Hyperspectral Inversion of Soil Organic Matter Content in the Three-Rivers Source Region
-
摘要: 土壤有机质（SOM）是指土壤中各种含碳有机化合物的总称，其动态变化不仅影响农业生态系统的稳定，而且与大气圈和生物圈的碳循环密切相关，对土壤有机碳的大规模快速监测和碳储量核算具有重要意义。本研究于2017年、2018年7月在三江源区野外采集了145个土壤样品，检测了土壤光谱信息。然后将原始光谱反射率数据及其不同数据变换形式下的光谱分别与土壤有机质（SOM）含量进行相关分析，并选取了特征波段，此外利用偏最小二乘回归（PLSR）、支持向量机（SVM）和随机森林（RF）模型对三江源区SOM含量进行建模估算。结果表明，不同深度土壤有机质含量差异明显，且呈逐层下降趋势。而三种建模方法的检验精度分别为：RF > SVM > PLSR，其中RF和一阶微分（FD）组合模拟最好（建模集和验证集的R2、RMSE分别为0.9678、8.9132和0.7841、20.9787）。对于三江源土壤有机质含量反演，不同模型的最佳数据变换方法不同。本研究成果能为后续的高光谱遥感反演提供理论支撑，从而实现三江源区土壤有机质含量的快速检测和实时动态监测。Abstract: Soil organic matter (SOM) refers to the general term of all kinds of carbon (C)-containing organic compounds in soil. Its dynamic change not only affects the stability of agricultural ecosystem, but also is closely related to the C cycle of atmosphere and biosphere. It is of great significance to the large-scale monitoring of soil organic C content and C storage. In this study, 145 soil samples were collected from the field of the Three-Rivers Source region in July 2017 and 2018 to detect the spectral information of soil. Then, the correlations between original spectral reflectance data and the spectrum under different data transformation forms of SOM were carried out, and the characteristic bands were selected. In addition, the partial least square regression (PLSR), support vector machine (SVM) and random forest (RF) models were used to simulate and estimate the content of SOM in the Three-Rivers Source region. The results showed that the content of SOM was significantly different among different soil depths, and showed a downward trend with soil depths. The test accuracy of the three modeling methods was decreased in the order of RF > SVM > PLSR. The combined model of RF and FD (the first-order differential) showed the best simulation accuracy (R2 and RMSE of modeling set were 0.9678 and 8.9132 and those of verification set were 0.7841 and 20.9787, respectively). For the inversion of soil organic matter content in the three river source, the best data transformation methods of different models are different. The results of this study could provide a theoretical support for the subsequent hyperspectral remote sensing inversion, so as to realize the rapid detection and real-time dynamic monitoring of SOM content in the Three-Rivers Source region.
-
图 1 三江源区采样点分布图
Figure 1. Distribution of sampling points in the Three-Rivers Source region
图 2 三江源区SOM与R、FD、SD、LR、CR相关系数
Figure 2. Correlation coefficients between SOM and R, FD, SD, LR, and CR in the Three-Rivers Source region
图 3 三江源区土壤有机质PLSR模型的实测值-预测值散点图
Figure 3. Scatter diagram of measured and predicted values of PLSR model of soil organic matter in the Three-Rivers Source region
图 4 三江源区土壤有机质SVM模型的实测值-预测值散点图
Figure 4. Scatter diagram of measured and predicted values of SVM model of soil organic matter in the Three-Rivers Source region
图 5 三江源区土壤有机质RF模型的实测值-预测值散点图
Figure 5. Scatter diagram of measured and predicted values of RF model of soil organic matter in the Three-Rivers Source region
表 1 三江源区土壤有机质含量统计表
Table 1. Statistical analysis for soil organic matter content in the Three-Rivers Source region
样本类型
Sample type样本数
Sample size均值（g kg−1）
Average标准差（g kg−1）
Standard deviation峰度
Kurtosis偏度
Skewness变异系数（%）
Coefficient of variation总体样本 145 65.1633 45.8237 2.0494 1.3728 70.3213 建模样本 109 66.1118 46.1771 2.2291 1.4133 69.8470 验证样本 36 62.2914 44.6139 1.7955 1.2906 71.6212 
下载: 导出CSV
表 2 三江源区不同深度土壤有机质含量统计表
Table 2. Statistical analysis for soil organic matter content at different depths in the Three-Rivers Source region
土壤深度
Soil depth均值（g kg−1）
Average标准差（g kg−1）
Standard deviation最小值（g kg−1）
Minimum最大值（g kg−1）
Maximum变异系数（%）
Coefficientof variation0 ~ 10 cm 92.3420 66.9978 15.7017 272.1833 72.5541 10 ~ 20 cm 57.3058 43.7257 9.3559 212.4002 76.3024 20 ~ 30 cm 37.0317 22.5973 4.3341 126.5406 61.0214
下载: 导出CSV
表 3 三江源区不同光谱变换下土壤有机质含量的最佳波段范围统计表
Table 3. Statistical analysis of the best band range of soil organic matter content under different spectral transformations in the Three-Rivers Source region
光谱变换
Spectral transformation特征波段数量
Number of characteristic bands波段范围（nm）
Spectral rangeR 6 594 ~ 597、1452 ~ 1463、1728 ~ 1731、1927 ~ 1931、2137 ~ 2140、2304 ~ 2308 FD 10 548 ~ 553、841 ~ 850、1024 ~ 1028、1714 ~ 1718、1962 ~ 1965、2033 ~ 2037、2234 ~ 2238、2258 ~ 2263、2315 ~ 2319、2365 ~ 2370 SD 19 457 ~ 461、482 ~ 487、576 ~ 581、693 ~ 697、895 ~ 899、994 ~ 998、1002 ~ 1006、1432 ~ 1437、1639 ~ 1643、1707 ~ 1709、1725 ~ 1727、1880 ~ 1887、1927 ~ 1930、2016 ~ 2021、2116 ~ 2118、2174 ~ 2177、2249 ~ 2252、2268 ~ 2272、2302 ~ 2304 LR 6 577 ~ 581、1455 ~ 1459、1727 ~ 1731、1927 ~ 1931、2014 ~ 2018、2304 ~ 2307 CR 12 1001 ~ 1004、1162 ~ 1167、1237 ~ 1241、1308 ~ 1311、1396 ~ 1400、1486 ~ 1492、1722 ~ 1726、1930 ~ 1934、2086 ~ 2091、2303 ~ 2307、2362 ~ 2366、2425 ~ 2428 注：R是原始光谱，FD是一阶微分，SD是二阶微分，LR是倒数对数，CR是去包络线。下同。
下载: 导出CSV
表 4 三江源区土壤有机质光谱反演模型精度统计表
Table 4. Statistical analysis for accuracy of spectral inversion model of soil organic matter in the Three-Rivers Source region
数据形式
Data form模型
Model建模集
Modeling set验证集
Validation setR2 RMSE R2 RMSE R PLSR 0.6072 28.9516 0.2902 38.2587 RF 0.9103 16.8664 0.5737 29.7733 SVM 0.7178 25.8478 0.4413 34.4488 FD PLSR 0.7844 21.4641 0.7090 24.5103 RF 0.9678 8.9132 0.7841 20.9787 SVM 0.9012 14.9373 0.7807 21.2690 SD PLSR 0.7878 21.2922 0.6331 27.1173 RF 0.9767 7.8204 0.7364 23.1628 SVM 0.9296 13.0579 0.7732 21.5267 LR PLSR 0.6416 27.6581 0.3609 36.2953 RF 0.9368 14.1331 0.5801 28.9739 SVM 0.7353 24.5926 0.4842 32.6521 CR PLSR 0.7797 21.6897 0.6702 26.2467 RF 0.9645 10.2628 0.7689 22.7903 SVM 0.8674 18.5939 0.6275 27.9623
下载: 导出CSV
-
[1] 贺军亮, 蒋建军, 周生路, 等. 土壤有机质含量的高光谱特性及其反演[J]. 中国农业科学, 2007, 40(3): 638 − 643. [2] 廖钦洪, 顾晓鹤, 李存军, 等. 基于连续小波变换的潮土有机质含量高光谱估算[J]. 农业工程学报, 2012, 28(23): 132 − 139. [3] 栾福明, 张小雷, 熊黑钢, 等. 基于不同模型的土壤有机质含量高光谱反演比较分析[J]. 光谱学与光谱分析, 2013, 33(1): 196 − 200. [4] 叶 勤, 姜雪芹, 李西灿, 等. 基于高光谱数据的土壤有机质含量反演模型比较[J]. 农业机械学报, 2017, (3): 169 − 177. [5] 彭 杰, 周 清, 张杨珠, 等. 有机质对土壤光谱特性的影响研究[J]. 土壤学报, 2013, 50(3): 517 − 524. [6] 马伟波, 谭 琨, 李海东, 等. 基于超限学习机的矿区土壤重金属高光谱反演[J]. 生态与农村环境学报, 2016, 32(2): 213 − 218. [7] 纪文君, 李 曦, 李成学, 等. 基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究[J]. 光谱学与光谱分析, 2012, 32(9): 2393 − 2398. [8] 沈润平, 丁国香, 魏国栓, 等. 基于人工神经网络的土壤有机质含量高光谱反演[J]. 土壤学报, 2009, 46(3): 391 − 397. [9] 王延仓, 杨秀峰, 赵起超, 等. 二进制小波技术定量反演北方潮土土壤有机质含量[J]. 光谱学与光谱分析, 2019, 39(9): 2855 − 2861. [10] 包青岭, 丁建丽, 王敬哲, 等. 基于随机森林算法的土壤有机质含量高光谱检测[J]. 干旱区地理, 2019, 42(6): 1404 − 1414. [11] 马 驰. 基于Landsat8吉林中北部地区土壤有机质定量反演研究[J]. 干旱区资源与环境, 2017, 31(2): 167 − 172. [12] 郭斗斗, 黄绍敏, 张水清, 等. 多种潮土有机质高光谱预测模型的对比分析[J]. 农业工程学报, 2014, 30(21): 192 − 200. [13] 谭 琨, 张倩倩, 曹 茜, 等. 基于粒子群优化支持向量机的矿区土壤有机质含量高光谱反演[J]. 地球科学(中国地质大学学报), 2015, 40(8): 1339 − 1345. [14] 于 雷, 洪永胜, 周 勇, 等. 连续小波变换高光谱数据的土壤有机质含量反演模型构建[J]. 光谱学与光谱分析, 2016, 36(5): 159 − 164. [15] 李冠稳, 高小红, 肖能文, 等. 基于Scars-RF算法的高光谱估算土壤有机质含量[J]. 发光学报, 2019, 40(8): 1030 − 1039. [16] 曾 胤, 陆宇振, 杜昌文, 等. 应用红外光声光谱技术及支持向量机模型测定土壤有机质含量[J]. 土壤学报, 2014, 51(6): 96 − 103. [17] 张秋霞, 张合兵, 刘文锴, 等. 高标准基本农田建设区域土壤重金属含量的高光谱反演[J]. 农业工程学报, 2017, 33(12): 230 − 239. [18] 邬登巍, 吴昀昭, 马宏瑞. 基于中红外漫反射光谱的土壤重金属元素含量预测研究[J]. 光谱学与光谱分析, 2010, 30(6): 1498 − 1502. [19] 李 斌, 赵春江. 基于太赫兹光谱的土壤重金属铅含量检测初步研究[J]. 农业机械学报, 2016, 47(S1): 291 − 296. [20] 刘艳芳, 宋玉玲, 郭 龙, 等. 结合高光谱信息的土壤有机碳密度地统计模型[J]. 农业工程学报, 2017, 33(2): 183 − 191. [21] 刘效栋. 基于高光谱遥感的黄土高原丘陵沟壑区土壤有机质含量估测模型研究[J]. 西部大开发(土地开发工程研究), 2018, 3(12): 17 − 22. [22] 杨长保, 李东辉, 刘津怿, 等. 小波包分析在Hyperion数据提取农田土壤有机质含量中的应用研究[J]. 应用基础与工程科学学报, 2017, 25(5): 6 − 16. [23] 卢艳丽, 白由路, 杨俐苹, 等. 基于主成分回归分析的土壤有机质高光谱预测与模型验证[J]. 植物营养与肥料学报, 2008, 14(6): 54 − 60. [24] 郑光辉, 周生路, 吴绍华. 土壤砷含量高光谱估算模型研究[J]. 光谱学与光谱分析, 2011, 31(1): 175 − 178. [25] Liu J Y, Xu X L, Shao Q Q. Grassland degradation in the “Three-River Headwaters” region, Qinghai Province[J]. Journal of Geographical Sciences, 2008, 18(3): 259 − 273. doi: 10.1007/s11442-008-0259-2 [26] Mevik B H, Wehrens R. The PLS Package: Principal Component and Partial Least Squares Regression in R[J]. Journal of Statistical Software, 2007, 18(2): 1 − 23. [27] Collobert R, Bengio S. SVMTorch: support vector machines for large-scale regression problems[J]. Journal of Machine Learning Research, 2001, 1(2): 143 − 160. [28] 沈润平, 郭 佳, 张婧娴, 等. 基于随机森林的遥感干旱监测模型的构建[J]. 地球信息科学学报, 2017, 19(1): 125 − 133. [29] 白军红, 邓 伟, 张玉霞, 等. 洪泛区天然湿地土壤有机质及氮素空间分布特征[J]. 环境科学, 2002, 23(2): 77 − 81. [30] 王永敏, 田林亚, 李西灿, 等. 基于小波与包络线的土壤有机质高光谱估测[J]. 地理信息世界, 2018, 25(4): 36 − 41. [31] 王惠敏. 基于光谱吸收特征的土壤有机质与重金属含量估算研究[D]. 北京: 中国矿业大学. 2019. [32] 刘焕军, 张新乐, 郑树峰, 等. 黑土有机质含量野外高光谱预测模型[J]. 光谱学与光谱分析, 2010, 30(12): 3355 − 3358. [33] 刘焕军, 赵春江, 王纪华, 等. 黑土典型区土壤有机质遥感反演[J]. 农业工程学报, 2011, 27(8): 211 − 215. [34] 杨 扬, 高小红, 贾 伟, 等. 三江源区不同土壤类型有机质含量高光谱反演[J]. 遥感技术与应用, 2015, 30(1): 186 − 198. [35] 武彦清, 张 柏, 宋开山, 等. 松嫩平原土壤有机质含量高光谱反演研究[J]. 中国科学院研究生院学报, 2011, 28(2): 187 − 194. [36] 于 雷, 洪永胜, 耿 雷, 等. 基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 农业工程学报, 2015, 31(14): 103 − 109. [37] 齐雁冰, 王茵茵, 陈 洋, 等. 基于遥感与随机森林算法的陕西省土壤有机质空间预测[J]. 自然资源学报, 2017, 32(6): 1074 − 1086. [38] 沈 强, 张世文, 夏沙沙, 等. 基于支持向量机的土壤有机质高光谱反演[J]. 安徽理工大学学报(自然科学版), 2019, 39(4): 39 − 45. -
点击查看大图
计量
- 文章访问数: 130
- HTML全文浏览量: 214
- PDF下载量: 38
- 被引次数: 0
