影響型、有機(jī)質(zhì)影響型和鐵控制型[2];我國(guó)學(xué)者戴昌達(dá)將我國(guó)的23類土壤，根據(jù)其反射光譜特征，將反射光譜曲線分為4類：平直型、緩斜型、陡坎型和波浪形[3];李丹等將215個(gè)廣東省水稻土壤數(shù)據(jù)通過(guò)S-G一階導(dǎo)數(shù)平滑，處理后帶入支持向量機(jī)分類，土類級(jí)分類精度達(dá)到59%[4];吳豪翔等對(duì)我國(guó)南方丘陵的磚紅壤、紅壤、黃壤、水稻土和紫色土的光譜反射率進(jìn)行了定量分析，為土壤分類提供了光譜定量指標(biāo)[5]。本研究以3種土壤類型樣本的高光譜反射光譜和多光譜影像作為研究對(duì)象，分別采用主成分分析法和合成光譜指數(shù)對(duì)土壤樣本進(jìn)行區(qū)分，旨在為土壤類型的區(qū)分提供更加準(zhǔn)確、快速的方法。1 材料與方法

1.1 研究區(qū)域概況與土樣采集

研究區(qū)域位于云南省昆明市盤龍區(qū)云南農(nóng)業(yè)大學(xué)現(xiàn)代教育實(shí)踐基地后山試驗(yàn)田內(nèi)，地理位置為25°8′E，102°45′N，氣候類型屬亞熱帶高原季風(fēng)氣候，試驗(yàn)區(qū)面積約為6.67 hm2。原試驗(yàn)區(qū)經(jīng)實(shí)地調(diào)查分析后確認(rèn)其表層土壤均為山原紅壤，在土地平整后，發(fā)現(xiàn)試驗(yàn)區(qū)內(nèi)出現(xiàn)了與山原紅壤差異較大的土壤，其土質(zhì)粗糙且含沙量較多，極有可能為混合土壤。經(jīng)過(guò)實(shí)地調(diào)查發(fā)現(xiàn)，該沙質(zhì)土為土地平整時(shí)期施工人員由他處覆來(lái)。

土壤樣品采自試驗(yàn)田內(nèi)3類不同土壤的0～20 cm 表層土樣品，數(shù)量為30個(gè)，采樣時(shí)間為2019年11月16日，土壤經(jīng)過(guò)風(fēng)干研磨后通過(guò)2 mm孔篩，試驗(yàn)區(qū)采樣點(diǎn)如圖1所示。

1.2 多光譜數(shù)據(jù)采集與處理

1.2.1 區(qū)域多光譜數(shù)據(jù)采集 使用大疆M100無(wú)人機(jī)掛載派諾特五鏡頭多光譜相機(jī)，對(duì)試驗(yàn)區(qū)域進(jìn)行多光譜影像采集。無(wú)人機(jī)飛行高度為60 m，設(shè)置飛行航向重疊率為70%，旁向重疊率為75%，飛行速度為 12 m/s，多光譜相機(jī)鏡頭垂直地面向下，間隔 2 s 拍攝試驗(yàn)地塊4個(gè)波段（綠光、紅外光、紅邊、近紅外光）的多光譜正攝影像圖。

1.2.2 實(shí)驗(yàn)室內(nèi)多光譜數(shù)據(jù)采集 將處理后的土壤樣本置于實(shí)驗(yàn)室內(nèi)，刮平表面，并對(duì)多光譜相機(jī)進(jìn)行室內(nèi)灰板校正。利用派諾特多光譜相機(jī)采集3類土壤樣本4個(gè)波段的反射率。

1.2.3 合成光譜指數(shù) 目前研究發(fā)現(xiàn)多光譜對(duì)植被覆蓋較為敏感，但針對(duì)土壤的多光譜研究相對(duì)較少，并且并無(wú)權(quán)威的多光譜土壤指數(shù)可以使用，因此本研究為了更好地對(duì)反射物質(zhì)特性進(jìn)行研究，選用與綠光、紅光、近紅外光、紅邊波段有關(guān)的常見合成指數(shù)對(duì)反射光譜進(jìn)行合成，其計(jì)算公式如表1所示。

其中，RVI為比值植被指數(shù)，是由Jordan提出的一種最早的植被指數(shù)，它是近紅外光波段和紅光波段反射率的比值，有研究表明，在植被區(qū)域RVI通常大于2，土壤區(qū)域RVI通常在1左右[6]。DVI為差值植被指數(shù)，它是近紅外光波段和紅光波段的差值，它對(duì)土壤的環(huán)境較為敏感，通常情況下土壤區(qū)域DVI在0.05左右[7]。NDVI為歸一化植被指數(shù)，也是目前最常用的一種植被表征指標(biāo)[8]，它將比值限定在-1～1之間，通常土壤區(qū)域NDVI為0.1左右。NDVI705是對(duì)NDVI進(jìn)行了改進(jìn)，為紅邊歸一化植被指數(shù)，同樣它的范圍也為-1～1，通常情況下，土壤區(qū)域的NDVI705小于0.2[9]。GNDVI為綠通道植被指數(shù)，它在NDVI的基礎(chǔ)上將紅光波段替換為綠光波段，這也使得它相比于NDVI更加穩(wěn)定[10]。RG為紅綠比值指數(shù)，是紅光波段與綠光波段的比值，范圍通常為0.1～8.0，土壤區(qū)域RG通常約為1.3[11]。LCI為優(yōu)化植被指數(shù)，目前研究發(fā)現(xiàn)LCI在判定葉片葉綠素含量及含氮量方面具有很好的潛力。OSAVI為優(yōu)化土壤調(diào)整植被指數(shù)，它在NDVI的基礎(chǔ)上將土壤環(huán)境納入考量，從而減少土壤環(huán)境的影響[12]。

1.3 高光譜數(shù)據(jù)采集與處理

將處理后的土壤樣本于暗室內(nèi)進(jìn)行光譜測(cè)量，利用美國(guó)ASD公司的FS4 NG地物光譜儀測(cè)得3類土壤共計(jì)30個(gè)樣本350～2 500 nm范圍內(nèi)的光譜反射率。為了消除噪聲的影響，對(duì)測(cè)得的數(shù)據(jù)僅保留400～2 400 nm，并對(duì)處理后的數(shù)據(jù)分別進(jìn)行一階微分變換和二階微分變換，擴(kuò)大樣品間的光譜差異，在原始曲線快速變化的區(qū)間有明顯的波峰或波谷，便于土壤類型的區(qū)分[13]。

2.2 多光譜特性分析

2.2.1 單波段多光譜特性 對(duì)實(shí)驗(yàn)室獲取的3類土壤分別進(jìn)行均值處理，其反射率均值如圖2所示。

從圖2可以看出，3類土壤樣本4個(gè)波段的反射率均在0.07～0.20之間，并且綠光和紅光波段對(duì)3類土壤較為敏感且反射率有明顯差異，紅邊波段對(duì)樣本3較為敏感，其反射率與另外2類樣本有明顯差異，而在近紅外光波段3類土壤反射率均值相近，這種特性也在試驗(yàn)區(qū)的多光譜影像中體現(xiàn)出來(lái)，如圖3所示。

2.2.2 合成指數(shù)多光譜特性 對(duì)多光譜數(shù)據(jù)進(jìn)行8種合成指數(shù)的計(jì)算，計(jì)算后的合成指數(shù)如表3所示。為了更好地對(duì)土壤進(jìn)行區(qū)分，對(duì)計(jì)算后的合成指數(shù)進(jìn)行Z-score標(biāo)準(zhǔn)化處理，得到一個(gè)綜合性指標(biāo)如圖4所示。

通過(guò)分析可以發(fā)現(xiàn)，盡管3類土壤樣本的8種合成指數(shù)在數(shù)值上差距不大，但對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理后可以很清晰地看出，除去GNDVI和LCI，剩余的6種合成指數(shù)均能對(duì)3類土壤進(jìn)行區(qū)分。將預(yù)先處理的試驗(yàn)區(qū)4個(gè)波段多光譜影像在ArcGIS中進(jìn)行控制點(diǎn)矯正，利用柵格計(jì)算器進(jìn)行多光譜影像的合成，獲得試驗(yàn)區(qū)的8種合成指數(shù)影像，如圖5所示。

綜合土壤合成指數(shù)與合成指數(shù)影像圖分析得知， 在選取的8種合成指數(shù)中，盡管標(biāo)準(zhǔn)化后，除去

GNDVI和LCI，剩余的6種合成指數(shù)均能對(duì)3類土壤進(jìn)行區(qū)分，但結(jié)合影像圖發(fā)現(xiàn)，GNDVI影像圖對(duì)第3類土壤較為敏感，與第1類及第2類有明顯區(qū)分;RG在影像圖上區(qū)分較為明顯，第1類土壤呈淡紅色，第2類土壤呈淡綠色摻雜淡黃色，第3類土壤呈綠色。

2.3 高光譜特性分析

2.3.1 原始光譜曲線分析 將測(cè)得的高光譜數(shù)據(jù)使用ViewSpecPro軟件進(jìn)行處理，并導(dǎo)出3類土壤樣本各波段反射率，如圖6所示。通過(guò)3類土壤樣本的原始反射率可以看出，3類土壤樣本的原始反射率總體呈上升趨勢(shì)。在可見光波段（400～780 nm）反射率迅速上升，在近紅外光波段（780～2 150 nm）反射率上升趨勢(shì)趨于平緩，并且在1 400、1 900、2 200 nm附近出現(xiàn)明顯的吸收特征，這主要與鐵的氧化物有關(guān)[8]。

2.3.2 基于高光譜的主成分分析 將一階微分和二階微分處理后的30個(gè)土壤反射光譜數(shù)據(jù)在The Unscrambler軟件中進(jìn)行主成分分析。取前10個(gè)主成分的貢獻(xiàn)率以及累積貢獻(xiàn)率，如表4、表5所示，從表中可以看出，一階微分變換前10個(gè)主成分包含了約92%的光譜信息，而二階微分變換前5個(gè)主成分包含了約95%的光譜信息。

在The Unscrambler繪制二維得分圖，如圖7、圖8所示?？梢钥闯觯谝浑A微分變換后的主成分分析得分圖中，樣本1大部分位于第一象限;樣本2大部分位于第四象限;樣本3位于第二、第三象限。而在二階微分變換后的主成分分析得分圖中，3類樣本分別位于第四、第一和第二象限，且樣本點(diǎn)之間無(wú)明顯重疊。因此一階微分和二階微分變換均能對(duì)3類土壤進(jìn)行區(qū)分，且后者的分類效果明顯優(yōu)于前者。

3 結(jié)論

通過(guò)對(duì)土壤樣本的理化性質(zhì)分析，樣本3屬于山原紅壤，而其余2類樣本為混合了不同含量沙礫的混合山原紅壤。在多光譜分析中發(fā)現(xiàn)，紅光和綠光波段對(duì)3類土壤較為敏感，并且綜合標(biāo)準(zhǔn)化后的合成指數(shù)和試驗(yàn)區(qū)的合成指數(shù)遙感影像發(fā)現(xiàn)，RG可以清晰地在影像中對(duì)3類土壤進(jìn)行區(qū)分。在對(duì)高光譜原始反射率采用一階微分和二階微分變換后進(jìn)行主成分分析，發(fā)現(xiàn)后者在分類效果上明顯優(yōu)于前者。本研究?jī)H對(duì)山原紅壤以及其混合土壤進(jìn)行光譜特性的區(qū)分，以后的研究中可以增加更多的土類，改進(jìn)合成指數(shù)算法，從而提供一種更優(yōu)的土壤分類方式。

參考文獻(xiàn)：

[1]王 婷，劉振華，彭一平，等. 華南地區(qū)土壤有機(jī)質(zhì)含量高光譜反演[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（2）：350-357.

[2]Stoner E R，Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal，1981，45（6）：1161-1165.

[3]戴昌達(dá). 中國(guó)主要土壤光譜反射特性分類與數(shù)據(jù)處理的初步研究[G]//國(guó)家遙感中心.遙感文選. 北京：科學(xué)出版社，1981：315-323.

[4]李 丹，彭智平，韓留生，等. 基于土壤反射光譜特性的廣東省稻田土壤快速分類[J]. 熱帶地理，2015，35（1）：29-34.

[5]吳豪翔，王人潮. 土壤光譜特征及其定量分析在土壤分類上的應(yīng)用研究[J]. 土壤學(xué)報(bào)，1991，28（2）：177-185.

[6]郭 鈮. 植被指數(shù)及其研究進(jìn)展[J]. 干旱氣象，2003，21（4）：71-75.

[7]田慶久，閔祥軍. 植被指數(shù)研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，1998，13（4）：327-333.

[8]Stow D A，Hope A，McGuire D，et al. Remote sensing of vegetation and land-cover change in Arctic Tundra Ecosystems[J]. Remote Sensing of Environment，2003，89（3）：281-308.

[9]Moroni M，Lupo E，Marra E，et al. Hyperspectral image analysis in environmental monitoring：setup of a new tunable filter platform[J]. Procedia Environmental Sciences，2013，19：885-894.

[10]Rahman M M，Robson A. Integrating Landsat-8 and Sentinel-2 time series data for yield prediction of sugarcane crops at the block level[J]. Remote Sensing，2020，12（8）：1313.

[11]汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無(wú)人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-159.

[12]趙天奇. 面向變量施肥應(yīng)用的OSAVI測(cè)量?jī)x的設(shè)計(jì)[D]. 北京：北京化工大學(xué)，2009.

[13]項(xiàng)宏亮. 應(yīng)用高光譜技術(shù)區(qū)分土壤類型的初步探討[D]. 蕪湖：安徽師范大學(xué)，2013.

[14]郭 熙，謝碧裕，葉英聰，等. 基于一階微分變換方法的南方丘陵稻田土壤電阻率高光譜特性研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，37（1）：190-198.

[15]徐念旭，田慶久，申懷飛，等. 基于微分變換的高光譜馬尾松和杉木識(shí)別[J]. 國(guó)土資源遙感，2018，30（4）：28-32.