引用本文
孟珊, 李新国. 基于高光谱小波能量特征向量估算湖滨绿洲表层土壤有机碳含量[J]. 光谱学与光谱分析, 2023,43(12): 3853-3861.
MENG Shan, LI Xin-guo. Estimation of Surface Soil Organic Carbon Content in Lakeside Oasis Based on Hyperspectral Wavelet Energy Feature Vector[J]. Spectroscopy and Spectral Analysis, 2023,43(12): 3853-3861.
Doi:10.3964/j.issn.1000-0593(2023)12-3853-09  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于高光谱小波能量特征向量估算湖滨绿洲表层土壤有机碳含量
孟珊1,2, 李新国1,2,*
1.新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830054
2.新疆干旱区湖泊环境与资源实验室, 新疆 乌鲁木齐 830054
*通讯作者 e-mail: onlinelxg@163.com

作者简介: 孟 珊, 1997年生, 新疆师范大学地理科学与旅游学院硕士研究生 e-mail: mengshan1997@163.com

收稿日期: 2022-09-25 修回日期: 2023-03-29 接受日期: 2023-03-29
基金: 新疆维吾尔自治区自然科学基金项目(2022D01A214), 国家自然科学基金项目(41661047)资助
摘要

高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾-外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集 R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

关键词: 土壤有机碳含量; 小波能量特征向量; 分解尺度; 特征波段筛选; 湖滨绿洲
中图分类号:S151.9 文献标志码:A
Estimation of Surface Soil Organic Carbon Content in Lakeside Oasis Based on Hyperspectral Wavelet Energy Feature Vector
MENG Shan1,2, LI Xin-guo1,2,*
1. College of Geographic Sciences and Tourism, Xinjiang Normal University, Urumqi 830054, China
2. Xinjiang Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, China
*Corresponding author
Abstract

Soil hyperspectral technique could estimate soil organic carbon content efficiently. Continuous wavelet transform had unique advantages in noise removal and effective information extraction of hyperspectral data. However, the spectral data after continuous wavelet transform was decomposed into multiple scales, and the information of a single decomposition scale could not represent the information of different decomposition scales. Making full use of the wavelet coefficients of multiple decomposition scales becomes a difficult problem for hyperspectral estimation of soil organic carbon content. Lake Bosten was the largest inland freshwater lake in China, and the lakeside oasis, as an important interlacing zone between land and water, had a unique spatial and temporal structure and played an important role in maintaining and restoring the health of the lake ecosystem. The study area was the lakeside oasis of Bosten Lake. 138 surface soil samples were collected in September 2020 at a depth of 0~20 cm, 3 outlier samples were excluded to obtain 135 useful samples, soil sample spectra were collected outdoors, and soil organic carbon content was determined by potassium dichromate-external heating method. The continuous wavelet transform was then performed with Gaussian4 as the wavelet basis function to convert the soil hyper spectrum into wavelet coefficients at 10 decomposition scales, and the correlation coefficient method, Stability Competitive Adaptive Reweighted Sampling, Competitive Adaptive Reweighted Sampling, Successive Projections Algorithm, Genetic Algorithm, five special wave filtering methods to further reduce noise and eliminate redundant information, calculate the root mean square of wavelet coefficients as wavelet energy feature scale by scale, and form a wavelet energy feature vector (Energy Feature Revector) with 10 scales of wavelet energy features, and build a BP neural network model (BP neural network model) based on the wavelet energy feature vector. The result showed that wavelet continuous transform could effectively improve the correlation between spectral reflectance and soil organic carbon content, with poor correlation at the 1~3 decomposition scale and good correlation at the 4~10 decomposition scale, with an average increase of 43.66% in the correlation coefficient and an average increase of 67.93% in the maximum value of the correlation coefficient. The feature band screening CC algorithm was mainly distributed in 400~1 500 nm visible and NIR short wavelength; sCARS and CARS algorithms were concentrated in 1 500~2 500 nm NIR long wavelength; SPA algorithm was concentrated in 760~2 500 nm NIR band; GA algorithm was uniformly distributed in 400~2 500 nm. The hyperspectral wavelet energy feature could better estimate the organic carbon content of the surface soil of the lakeshore oasis, and the mean R2 values of the training and validation sets of the six models were 0.73 and 0.74, respectively; the mean RMSE values were 7.64 and 7.28, respectively; and the mean RPD value was 1.95. The model accuracy showed that CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN. The continuous wavelet transform combined with the feature variable screening method to extract the wavelet energy feature vector effectively reduces the spectral data dimensionality and hyperspectral wavelet energy feature model complexity, an important reference value for rapidly estimating surface soil organic carbon content.

Keyword: Soil organic carbon content; Wavelet energy feature vector; Decomposition scale; Characteristic band screening; Lakeside Oasis
引言

土壤有机碳(soil organic carbon, SOC)影响土壤肥力, 可以调控土壤生态系统的功能发挥[1, 2]、 维持结构稳定[3, 4], 对于维持农业可持续发展, 缓解温室气体增加和全球气候变化的影响具有重要意义[5]。 传统的土壤有机碳含量测定技术成本高、 周期长, 高光谱技术连续波段数量足、 光谱分辨率高, 可以快速、 高效的进行土壤有机碳的测定[6, 7]。 土壤高光谱数据在采集过程中, 易受外界测试环境及土壤样品质量、 仪器本身因素的影响, 导致光谱变量之间存在大量的无关冗余信息[8]。 连续小波变换(continuous wavelet transform, CWT)通过多尺度分解, 能够有效提取光谱信号中的近似特征和细节信息, 捕捉土壤光谱特征, 提取有效信息, 在高光谱数据的噪声去除和数据压缩方面具有独特优势[9, 10]。 Lin等[11]通过CWT放大被噪声掩盖的隐藏光谱信息, 估算了矿区的土壤有机质。 Li等[12]利用CWT进行光谱预处理, 提升了土壤光谱对有机质含量的相关性, 经CWT变换的光谱估算能力明显优于传统光谱变换。 经CWT变换的光谱数据被分解若干尺度, 建立估算模型过程繁琐、 计算量大, 相关学者利用特征波段筛选方法进行光谱数据量的简化。 赵海龙等[13]应用相关系数法(correlation coefficient, CC)结合CARS选择CWT不同分解尺度的特征波段, 可以有效地减少建模的自变量数, 模型稳定性及估算能力良好。 勾宇轩等[14]利用CWT结合稳定自适应重加权采样(stability competitive adaptive reweighted sampling, sCARS)算法进行土壤有机质含量的反演, sCARS算法能够去除冗余、 重叠的光谱信息, 提高建模效率。 蔡亮红等[15]研究表明利用竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)算法, 在建立模型时可以减少光谱细节损失, 同时还能对光谱无信息变量进行有效去除。 Wang等[16]研究发现CWT经连续投影算法(successive projections algorithm, SPA)处理后, 能够选取有效波长, 减少冗余变量。 Banskota等[17]指出遗传算法(genetic algorithm, GA)可以消除小波系数产生的噪音, 获取敏感信息。 然而, 特征波段筛选方法, 虽然在保证CWT构建模型精度的前提下一定程度降低了光谱数据量, 但是多分解尺度的小波系数仍然难以充分利用, 单一分解尺度小波系数不能有效代表不同尺度小波系数。 章涛等[18]构建小波能量特征向量(energy features vector, EFV), 结果表明EFV不仅能够代表不同尺度小波系数整体信息, 并且小波能量特征向量方法可以有效减少噪声影响, 基于EFV的模型输入的光谱数据维度可控, 估算能力提高。 目前, 应用高光谱小波能量特征向量EFV估算土壤有机碳含量的研究鲜有报道。

以博斯腾湖湖滨绿洲为研究区, 应用CWT对光谱数据进行预处理, 将土壤光谱分解为若干个尺度的小波系数, 利用CC、 sCARS、 CARS、 SPA、 GA常见5种特征波段筛选方法优选不同尺度的小波系数, 结合全波段小波系数分别计算各尺度小波系数的均方根, 将各尺度数据结合构建EFV。 选取具有较强的非线性处理能力及良好的拟合优度的BP神经网络模型(BP neural network model, BPNN)[19]。 以EFV作为建模输入量, 构建EFV-BPNN模型, 探究土壤高光谱噪声去除和信息压缩方法, 实现土壤有机碳含量快速估算。

1 实验部分
1.1 研究区概况

博斯腾湖湖滨绿洲位于新疆焉耆盆地东南面, 典型的干旱区湖滨绿洲, 地理位置介于86° 15'— 86° 55'E, 41° 45'— 42° 10'N, 面积为1 360 km2; 年均降水量47.7~68.1 mm, 年均蒸发量1 880.0~2 785.8 mm, 年平均气温8.2~11.5 ℃, 蒸降比大于40∶ 1, 无霜期176~211 d; 地下水埋深1.0~2.5 m, 矿化度为0.1~10.0 g· L-1; 土壤有机碳平均含量为13.31 g· kg-1, 研究区主要土壤类型为草甸土、 潮土、 沼泽土等[20]。

图1 研究区及采样点分布示意图Fig.1 Sampling point and location of the study area

1.2 土壤样品的采集与分析

1.2.1 土壤有机碳含量测定

依据研究区土壤类型、 土地利用类型以及植被类型状况等因素, 于2020年10月进行土壤样品的采集。 采样点需遍及研究区主要土地利用类型, 共计选取69个样点, 采用分层随机取样的方法, 每个样本点以0~10和10~20 cm采样土层进行, 共计138份0~20 cm表层土壤样品[21]。 处理土壤中杂物后以四分法混合均匀, 选取约200 g土壤样品装袋; 将土样风干、 研磨, 过2 mm筛后重新封装, 以备实验分析; 采用重铬酸钾-外加热法进行土壤有机碳含量的测定[22], 剔除3个异常值, 统计特征见表1。

表1 土壤有机碳含量的统计特征 Table 1 Statistical characteristics of soil organic carbon content

1.2.2 土壤光谱测定

土壤样品的高光谱数据利用ASD FieldSpec3地物光谱仪室外采集(表2)。 考虑环境因素的影响, 高光谱数据首尾波段的信噪比低, 保留400~2 450 nm, 并去除1 301~1 449与1 801~1 949 nm水汽影响波段, 减少高频噪音对光谱数据的影响[23]。 应用Savitzky-Golay滤波方法进行光谱曲线的平滑处理, 去除干扰波段的光谱曲线。

表2 仪器参数及测定要求 Table 2 Instrument parameters and measurement requirements
1.3 方法模型与精度检验

1.3.1 连续小波变换

连续小波变换(CWT)源于傅里叶算法, 通过小波基函数将一维的土壤高光谱数据分解包含波段和不同分解尺度的二维小波系数, 具有一定程度的高分辨和适应性[12], 见式(1)

Wf(a, b)≤fΨa, b≥∫-∞+∞f(t)Ψa, b(t)dt(1)

其中

Ψa, b=1aΨt-ba(2)

式中: t为高光谱波段数; a为尺度因子; b为平移因子; f(t)为光谱反射率; Ψ a, b为小波基函数。

1.3.2 高光谱小波能量

计算第i个分解尺度的小波系数的均方根, 作为该尺度的E Fi[18], 见式(3)

EFi=1j∑j=1jWj(ai, bj)2(3)

构建EFV

EFV=[EF1, EF2, …, EFi](4)

1.3.3 模型构建

将光谱数据进行连续小波变换预处理, 选择Gaussian4作为小波变换基函数[14], 提高光谱数据的相关性, 放大有效光谱信息。 以5种常规特征波段筛选方法, CC、 sCARS、 CARS、 SPA、 GA算法筛选10个分解尺度的特征波段[18, 20]。 结合全波段数据, 分别计算不同尺度下的均方根, 用以构建高光谱小波能量特征向量, 简化建模数据量, 将复杂光谱数据化简为10维数据; 利用小波能量特征向量作为建模输入量, 构建BPNN模型, 利用R2、 RMSE、 RPD评估小波能量特征向量在土壤有机碳含量估算建模的适用性, 并探究基函数对模型精度的影响。 流程图见图2。

图2 基于高光谱小波能量特征向量土壤有机碳含量估算模型构建流程图Fig.2 Flowchart of soil organic carbon estimation modelling development with hyperspectral wavelet energy features vector

2 结果与讨论
2.1 土壤有机碳与土壤光谱反射率相关性分析

由图3相关分析的结果可知, 土壤有机碳含量与土壤光谱反射率R存在明显的负相关关系, 相关系数范围绝对值|0.005|< r< |0.406|; 相关曲线在400~1 800 nm区间较为平滑, 在1 950~2 450 nm区间呈现波动变化; 相关系数在400~616 nm呈现增加趋势; 相关系数在616~1 300和1 451~1 800 nm呈现降低趋势; 578~616 nm波段内相关性整体最强, 相关系数最大值r=|0.406|; 相关系数平均值r=|0.208|。

图3 土壤有机碳与土壤光谱反射率相关性分析Fig.3 Correlation analysis between soil organic carbon and soil spectral reflectance

2.2 基于CWT的相关分析

Bior1.3、 db4、 Gaussian4与mexh基函数[24]中以Gaussian4为基函数的小波变换结果较为理想, 故选择小波变换基函数为Gaussian4函数, 进行CWT处理, 变换尺度为21, 22, 23, …, 210, 将生成的连续小波变换后的光谱数据与土壤有机碳含量进行相关性分析, 土壤有机碳含量与土壤原始光谱反射率R存在负相关关系。 由图4可知, 有效光谱信息主要集中于中高尺度分解。 在分解尺度为1~4时, 光谱细节特征缺乏, 连续有效光谱信息较少, 随着分解尺度增大, 光谱对土壤有机碳的敏感性也逐步增大。

图4 土壤有机碳含量与小波系数的相关系数矩阵Fig.4 Correlation coefficient matrix of soil organic carbon content and wavelet coefficients

通过CWT处理后10个分解尺度都存在一定的正负相关性, 土壤光谱与土壤有机碳含量间相关性明显提高, 其中, 4~10分解尺度的相关系数平均值均高于r=|0.208|, 相关系数平均值分别为|0.254|、 |0.299|、 |0.366|、 |0.302|、 |0.345|、 |0.446|、 |0.422|; 1~3分解尺度相关性较差, 相关系数平均值分别为|0.165|、 |0.183|、 |0.206|, 第1尺度相关系数平均值最低r=|0.165|, 第10尺度相关系数平均值最高r=|0.446|。 1~10分解尺度的相关系数最大值分别是|0.623|、 |0.623|、 |0.690|、 |0.730|、 |0.681|、 |0.696|、 |0.678|、 |0.710|、 |0.710|、 |0.677|, 相较于原始光谱与土壤有机碳含量的相关系数最大值r=|0.406|有所提升。

2.3 构建高光谱小波能量特征向量

通过CWT处理后, 10个分解尺度的小波系数难以整合利用, 构建的小波能量特征向量能够代表不同尺度小波系数整体信息, 数据维度可控, 有效降低建模输入量[12]。 以CC、 sCARS、 CARS、 SPA、 GA, 分别筛选10个分解尺度的特征波段, 计算不同尺度下的均方根, 构建高光谱小波能量特征向量。

利用CC法, 由图5(a)可知, 分别筛选10个分解尺度通过p< 0.01显著性检验, 相关系数r≥ 0.50的特征波段。 由图5(b)可知, 第1、 3、 4、 7尺度主要分布在400~760 nm可见光波段内; 第2、 8~10尺度主要分布在400~1 500 nm可见光波段及近红外短波; 第5~6尺度主要分布在400~760和1 500~2 500 nm可见光及近红外长波。 不同尺度筛选特征数量占全波段数量的1.14%、 2.00%、 2.22%、 6.73%、 12.84%、 25.84%、 12.26%、 26.58%、 51.34%、 46.04%。 逐尺度计算所筛选特征波段的均方根, 构建CC-EFV。

图5 CC算法筛选特征波段Fig.5 Characteristic wavelength selected by CC algorithm

应用sCARS算法, 分别筛选10个分解尺度特征波段, 以第1尺度为例筛选过程为例, 由图6(a)可知, 优选出的波段变量个数随着运行次数增加逐渐减少, 经过前20次运算, 筛选的波段变量个数明显降低, 在第23次运算后趋于平稳; RMSECV值通过前20次运算, 逐渐降低, 在第23次采样达到最低值, 而后RMSECV值呈升高趋势; 第23次采样RMSECV值最小即所选择的特征波段最优。 图6(b), 第1~3、 5、 7、 9~10尺度选择的特征波长主要位于1 500~2 500 nm近红外长波; 第4尺度主要集中于760~2 500 nm近红外波段; 第6尺度主要分布在400~760 nm可见光波段及1 500~2 500 nm近红外长波; 第8尺度主要分布在400~760 nm可见光波段。 不同尺度筛选特征数量占全波段数量的4.79%、 2.74%、 4.16%、 2.80%、 3.59%、 3.59%、 0.63%、 4.79%、 1.03%、 1.37%。 逐尺度计算所筛选特征波段的均方根, 构建sCARS-EFV。

图6 sCARS算法筛选特征波段Fig.6 Characteristic wavelength selected by sCARS algorithm

采用CARS算法, 分别筛选10个分解尺度特征波段, 与sCARS筛选原理基本相似, 以第1尺度筛选过程为例; 由图7(a)可知, 变量个数在第27次运算后趋于平稳; RMSECV在第23次采样达到最低值, RMSECV值最小即所选择的特征波段最优。 图7(b), 第1~5、 7、 9~10尺度选择的特征波长主要分布在1 500~2 500 nm近红外长波; 第6尺度主要分布于400~760和1 500~2 500 nm可见光及近红外长波; 第8尺度主要集中于400~760 nm可见光波段; 不同尺度筛选特征数量占全波段数量的2.74%、 1.83%、 4.73%、 4.79%、 1.20%、 1.83%、 0.80%、 3.14%、 0.68%、 0.91%。 逐尺度计算所筛选特征波段的均方根, 构建CARS-EFV。

图7 CARS算法筛选特征波段Fig.7 Characteristic wavelength selected by CARS algorithm

利用SPA算法, 分别筛选10个分解尺度特征波段, 以第1尺度筛选过程为例, 由图8(a)可知, 变量个数为8之后RMSE值趋于平稳, RMSE=7.82变量个数为8时, 所选择的特征波段最优。 图8(b), 第1~3、 5~6尺度选择的特征波长主要在1 500~2 500 nm近红外长波; 第4尺度主要分布在400~760和1 500~2 500 nm可见光与近红外长波; 第7尺度主要分布于760~1 500 nm在近红外短波; 第8~10尺度主要在760~2 500 nm近红外波段; 不同尺度筛选特征数量占全波段数量的0.46%、 0.40%、 0.17%、 0.11%、 0.23%、 0.29%、 0.29%、 0.29%、 0.74%、 0.29%。 逐尺度计算所筛选特征波段的均方根, 构建SPA-EFV。

图8 SPA算法筛选特征波段Fig.8 Characteristic wavelength selected by SPA algorithm

采用GA算法, 分别筛选10个分解尺度特征波段, 由图9(a)可知, GA算法据预定的目标函数对样本进行评估, 给出一个适应度值, 基于此适应度值, 选择最佳样本。 图9(b), 第1~5、 9~10尺度选择的特征波长在400~2 500 nm分布较为均匀; 第6~8尺度选择的特征波长主要分布于760~2 500 nm近红外波段。 不同尺度筛选特征数量占全波段数量的2.45%、 9.87%、 11.12%、 3.59%、 3.99%、 3.88%、 1.94%、 2.05%、 2.91%、 3.94%。 逐尺度计算所筛选特征波段的均方根, 构建GA-EFV。

图9 GA算法筛选特征波段Fig.9 Characteristic wavelength selected by GA algorithm

2.4 基于高光谱小波能量特征向量构建模型

依据CC、 sCARS、 CARS、 SPA、 GA算法及全波段构建的EFV, 作为模型输入量, 构建土壤有机碳BPNN估算模型。 由表3可知, 利用EFV可以较好估算土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 对比模型验证集精度可知, CC-EFV-BPNN> sCARS-EFV-BPNN> Full-spectrum-EFV-BPNN> CARS-EFV-BPNN> GA-EFV-BPNN> SPA-EFV-BPNN。 以CC-EFV-BPNN构建的模型效果最好, R2分别为0.78、 0.77, RMSE分别为6.38、 6.92, RPD为2.07; 其次sCARS-EFV-BPNN构建的模型效果较好, R2分别为0.71、 0.76, RMSE分别为7.66、 6.72, RPD为2.03。 SPA-EFV-BPNN构建模型精度略差R2分别为0.70、 0.70, RMSE分别为8.44、 6.43, RPD为1.82。

表3 BPNN模型估算结果对比 Table 3 Comparison of estimation results of BPNN models

由图10可知, 对比训练集样本点Full-spectrum-EFV-BPNN、 CC-EFV-BPNN、 sCARS-EFV-BPNN、 GA-EFV-BPNN基本均匀的分布在1∶ 1线两侧, 在土壤有机碳含量高于40.0 g· kg-1时, 存在少量样本偏移点; CARS-EFV-BPNN、 SPA-EFV-BPNN, 在土壤有机碳含量介于0~20.0 g· kg-1时, 存在样本偏移现象, 估算值与实测值间相差约为10.0%, 样本点在1∶ 1线两侧呈分散分布。 验证集样本点Full-spectrum-EFV-BPNN、 CC-EFV-BPNN、 sCARS-EFV-BPNN基本均匀的分布在1∶ 1线两侧, Full-spectrum-EFV-BPNN在40.0~60.0 g· kg-1间存在两个高估样本, 高估约50.26%; CARS-EFV-BPNN、 GA-EFV-BPNN、 SPA-EFV-BPNN, 与1∶ 1线间距离明显高于其余模型。

图10 土壤有机碳高光谱模型的精度比较Fig.10 Comparison of the accuracy of soil organic carbon hyperspectral model

应用CWT提取EFV, 在有效降低数据维度与模型复杂度的前提下, 将多分解尺度小波系数整合, 充分利用小波系数整体信息。 对于快速估算土壤有机碳含量具有一定的参考价值。 研究结果表明, CWT可以有效提高光谱反射率与土壤有机碳含量间的相关性, 相关系数平均值提升43.66%, 这与勾宇轩等[14]研究结论基本一致。 高光谱数据在去除水汽及噪声过大的全波段数量为1753, 而构建的EFV仅为10维的光谱特征向量, 可以有效降低数据维度, 提升建模速率, 构建的模型训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95, 表明EFV进行土壤有机碳含量的估算结果较好, 这与章涛等[18]研究结果一致。 本工作利用CC、 sCARS、 CARS、 GA、 SPA筛选不同尺度的特征波段进行EFV构建, 相比只利用代表部分敏感信息的特征波段, 特征波段方法结合EFV既可以减少不同尺度的光谱数据量、 突出重要光谱信息, 又能够综合表征不同尺度的光谱信息。 对比全波段数据CC、 sCARS算法可以有效提高模型估算能力, CARS、 GA、 SPA算法虽然未能显著提高模型估算能力, 但是特征波段筛选方法一定程度上降低模型的RMSE值, 提升模型精度, 对比全波段建模结果可知验证集RMSE值平均降低22.80%。 本工作估算模型RMSE值总体偏高, 李冠稳等[24]研究土壤有机质所构建的模型RMSE值也较高, 可能是由于光谱测量实验存在一定误差, 未能实现野外原位光谱测量。 利用BPNN构建土壤有机碳估算模型, 模型能力表现为CC-EFV-BPNN> sCARS-EFV-BPNN> Full-spectrum-EFV-BPNN> CARS-EFV-BPNN> GA-EFV-BPNN> SPA-EFV-BPNN, 说明不同特征波段算法所构建的EFV不同, 最终影响BPNN模型精度。 因此, 基于高光谱小波能量特征向量波段筛选算法的机理仍有待于进一步研究。

3 结论

连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~10分解尺度相关系数分别为|0.165|、 |0.183|、 |0.206|、 |0.254|、 |0.299|、 |0.366|、 |0.302|、 |0.345|、 |0.446|、 |0.422|, 相关系数平均值提升43.65%; 相关系数最大值分别为, |0.623|、 |0.623|、 |0.690|、 |0.730|、 |0.681|、 |0.696|、 |0.678|、 |0.710|、 |0.710|、 |0.677|, 相关系数最大值平均提升67.93%。

CC、 sCARS、 CARS、 GA、 SPA算法筛选10个分解尺度的特征波段数量平均值分别占全波段数量的18.70%、 2.95%、 2.27%、 4.57%、 0.33%。 筛选的特征波段, CC算法主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法集中于1 500~2 500 nm近红外长波; GA算法筛选的特征波段在400~2 500 nm呈现均匀分布; SPA算法集中于760~2 500 nm近红外波段。

高光谱小波能量特征向量EFV可以较好估算表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 以CC-EFV-BPNN构建的模型效果最好, R2分别为0.78、 0.77, RMSE分别为6.38、 6.92, RPD为2.07; SPA-EFV-BPNN构建模型精度较差R2分别为0.70、 0.70, RMSE分别为8.44、 6.43, RPD为1.82。 对比模型验证集精度, CC-EFV-BPNN> sCARS-EFV-BPNN> Full-spectrum-EFV-BPNN> CARS-EFV-BPNN> GA-EFV-BPNN> SPA-EFV-BPNN。

参考文献
[1] Greiner L, Keller A, Grêt-Regamey A, et al. Land Use Policy, 2017, 69: 224. [本文引用:1]
[2] Drobnik T, Greiner L, Keller A, et al. Ecological Indicators, 2018, 94: 151. [本文引用:1]
[3] LIU Xing-hua, ZHANG Hai-bo, LI Yuan, et al(刘兴华, 章海波, 李远, 等). Acta Pedologica Sinica(土壤学报), 2019, 56(2): 374. [本文引用:1]
[4] Chai Y J, Zeng X B, E Shengzhe, et al. Catena, 2019, 173: 312. [本文引用:1]
[5] YUAN Ya-ru, LI Na, ZOU Wen-xiu, et al(苑亚茹, 李娜, 邹文秀, 等). Acta Ecologica Sinica(生态学报), 2018, 38(17): 6025. [本文引用:1]
[6] Chen Kai, Li Chuang, Tang Rongnian. Industrial Crops and Products, 2017, 108: 831. [本文引用:1]
[7] ZHAO Ming-song, XIE Yi, LU Long-mei, et al(赵明松, 谢毅, 陆龙妹, 等). Acta Pedologica Sinica(土壤学报), 2021, 58(1): 42. [本文引用:1]
[8] YU Lei, HONG Yong-sheng, ZHOU Yong, et al(于雷, 洪永胜, 周勇, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(13): 95. [本文引用:1]
[9] YE Hong-yun, XIONG Hei-gang, ZHANG Fang, et al(叶红云, 熊黑钢, 张芳, 等). Laser and Optoelectronics Progress(激光与光电子学进展) , 2019, 56(5): 115. [本文引用:1]
[10] Gu X H, Wang Y C, Sun Q, et al. Computers and Electronics in Agriculture, 2019, 167: 105053. [本文引用:1]
[11] Lin L X, Wang Y J, Teng J Y, et al. Environmental Monitoring and Assessment, 2016, 188(2): https://doi.org/10.1007/s10661-016-5107-8. [本文引用:1]
[12] Li R, Gao M, Xu Z X, et al. Hyper-Spectral Estimation of Soil Organic Matter in Apple Orchard Based on CWT, IOP Conference Series Earth and Environmental Science 2021, 734: 012030. [本文引用:3]
[13] ZHAO Hai-long, GAN Shu, YUAN Xi-ping, et al(赵海龙, 甘淑, 袁希平, 等). Acta Optica Sinica, 2022, 42(22): 209. [本文引用:1]
[14] GOU Yu-xuan, ZHAO Yun-ze, LI Yong, et al(勾宇轩, 赵云泽, 李勇, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2022, 53(3): 331. [本文引用:3]
[15] CAI Liang-hong, DING Jian-li(蔡亮红, 丁建丽). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(16): 144. [本文引用:1]
[16] Wang L S, Wang R J, Lu C P, et al. Infrared Physics and Technology, 2019, 102: 103045. [本文引用:1]
[17] Banskota A, Falkowski M J, Smith A M S, et al. IEEE Transactions on Geoscience and Remote Sensing, 2016, 55(3): 1526. [本文引用:1]
[18] ZHANG Tao, YU Lei, YI Jun, et al(章涛, 于雷, 易军, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(10): 3217. [本文引用:3]
[19] YE Qin, JIANG Xue-qin, LI Xi-can, et al(叶勤, 姜雪芹, 李西灿, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2017, 48(3): 164. [本文引用:1]
[20] NIU Fang-peng, LI Xin-guo, Mamattursun·Eziz , et al(牛芳鹏, 李新国, 麦麦提吐尔逊·艾则孜, 等). Journal of Zhejiang University(Agriculture and Life Sciences)[浙江大学学报(农业与生命科学版)], 2021, 47(5): 673. [本文引用:2]
[21] XU Yong-mei, LIU Hua, WANG Xi-he (许咏梅, 刘骅, 王西和). Resources Science(资源科学), 2016, 38(7): 1246. [本文引用:1]
[22] LI Jin-pu, YU Xiu-bo, XIA Shao-xia, et al(李瑾璞, 于秀波, 夏少霞, 等). Acta Ecologica Sinica(生态学报), 2020, 40(24): 8928. [本文引用:1]
[23] ZHANG Zi-peng, DING Jian-li, WANG Jing-zhe (张子鹏, 丁建丽, 王敬哲). Acta Optica Sinica(光学学报), 2019, 39(2): 391. [本文引用:1]
[24] LI Guan-wen, GAO Xiao-hong, XIAO Neng-wen, et al(李冠稳, 高小红, 肖能文, 等). Acta Optica Sinica(光学学报), 2019, 39(9): 361. [本文引用:2]