四、基于機載高光譜山區(qū)耕地土壤有機質(zhì)含量反演算法研究

4.1敏感波段選擇

根據(jù)無人機高光譜SOM相關系數(shù)圖和敏感波段范圍圖分析得出，基于原始光譜和4種光譜變換（一階微分（FD）、二階微分（SD）、倒數(shù)對數(shù)的一階微分（LRD）和連續(xù)統(tǒng)去除（CR））與SOM的相關分析分別有80、20、11、12、10個波段通過顯著檢驗（p＞0.01），其中原始光譜顯著相關的波段數(shù)量最多，少部分在可見光區(qū)，多數(shù)集中在近紅外光區(qū)，其他四種變換顯著相關的波段均分布在可見光-近紅外區(qū)間。5種不同的光譜形式經(jīng)篩選最終各確定10個相關系數(shù)值較大的敏感波段作為建模的自變量，見表4-1。

表 4-1 機載高光譜敏感波段入選表

4.2 基于敏感波段的山區(qū)耕地土壤有機質(zhì)含量反演模型

4.2.1PLSR土壤有機質(zhì)反演模型

表4-2是山區(qū)耕地SOM含量機載高光譜反演的不同光譜變化和PLSR的模型組合，從中可知，所有訓練集的模型精度基本和驗證集持平，這可能跟二者樣本數(shù)量相同有密切聯(lián)系。分析5種類型光譜與PLSR組合的模型中，F(xiàn)D-PLSR、SD-PLSR、LRD-PLSR等模型的RPD均大于1.4，其中擬合優(yōu)度表現(xiàn)最為良好的是FD-PLS（R2T=0.603,RMSET=4.563;R2V=0.656,RMSEV=5.337,RPD=1.476），并且驗證集精度高于訓練集，所以FD-PLSR模型能達到預測山區(qū)土壤有機質(zhì)含量的基本要求，而SD和LRD光譜變換模型的決定系數(shù)偏低（0.501<0.6,0.534<0.6），不適用于山區(qū)耕地SOM反演；基于原始光譜的回歸模型精度較低，即使經(jīng)過相關分析入選敏感波段的數(shù)量最多，但容易造成建模過程中自變量共線問題，一方面跟機載光譜儀掃描波段范圍受限有關，另一方面說明與山區(qū)耕地SOM有關的波段不僅限于近紅外區(qū)間；基于PLSR模型組合中精

（R2T=0.310,RMSET=6.546;R2V=0.314,RMSEV=8.441,RPD=1.106），推測跟敏感波段數(shù)量少不能充分挖掘山區(qū)土壤信息有關。

表4-2 機載高光譜土壤有機質(zhì)反演模型精度表（PLSR）

基于50個廂面土樣作為驗證樣本繪制實測值與預測值的散點圖進行驗證（圖4-1），發(fā)現(xiàn)經(jīng)過FD變換的數(shù)據(jù)與原始數(shù)據(jù)相比決定系數(shù)R2有明顯提高，SD和LRD有略微提高，CR變化的精度降低，這表明FD、SD和LRD的數(shù)據(jù)變換有增強可見光和近紅外波段的特質(zhì)，讓SOM光譜敏感波段的數(shù)量增加，建模精度得到提高。分析CR變換可以放大山區(qū)土壤光譜反射率之間的差異，同時能提高光譜與有機質(zhì)在可見光部分的相關性，但機載高光譜自身反射率整體偏低的原因，導致CR變換在突出光譜曲線的吸收、反射特征的效果一般，所以提取敏感波段少，模型精度低。

圖 4-1 PLSR模型實測值-預測值散點圖

綜上，通過訓練集和驗證集各項驗證指標分析發(fā)現(xiàn)，基于無人機高光譜PLSR土壤有機質(zhì)含量預測模型中，F(xiàn)D-PLSR模型具有對山區(qū)SOM基本的估測能力，其余模型變換組合預估能力較差不能作為山區(qū)耕地SOM反演的備用模型；在數(shù)據(jù)變換方面，能提高模型精度的大小依次是FD＞LRD＞SD＞CR。

4.2.2SVM土壤有機質(zhì)反演模型

表4-3是山區(qū)耕地SOM含量機載高光譜反演的不同光譜變化和SVM的模型組合，分析5種光譜類型與SVM組合的模型中，F(xiàn)D-SVM、SD-PLSR和LRD-SVM等模型的RPD均大于1.4，其中擬合優(yōu)度表現(xiàn)最為良好的是FD-SVM

（R2T=0.782,RMSET=3.211;R2V=0.741,RMSEV=4.573,RPD=1.758），并且訓練集和驗證集決定系數(shù)R2均超過0.7，這代表FD-SVM模型對山區(qū)土壤有機質(zhì)含量有不錯的預測能力，SD和LRD數(shù)據(jù)變換組合模型同樣達到預測山區(qū)土壤有機質(zhì)含量的基本要求，而原始光譜R與SVM組合模型的決定系數(shù)偏低（0.512<0.6），不適用于山區(qū)耕地SOM反演；基于CR與SVM組合的回歸模型精度最低

（R2T=0.502,RMSET=5.564;R2V=0.444,RMSEV=7.365,RPD=1.211），盡管與CR-PLSR模型精度相比有明顯提高，但敏感波段少且入選波段范圍單一始終難以達到SOM反演的基本要求。

表4-3機載高光譜土壤有機質(zhì)反演模型精度表（SVM）

分析SVM模型實測值與預測值散點圖（圖4-2）發(fā)現(xiàn)除了CR變換以外的其余3種數(shù)據(jù)變換的模型精度均大于原始精度，與原始相比較，F(xiàn)D決定系數(shù)R2提高了0.085，是無人機高光譜效果最佳的SVM模型，因為FD處理不僅可以消除背景噪聲的干擾，提高光譜分辨率和靈敏度，還易找到相關性高的波段；SD決定系數(shù)R2提高0.13，跟FD對比有所下降的原因是SD光譜變換與SOM的相關分析通過顯著性檢驗（p>0.01）的波段過于緊密，導致自變量間多重相關，主成分信息重復，模型反演難以達到理想效果；LRD決定系數(shù)R2提高了0.145，這可能跟LRD結合了一階微分和倒數(shù)對數(shù)的優(yōu)點，在提高光譜分辨率的同時減少因光照引起的乘勝性因素影響，尋得可見光-近紅外范圍含有山區(qū)SOM的敏感波段，使得建模精度有所保障。

圖4-2 SVM 模型實測值-預測值散點圖

綜上，根據(jù)各項驗證指標和散點圖分析發(fā)現(xiàn)，基于機載高光譜SVM土壤有機質(zhì)含量預測模型中，F(xiàn)D-SVM模型具有對山區(qū)SOM良好的估測能力，以SD和LRD數(shù)據(jù)變換與SVM組合的模型預估能力能達到基礎水平；SVM不同組合模型精度均優(yōu)于PLSR，在數(shù)據(jù)變換方面，能提高模型精度大小的光譜變換與PLSR結論相同。

4.2.3RF土壤有機質(zhì)反演模型

表4-4是山區(qū)耕地SOM含量機載機高光譜反演的不同光譜變化和RF的模型組合，與PLSR和SVM模型相比，RF整體精度有顯著提高。在訓練集中，F(xiàn)D-RF和SD-RF決定系數(shù)R2首次突破0.8，達到估測穩(wěn)定模型系列，而在以往CR變換組合的模型里也是首次達到預測SOM的基本要求（0.642>0.6）。在驗證集里有R-RF、FD-RF、SD-RF和LRD-RF等模型的RPD均大于1.4，在所有RF組合的模型中，模型擬合優(yōu)度表現(xiàn)最為良好的是

（R2T=0.843,RMSET=2.876;R2V=0.758,RMSEV=4.139,RPD=1.928），并且訓練集和驗證集決定系數(shù)R2差距不大，這表明FD-SVM模型對山區(qū)土壤有機質(zhì)含量有良好的預測能力；SD-RF模型精度首次高于LRD-RF（0.731>0.659），對于SD光譜變換密集出現(xiàn)的吸收谷和反射峰，RF模型具有一定抗噪聲能力，它能判斷不同特征波段之間相互影響程度，對自變量適應能力強，通過決策樹不斷優(yōu)化訓練效果，提高模型精度；CR-RF模型精度（R2T=0.642,RMSET=4.113;R2V=0.519,RMSEV=6.741,RPD=1.316）。

表4-4機載高光譜土壤有機質(zhì)反演模型精度表（RF）

結合RF模型訓練集與驗證集對比分析發(fā)現(xiàn)兩者精度差均高于PLSR和SVM模型，前者擬合優(yōu)度良好且穩(wěn)定，屬于4種模型里的最優(yōu)選擇，這與前人研究基本一致，散點圖（圖4-3）以FD和SD變換效果良好，LRD-RF精度與同等反演模型組合的驗證集精度相距甚遠，離散程度大，造成驗證集精度差異大的原因可能跟樣本數(shù)量有很大關系，本文在無人機高光譜建模選擇的自變量偏少，這跟入選顯著相關特征波長偏少有關，同時也說明隨機森林更適合多變量的數(shù)據(jù)樣本進行建模。

圖4-3 RF模型實測值-預測值散點圖

綜上，根據(jù)土壤有機質(zhì)光譜反演模型精度表和散點圖綜合分析得出，基于無人機高光譜RF土壤有機質(zhì)含量預測模型中，F(xiàn)D-RF模型具有對山區(qū)SOM良好的估測能力，以SD光譜數(shù)據(jù)變換與RF組合的模型同樣具備對山區(qū)SOM含量預測的能力；RF不同組合模型精度均優(yōu)于PLSR和SVM，在數(shù)據(jù)變換方面，能提高模型精度的大小分別是FD＞SD＞LRD＞CR。

4.2.4BP神經(jīng)網(wǎng)絡土壤有機質(zhì)反演模型

表4-5是山區(qū)耕地SOM含量機載高光譜反演的不同光譜變化和BP神經(jīng)網(wǎng)絡的模型組合，對比PLSR、SVM和RF模型發(fā)現(xiàn)，BP模型穩(wěn)定性更好，表現(xiàn)在驗證集與訓練集精度差距最小，與RF相比具有明顯優(yōu)勢，在四類模型中預測機質(zhì)效果更好，整體精度相對提高，原因是BP具有完整數(shù)學算法，可通過調(diào)整訓練參數(shù)優(yōu)化模型精度，在一定程度上實現(xiàn)對任意非線性函數(shù)運算出最優(yōu)解。

表4-5機載高光譜土壤有機質(zhì)反演模型精度表（BP）

分析5種類型光譜與SVM組合的模型中，所有組合模型的RPD均大于1.4，BP建模效果最佳的模型組合是FD-BP和LRD-BP，其中一階微分與BP神經(jīng)網(wǎng)絡組合的預測（R2T=0.805,RMSET=3.012;R2V=0.773,RMSEV=4.085,RPD=1.968）

驗證集的決定系數(shù)接近0.8，相對分析誤差接近2，在四類模型中精度最高，這意味著FD-BP模型對山區(qū)土壤有機質(zhì)含量具有更加良好的預測能力，其余組合模型只達到預測山區(qū)土壤有機質(zhì)含量的基本要求，而原始光譜與SVM組合模型的決定系數(shù)偏低（0.595<0.6），不適用于山區(qū)耕地SOM反演；基于CR與BP

組合的回歸模型精度最低

（R2T=0.586,RMSET=4.851;R2V=0.554,RMSEV=6.242,RPD=1.371），說明CR光譜變換組合的模型并不適用于山區(qū)耕地SOM預測。

BP神經(jīng)網(wǎng)絡預測模型的整體能力最高（圖4-4），其中原始光譜R和經(jīng)過FD、LRD數(shù)據(jù)變換的BP模型的決定系數(shù)均在0.75以上，與它們對等的訓練集差距進一步縮小，以FD-BP組合的模型預測精度離散化最低，這說明BP模型在預測SOM含量方面具有較高的穩(wěn)定性；以R-BP、CR-BP組合的預測模型離散程度最大，這說明山區(qū)土壤蘊含有機質(zhì)信息的波長范圍寬，同時說明模型不是決定預測效果的唯一因素。

圖4-4 BP模型實測值-預測值散點圖

通過綜合訓練集和測試集各項驗證指標分析發(fā)現(xiàn)，在不同變換的光譜數(shù)據(jù)與模型組合中，F(xiàn)D-BP模型具有最穩(wěn)定的估測能力，其次是LRD-BP、R-BP、FD-RF、SD-RF和CR-RF模型有良好的預估能力；在數(shù)據(jù)變換方面，能提高模型精度的大小依次是FD＞LRD＞SD＞CR。在模型選擇方面，更適合山區(qū)SOM反演的模型依次為BP＞RF＞SVM＞PLSR。

4.3 模型精度對比

通過實驗對比分析得出，敏感波段所構建的模型精度優(yōu)于全波段，說明敏感波段更適合于山區(qū)SOM含量估測研究。按精度驗證指標（R2、RMSE、RPD）結果得出，以FD-BP反演模型精度和估測能力最高

（R2T=0.805,RMSET=3.012;R2V=0.773,RMSEV=4.085,RPD=1.968），全波段同樣是FD-BP反演模型精度和估測能力最高

（R2T=0.782,RMSET=3.336;R2V=0.761,RMSEV=4.124,RPD=1.933），兩者在提高模型精度的光譜變換研究一致，即FD＞LRD＞SD＞CR，最適用于山區(qū)SOM反演的模型都為BP神經(jīng)網(wǎng)絡。

表4-6最佳反演模型精度表

五、結論

（1）無人機高光譜和地物光譜均具有估測SOM含量的能力。其中無人機高光譜影像具有檢測山區(qū)SOM的基本能力，地物光譜具有極好的定量預測SOM含量的能力；

（2）貴州山區(qū)土壤的高光譜數(shù)據(jù)通過光譜預處理和4種光譜數(shù)據(jù)變換在不同程度上提高它們與SOM之間的相關性，其中一階微分變換可充分挖掘山區(qū)土壤信息，通過顯著性檢驗的波段高達941個，相關系數(shù)最高達到-0.654；

（3）與SOM進行相關分析得出的敏感波段數(shù)量越多且范圍（可見光-近紅外）越寬，其構建的模型效果越好，說明通過相關系數(shù)由大到小的原則在光譜有效范圍內(nèi)均勻篩選的波段不僅能代表土樣信息，還能在建模時減少自變量之間多重相關等問題；

（4）在估測山區(qū)耕地SOM含量方面，PLSR具有粗略的估測能力；SVM模型對山區(qū)耕地SOM估測相對PLSR有明顯提高；RF優(yōu)于前兩者但驗證模型精度不是最佳；非線性模型中BP神經(jīng)網(wǎng)絡以其精度高穩(wěn)定性好適用于山區(qū)耕地SOM估測，以一階微分－BP神經(jīng)網(wǎng)絡預測效果最優(yōu)（訓練集：R2=0.852，RMSE=2.534；驗證集：R2=0.878，RMSE=3.315，RPD=2.425），對于貴州多山區(qū)SOM監(jiān)測更具備普適性。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇