于錦濤,李西燦,曹雙,劉法軍

土壤有機(jī)質(zhì)高光譜自反饋灰色模糊估測(cè)模型

于錦濤1,李西燦1,曹雙1,劉法軍2*

1. 山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院, 山東 泰安 271018 2. 山東省地質(zhì)礦產(chǎn)勘查開發(fā)局第五地質(zhì)大隊(duì), 山東 泰安 271000

為克服光譜估測(cè)中的不確定性和提高光譜估測(cè)精度，本文利用灰色系統(tǒng)理論和模糊理論建立土壤有機(jī)質(zhì)高光譜估測(cè)模型?；谏綎|省濟(jì)南市章丘區(qū)和濟(jì)陽(yáng)區(qū)的121個(gè)土壤樣本數(shù)據(jù)，首先對(duì)土壤光譜數(shù)據(jù)進(jìn)行光譜變換，根據(jù)極大相關(guān)性原則選取光譜估測(cè)因子；然后，利用區(qū)間灰數(shù)的廣義灰度對(duì)建模樣本和檢驗(yàn)樣本的估測(cè)因子進(jìn)行修正，以提高相關(guān)性。最后，利用模糊識(shí)別理論建立土壤有機(jī)質(zhì)高光譜自反饋模糊估測(cè)模型，并通過調(diào)整模糊分類數(shù)進(jìn)行模型優(yōu)化。結(jié)果表明，利用區(qū)間灰數(shù)的廣義灰度可有效提高土壤有機(jī)質(zhì)含量與估測(cè)因子的相關(guān)性，所建估測(cè)模型精度和檢驗(yàn)精度均顯著提高，其中20個(gè)檢驗(yàn)樣本的決定系數(shù)為2=0.9408，平均相對(duì)誤差為6.9717%。研究表明本文所建立的土壤有機(jī)質(zhì)高光譜自反饋灰色模糊估測(cè)模型是可行有效的。

土壤有機(jī)質(zhì); 高光譜遙感; 估測(cè)模型

土壤有機(jī)質(zhì)是評(píng)定土壤肥力的一個(gè)重要指標(biāo)，快速獲取土壤有機(jī)質(zhì)含量對(duì)發(fā)展精準(zhǔn)農(nóng)業(yè)具有現(xiàn)實(shí)意義[1]。傳統(tǒng)的土壤有機(jī)質(zhì)測(cè)定方法雖然精度高，但是操作復(fù)雜、監(jiān)測(cè)范圍有限、成本較高，難以滿足大范圍農(nóng)田精準(zhǔn)管理的需要，而高光譜技術(shù)具有時(shí)效高的特點(diǎn)，可以快速獲取土壤光譜信息，為土壤有機(jī)質(zhì)含量監(jiān)測(cè)提供了一種新技術(shù)[2,3]。近年來，國(guó)內(nèi)外學(xué)者已經(jīng)開展了土壤有機(jī)質(zhì)含量高光譜估測(cè)研究，在光譜特性分析、光譜成因分析、光譜變換、光譜特征提取和估測(cè)建模等方面取得了豐富的成果[4,5]。目前，土壤有機(jī)質(zhì)高光譜估測(cè)的建模方法主要有多元線性回歸[6]、偏最小二乘[7]、神經(jīng)網(wǎng)絡(luò)[8]、支持向量機(jī)[9]等。隨著研究的不斷深入，運(yùn)用多種估測(cè)方法進(jìn)行建模估測(cè)已經(jīng)受到高度重視，同時(shí)也涌現(xiàn)出大量的新方法。

由于高光譜數(shù)據(jù)受到眾多因素的影響，且取樣點(diǎn)的空間分布也影響有機(jī)質(zhì)含量實(shí)測(cè)值的代表性，所以土壤光譜估測(cè)中不可避免地存在不確定性，即隨機(jī)性、模糊性和灰色性。因此，一些學(xué)者將模糊數(shù)學(xué)方法或灰色系統(tǒng)理論應(yīng)用于土壤有機(jī)質(zhì)的定量估測(cè)。任文靜等提出基于廣義灰度[10]的估測(cè)因子修正模型，有效提高了估測(cè)因子的相關(guān)性和土壤有機(jī)質(zhì)含量光譜估測(cè)的精度，為修正光譜估測(cè)因子提供了一條新途徑[11]?；趶V義灰度的估測(cè)因子修正模型對(duì)建模樣本進(jìn)行修正是比較方便的，但如何對(duì)檢驗(yàn)樣本的估測(cè)因子進(jìn)行合理修正有待進(jìn)一步研究。另外，由于在土壤光譜估測(cè)中同時(shí)存在隨機(jī)性、模糊性和灰色不確定性，如何將這三種不確定性理論結(jié)合起來，也需要深入探討。因此，本文將統(tǒng)計(jì)分析、模糊識(shí)別和灰色關(guān)聯(lián)分析結(jié)合起來，開展土壤有機(jī)質(zhì)高光譜估測(cè)模型研究。首先，利用統(tǒng)計(jì)分析方法對(duì)土壤光譜數(shù)據(jù)進(jìn)行光譜變換，根據(jù)極大相關(guān)性原則選取特征波段的光譜變換值作為光譜估測(cè)因子。然后，利用區(qū)間灰數(shù)的廣義灰度對(duì)建模樣本的估測(cè)因子進(jìn)行修正，利用正反向灰色關(guān)聯(lián)度[12,13]計(jì)算檢驗(yàn)樣本估測(cè)因子的廣義灰度并修正估測(cè)因子。最后，利用模糊識(shí)別理論建立土壤有機(jī)質(zhì)光譜估測(cè)模型，通過調(diào)整模糊分類數(shù)進(jìn)行模型優(yōu)化，并將其應(yīng)用于山東省濟(jì)南市章丘區(qū)和濟(jì)陽(yáng)區(qū)的土壤有機(jī)質(zhì)含量光譜估測(cè)，取得了較為滿意的結(jié)果。

1 數(shù)據(jù)來源及預(yù)處理

1.1 實(shí)驗(yàn)區(qū)概況

實(shí)驗(yàn)區(qū)選在山東省濟(jì)南市章丘區(qū)和濟(jì)陽(yáng)區(qū)。章丘區(qū)(117°10′～117°35′E，36°25′～37°09′N)位于黃河下游南岸，濟(jì)陽(yáng)區(qū)(116°52′～117°27′E，36°41′～37°15′N)均位于黃河下游北岸，兩區(qū)均地處中緯度，年平均氣溫12.8 °C，水資源和光照資源豐富。章丘區(qū)的主要土壤類型為褐土，濟(jì)陽(yáng)區(qū)的主要土壤類型為沙土。

1.2 土壤樣品采集

首先準(zhǔn)備好采集土樣所需要的儀器設(shè)備，做好采樣前的準(zhǔn)備工作，提前在地圖上規(guī)劃好采樣路線。然后，按預(yù)定路線，在實(shí)驗(yàn)區(qū)內(nèi)較均勻的采集土壤樣本，并將采集的土樣裝袋密封、編號(hào)。采樣時(shí)，主要采集研究區(qū)的表層土壤，深度大約在0～5 cm；同時(shí)使用手持GPS對(duì)采樣點(diǎn)定位，并記錄土壤利用類型、坡度等信息。本次實(shí)驗(yàn)共采集121個(gè)土壤樣本。

1.3 光譜測(cè)量及有機(jī)質(zhì)含量測(cè)定

將采集的121個(gè)樣本分別分為兩份，一份用于測(cè)量土壤光譜反射率，另一份用于測(cè)量有機(jī)質(zhì)含量。使用美國(guó)ASD FieldSpecPro FR光譜儀采集土樣的光譜數(shù)據(jù)，該儀器波段范圍為350 nm～2500 nm。選擇無風(fēng)、晴朗的天氣，在上午10至下午14點(diǎn)間測(cè)量室外土樣光譜。采集光譜數(shù)據(jù)時(shí)，傳感器與土樣距離15 cm，采用3°視場(chǎng)角照射, 光譜重采樣間隔設(shè)定為1 nm，每個(gè)樣本進(jìn)行5次光譜測(cè)量，取其平均值，以減少誤差。

采用重鉻酸鉀—外加熱法測(cè)定土樣的有機(jī)質(zhì)含量(單位:%)，其中有機(jī)質(zhì)含量的最大值、最小值、平均值和標(biāo)準(zhǔn)差分別為29.38%，6.74%，19.63%，4.79%。

1.4 光譜數(shù)據(jù)預(yù)處理

土壤樣本光譜測(cè)定受到多種因素的影響，因此需要對(duì)光譜曲線進(jìn)行平滑處理，以消除噪聲。首先利用View Spec Pro軟件對(duì)土壤光譜數(shù)據(jù)進(jìn)行斷點(diǎn)校正；然后采用九點(diǎn)加權(quán)移動(dòng)平均方法進(jìn)行平滑去噪；最后按照有機(jī)質(zhì)含量由小到大的順序?qū)颖九判颍⒗L制光譜曲線圖，根據(jù)有機(jī)質(zhì)含量越高光譜反射率越低的原則，觀察光譜曲線走勢(shì)，將異常樣本剔除。

編號(hào)為32、33、41、48、60和63的樣本與光譜數(shù)據(jù)整體趨勢(shì)存在較大偏差，故將其剔除。剩余的115個(gè)樣本用于實(shí)驗(yàn)分析，其中隨機(jī)選取20個(gè)樣本作為檢驗(yàn)樣本，其余的95個(gè)樣本用于建模。

1.5 光譜特征提取

為提高光譜反射率與土壤有機(jī)質(zhì)含量間的相關(guān)性，使用一階微分、對(duì)數(shù)倒數(shù)的一階微分等10種數(shù)學(xué)變換方法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理。實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)數(shù)倒數(shù)的一階微分和平方根倒數(shù)的一階微分變換效果最好。然后依據(jù)極大相關(guān)性原則選取特征波段，并考慮到相鄰波段因子之間的相關(guān)性較高，按照盡可能離散的原則，選取了7個(gè)特征波段作為估測(cè)因子(表1)。其中，854 nm波段采用平方根倒數(shù)的一階微分變換的數(shù)據(jù)，其余6個(gè)波段采用對(duì)數(shù)倒數(shù)的一階微分變換的數(shù)據(jù)。由表1可見，7個(gè)特征波段經(jīng)變換處理后的相關(guān)系數(shù)得到了明顯增高。

表1 土壤有機(jī)質(zhì)的光譜特征波段及相關(guān)系數(shù)

2 建模方法

2.1 基于廣義灰度的估測(cè)因子修正模型

為克服估測(cè)因子的量綱量級(jí)的影響，對(duì)估測(cè)因子進(jìn)行歸一化處理。為進(jìn)一步提高估測(cè)因子與土壤有機(jī)質(zhì)含量之間的相關(guān)性，首先將估測(cè)因子轉(zhuǎn)化為區(qū)間灰數(shù)，并用廣義灰度[10]表示，然后根據(jù)廣義灰度的內(nèi)在信息構(gòu)建估測(cè)因子的修正模型，即：

由于未知檢驗(yàn)樣本的有機(jī)質(zhì)含量，所以不能按建模樣本估測(cè)因子的修正方法計(jì)算檢驗(yàn)樣本的修正因子。因此，本文采用正反向灰色關(guān)聯(lián)度[12]先識(shí)別出與檢驗(yàn)樣本最接近的兩個(gè)已知模式樣本，然后根據(jù)模式樣本估測(cè)因子取值域的灰度，以關(guān)聯(lián)度為權(quán)重利用加權(quán)平均法計(jì)算出檢驗(yàn)樣本估測(cè)因子的取值域的灰度，再計(jì)算出其下限域和上限域的灰度[13]；最后利用式(1)修正估測(cè)因子。

2.2 基于模糊識(shí)別的權(quán)重自反饋預(yù)測(cè)模型

可見，估測(cè)因子修正模型及有機(jī)質(zhì)含量預(yù)測(cè)模型的優(yōu)化均是通過循環(huán)迭代自動(dòng)完成的。因此，本文所建的模型不妨稱之為土壤有機(jī)質(zhì)高光譜自反饋灰色模糊估測(cè)模型。

2.3 模型精度檢驗(yàn)

3 結(jié)果與分析

3.1 估測(cè)結(jié)果

表2 建模樣本特征因子的相關(guān)系數(shù)

在估測(cè)因子修正后，采用自反饋灰色模糊預(yù)測(cè)模型進(jìn)行建模和估測(cè)(結(jié)果略)，其中檢驗(yàn)樣本有機(jī)質(zhì)含量的實(shí)測(cè)值與預(yù)測(cè)值的關(guān)系，如圖1所示。

圖1 20個(gè)檢驗(yàn)樣本的估測(cè)結(jié)果

3.2 對(duì)比分析

為了驗(yàn)證本文所建估測(cè)模型的有效性，再利用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等常用方法對(duì)土壤有機(jī)質(zhì)含量進(jìn)行估測(cè)，20個(gè)檢驗(yàn)樣本的估測(cè)結(jié)果見表3。

表3 因子修正前后的估測(cè)結(jié)果對(duì)比分析

由表3可見，在估測(cè)因子修正前，利用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)估測(cè)結(jié)果的2均小于0.82，在13%左右，而利用本文方法估測(cè)的平均相對(duì)誤差為8.1526%，2為0.9115。在估測(cè)因子修正后，利用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)估測(cè)結(jié)果的2均小于0.91，最小為7.6439%，而自反饋灰色模糊估測(cè)模型的平均相對(duì)誤差為6.9717%，2為0.9408。這說明本文提出的估測(cè)模型是有效的。目前，國(guó)內(nèi)外眾多學(xué)者關(guān)于土壤有機(jī)質(zhì)的估測(cè)領(lǐng)域也有許多成果，絕大多數(shù)模型的決定系數(shù)在0.7～0.9[16,17]之間，也有部分研究的估測(cè)結(jié)果達(dá)到0.9[18,19]以上。相較而言，本文提出的估測(cè)模型具有較高的估測(cè)精度。

4 結(jié)論

針對(duì)光譜估測(cè)中的隨機(jī)性、模糊性和灰色不確定性，本文將統(tǒng)計(jì)分析、灰色分析和模糊識(shí)別理論相結(jié)合，建立了土壤有機(jī)質(zhì)含量高光譜自反饋灰色模糊估測(cè)模型。該模型理論基礎(chǔ)嚴(yán)密，易于程序化，為高光譜估測(cè)建模提供了一條新途徑。應(yīng)用實(shí)例說明本文提出的估測(cè)模型是可行有效的。

[1] 鐘浩,李西燦,翟浩然,等.基于表層土壤光譜的耕層土壤有機(jī)質(zhì)間接估測(cè)[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào),2020,47(3):421-426

[2] 石樸杰,王世東,張合兵,等.基于高光譜的復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量估測(cè)[J].土壤,2018,50(3):558-565

[3] 章濤,于雷,易軍,等.高光譜小波能量特征估測(cè)土壤有機(jī)質(zhì)含量[J].光譜學(xué)與光譜分析, 2019,39(10):3217-3222

[4] 周倩倩,丁建麗,唐夢(mèng)迎,等.干旱區(qū)典型綠洲土壤有機(jī)質(zhì)的估測(cè)及影響因素研究[J].土壤學(xué)報(bào),2018,55(2):313-324

[5] 于雷,洪永勝,周勇,等.高光譜估算土壤有機(jī)質(zhì)含量的波長(zhǎng)變量篩選方法[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(13):95-102

[6] Sanaz Z,Seyed RFS,Seyed AA.Weakly-coupledgeo-statistical mappingofsoil salinity to stepwise multiple linear regression ofMODIS spectral imageproducts[J].Journal of African Earth Sciences,2019,152(4):101-114

[7] Ward KJ, Chabrillat S, Brell M,. Mapping soil organic carbon for airborne and simulated EnMAP imagery using the LUCAS soil database and a local PLSR [J]. Remote Sensing, 2020,12(20):3451-3471

[8] 鐘浩,李西燦,翟浩然,等.耕層土壤有機(jī)質(zhì)高光譜間接估測(cè)模型[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2019,36(1):74-78

[9] Jamal E, Nadia O, Mehrez Z,. Evaluation of backscattering models and support vector machine for the retrieval of bare soil moisture from sentinel-1 data [J]. Remote Sensing, 2019,12(1):72-92

[10] Li L, Li XC. Analysis on the related factors of China's technological innovation ability using greyness relational degree [J]. Grey Systems: Theory and Application, 2022,12(3):651-671

[11] Ren WJ, Li XC, Liu JY,. Hyper-Spectral estimation model of soil organic matter based on generalized greyness of grey number [J]. The Journal of Grey System, 2022,34(2):22-40

[12] 任文靜,李西燦,劉杰亞,等.正反向灰色關(guān)聯(lián)度的土壤有機(jī)質(zhì)含量高光譜估測(cè)[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021,52(5):840-844

[13] Zhong H, Li L, Li XC,. Positive and inverse degree of grey incidence estimation model of soil organic matter based on hyper-spectral data [J]. The Journal of Grey System, 2021,33(2):39-57

[14] 李希燦.模糊數(shù)學(xué)方法及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2017

[15] Cao XS, Li XC, Zhai HR,. Grey relational local regression estimation model of soil water content based on hyper-spectral data [J]. The Journal of Grey System, 2020,32(2):20-33

[16] 玉米提·買明,王雪梅.連續(xù)小波變換的土壤有機(jī)質(zhì)含量高光譜估測(cè)[J].光譜學(xué)與光譜分析,2022,42(4):1278-1284

[17] Nawar S, Buddenbaum H, Hill J,. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy [J]. Soil & Tillage Research, 2016,155(1):510-522

[18] 丁天姿,任文靜,李麗,等.基于灰數(shù)灰度的土壤有機(jī)質(zhì)高光譜估測(cè)[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,53(1):85-89

[19] 勾宇軒,趙云澤,李勇,等.基于CWT-sCARS的東北旱作農(nóng)田土壤有機(jī)質(zhì)高光譜反演[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2022,53(3):331-337

Self-feedback Grey Fuzzy Estimation Model of Soil Organic Matter Using Hyper-spectral Data

YU Jin-tao1, LI Xi-can1, CAO Shuang1, LIU Fa-jun2*

1.271018,2.271000,

To overcome the uncertainty in spectral estimation and improve the accuracy of spectral estimation, a hyper-spectral estimation model of soil organic matter is established in this paper by using grey system theory and fuzzy theory. Based on 121 soil samples from Zhangqiu and Jiyang districts of Jinan City, Shandong Province, the spectral data are firstly transformed and the spectral estimation factors are selected according to the principle of great correlation; then, the estimation factors of the modeling samples and the test samples are corrected by using the generalized greyness of the interval grey number to improve the correlation. Finally, the fuzzy estimation model with self-feedback of soil organic matter based on hyper-spectral is established by using the fuzzy recognition theory, and the model is optimized by adjusting the fuzzy classification number. The results show that the correlation between soil organic matter content and estimation factors can be effectively improved by using the generalized greyness of interval grey number, and the accuracy of the built estimation model and the test accuracy are significantly improved, among which the determination coefficient of 20 test samples is2=0.9408, and the average relative error is 6.9717%. The study indicates that the grey fuzzy estimation model with self-feedback of soil organic matter using hyper-spectral data developed in this paper is feasible and effective.

Soil organic matter; Hyper-spectral remote sensing; stimation model

TP79; S151.9

A

1000-2324(2023)04-0495-05

10.3969/j.issn.1000-2324.2023.04.003

2022-9-10

2022-11-16

泰安市科技創(chuàng)新發(fā)展項(xiàng)目(2021NS090);山東省自然科學(xué)基金項(xiàng)目(ZR2022QG037)

于錦濤(1998-),男,碩士研究生,主要從事高光譜技術(shù)與應(yīng)用研究. E-mail:1436241662@qq.com

通訊作者:Author for correspondence.E-mail:876557655@qq.com