全 文 ：基于小波变换的土壤有机质含量高光谱估测*
陈红艳1 摇 赵庚星1**摇 李希灿2 摇 朱西存1 摇 隋摇 龙3 摇 王银娟4
( 1山东农业大学资源与环境学院, 山东泰安 271018; 2山东农业大学信息科学与工程学院, 山东泰安 271018; 3沾化县国土资
源局, 山东沾化 256800; 4东营市国土资源局河口分局, 山东河口 257200)
摘摇 要摇 利用统计分析方法选取了土壤 N、P、K元素含量近似而有机质含量差异较大的样本
60 个,通过高光谱探测分析获得样本反射率对数的一阶导数光谱,采用 Bior 1. 3 函数进行多
层离散小波分解,剔除低频近似信号和高频噪声信号,得到反映土壤理化参数的特征光谱曲
线;采用相关分析筛选土壤有机质含量的显著相关波段,基于显著相关波段和特征光谱曲线
分别构建土壤有机质含量高光谱多元回归估测模型;通过比较分析,确定了提取土壤有机质
特征光谱的最佳小波分解尺度并构建了最佳预测模型.结果表明: 提取土壤有机质特征光谱
的最佳小波分解层数是 9 层,其次是 8 层和 10 层;基于小波 9 层分解特征光谱曲线的有机质
含量估测模型最佳,其决定系数(R2)为 0郾 89,比基于显著相关波段构建模型的 R2增加了
0郾 31,比基于原始光谱所构建模型的 R2增加了 0郾 10.
关键词摇 高光谱摇 土壤有机质摇 小波变换摇 特征光谱
文章编号摇 1001-9332(2011)11-2935-08摇 中图分类号摇 P237;S153. 2摇 文献标识码摇 A
Hyper鄄spectral estimation of soil organic matter content based on wavelet transformation.
CHEN Hong鄄yan1, ZHAO Geng鄄xing1, LI Xi鄄can2, ZHU Xi鄄cun1, SUI Long3, WANG Yin鄄juan4
( 1College of Resources and Environment, Shandong Agricultural University, Tai爷an 271018, Shan鄄
dong, China; 2College of Information Science and Engineering, Shandong Agricultural University,
Tai爷an 271018, Shandong, China; 3Zhanhua Land Resources Bureau, Zhanhua 256800, Shan鄄
dong, China; 4Hekou Branch of Dongying Land Resources Bureau, Hekou 257200, Shandong, Chi鄄
na) . 鄄Chin. J. Appl. Ecol. ,2011,22(11): 2935-2942.
Abstract: A total of 60 soil samples with approximate contents of N, P, and K and greatly different
content of organic matter were selected by statistical analysis. Through hyper鄄spectral detection and
analysis, the first derivative spectrum of the soil logarithmic reflectance was obtained, and was de鄄
composed by the Bior 1. 3 wavelet function. The approximative signal of the lowest frequency and
the noise signal of the highest frequency were removed from the input spectrum so as to obtain the
characteristic spectrum corresponding to soil physical and chemical parameters. The sensitive bands
of soil organic matter were selected by correlation analysis, and the forecasting models were built by
multiple regression analysis, based on the sensitive bands and the characteristic spectrum, respec鄄
tively. Through comparison analysis, the optimal wavelet decomposing resolution for extracting the
characteristic spectrum of soil organic matter was ascertained, and the best forecasting model was
established. The best wavelet decomposing resolution was 9, followed by 8 and 10. Based on the
characteristic spectrum of wavelet decomposing of 9 resolutions, the model R2 reached 0. 89, which
was increased by 0. 31 as compared to the model based on sensitive bands, and increased by 0. 10
as compared to the model based on the original spectrum.
Key words: hyper鄄spectra; soil organic matter; wavelet transformation; characteristic spectrum.
*高校博士点科研基金项目(20103702110010)资助.
**通讯作者. E鄄mail: zhaogx@ sdau. edu. cn
2011鄄03鄄26 收稿,2011鄄07鄄16 接受.
摇 摇 土壤有机质(SOM)是土壤肥力的重要指标以
及植物营养的主要来源之一. 快速准确测定土壤有
机质含量已成为精准农业发展的必需,其测量方法
已从传统的地球化学方法发展到光谱分析法[1-3] .
基于高光谱技术的 SOM 含量预测具有快速无损的
优势,受到了越来越多的关注[4-7] .
应 用 生 态 学 报摇 2011 年 11 月摇 第 22 卷摇 第 11 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Nov. 2011,22(11): 2935-2942
土壤光谱反射率是土壤内在理化特性———光谱
行为的综合反映,因此,构建高精度的 SOM 含量高
光谱预测模型应从土壤高光谱中提取反映 SOM 含
量的特征光谱.有研究证明,土壤光谱的导数运算对
低频噪声影响的敏感性有所降低,可用以增强光谱
数据与土壤有机质含量之间的相关关系,因此目前
SOM含量高光谱预测模型多以光谱反射率的导数
变换形式作为自变量[8-11] . Shepherd 和 Walsh[8]研
究认为,光谱反射率的一阶和二阶导数变换是土壤
有机质预测时的常用预处理方式. Krishnan 等[1]研
究发现,623 和 564 nm 是土壤有机质的敏感波段,
并用这两处原始反射率倒数之对数的微分值构建了
SOM多元线性逐步回归预测模型.何挺等[10]研究发
现,土壤反射率对数的一阶微分对 SOM 含量较敏
感,并由此建立了相应的回归预测模型.但大量试验
表明,土壤光谱经导数运算后,高频噪声会被放大,
将遮蔽导数光谱的波形轮廓,从而影响所建模型的
精度[12-15] .褚小立等[14]认为,导数光谱可有效地消
除基线和其他背景的干扰,但同时会引入高频噪声,
降低信噪比.刘焕军等[13]为消除土壤光谱噪声,对
土壤光谱反射率的一阶、二阶微分光谱进行了归一
化处理,并以此为自变量,建立了黑土有机质含量高
光谱预测模型,取得了较好的建模效果.
综上所述,单纯采用反射率的导数变换形式作
为自变量构建模型,存在一定缺陷.而且土壤光谱数
据采集过程中,土壤质地和水分等决定了光谱的基
本形状,光谱仪精度、测试条件、土壤粒度等影响光
谱的细节噪声[16] . 由此有必要选择一种合适的方
法,分解处理土壤反射率的导数光谱,分离对土壤有
机质有较好反映的特征光谱. 利用小波变换进行多
尺度分解后,光谱信号的近似特征和细节特征可得
到有效分离[17] . 因此,本文采用小波变换对土壤原
始反射率对数的一阶导数光谱进行多层分解,剔除
低频近似成分和高频噪声,提取 SOM 的特征光谱,
并结合统计分析,构建土壤有机质含量高光谱估测
模型,旨在确定提取土壤有机质特征光谱的最佳小
波分解尺度和最佳预测模型,提高建模精度.
1摇 材料与方法
1郾 1摇 样本采集与制备
本文土样于 2009 年取自地处鲁西北平原的山
东省齐河县,土壤类型为潮土,土质肥沃,质地以中、
轻壤为主.在试验区首先根据土壤质地、肥力等级划
分采样单元,平均每个采样单元为 6郾 67 hm2,采用
网格布点方式,每个采样单元采用 10 点混合的方式
采集 1 个混合土样,采样深度为 0 ~ 20 cm,取土 1 kg
左右,共采集混合土样 468 个.分别采用重铬酸钾容
量法、碱解扩散法、碳酸氢钠浸提鄄钼锑抗比色法和
醋酸铵浸提鄄火焰光度法测定土壤有机质、N、P、K含
量.将 468 个原始样本的 N、P、K含量通过聚类分析
划为若干组别,然后采用方差分析计算各组 SOM含
量的标准差,根据组内标准差和样点数目,多次进行
聚类方差分析,结合所有样点土壤有机质含量状况,
最终选取 N、P、K 含量相近而 SOM 差别较大的 60
个土样作为试验土样,以突出土壤有机质的光谱
差异.
将所选定的样品自然风干、敲碎,剔除土壤以外
的侵入体,用 2 mm孔径的筛子过筛后,将样品混合
均匀,用四分法取样 200 g,装于盛样皿(直径 10
cm,深 2 cm)中,稍稍压平,使其表面尽量平整,用于
高光谱数据采集. 将样品随机分为两组,一组(45
个)用于建模,另一组(15 个)用于模型验证.
1郾 2摇 光谱测量
土壤高光谱数据用美国 ASD Fieldspec 3 光谱仪
采集,该光谱仪光谱范围为 350 ~ 2500 nm,其中,
350 ~1000 nm范围内光谱的采样间隔(波段宽)为
1郾 4 nm,光谱分辨率为 3 nm,1000 ~ 2500 nm 范围内
光谱的采样间隔为 2郾 0 nm,光谱分辨率为 10 nm.输
出时,光谱重采样间隔为 1 nm,共输出波段 2151个.
在等同于暗室的实验室内进行光谱测定.将装
满土样的盛样皿放在 3 cm厚、反射率近似为 0 的黑
色橡胶上,采用功率为 50 W 标准直流钨丝石英卤
素灯作为光源,探头视场角为 25毅,光源入射角度为
45毅,光源距离为 30 cm,探头距离为 15 cm. 为降低
土样光谱各向异性的影响,测量时转动盛样皿 3 次,
每次转动角度约 90毅,获取土样 4 个方向的光谱曲
线,每个方向采集 5 条样本线,每个样品共采集 20
条样本线,算术平均后得到该土样的反射光谱数据.
1郾 3摇 数据处理
1郾 3郾 1 光谱变换 摇 有研究表明,光谱反射率经对数
变换后,不仅能增强可见光区的光谱差异(可见光
区的原始光谱值一般偏低),而且可减少因光照条
件变化引起的乘性因素影响[10];导数光谱则有助于
限制低频噪声的影响,可在一定程度上提高土壤有
机质含量和光谱反射率的相关性,比较而言,一阶导
数变换可以迅速确定光谱的拐点及最大、最小反射
率的波长位置,显著提高相关性[9] . 因此,本研究将
反射率对数的一阶导数光谱作为原始输入光谱,变
6392 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
换采用的计算公式如下:
D(姿) = (lnR姿+1-lnR姿) / 2驻姿 (1)
式中:R姿+1和 R姿 分别为波长 姿+1、姿 处的光谱反射
率;D(姿)为波长 姿 处反射率对数的一阶导数光谱
值;姿值为 350 ~ 2500 nm;驻姿 为波长 姿+1 到波长 姿
的间隔,取值为 10 nm.
1郾 3郾 2 小波变换 摇 小波分析能将数据分解成时间鄄
频率不同组成成分的数学函数,可通过在时域和频
域上的分解对信号特征进行更精确地局部描述和分
离[17-18] .对光谱数据进行小波变换,其“时间冶概念
指高光谱数据的光谱波段(波长) [19-21] .小波分解生
成的不同分解层系数所包含的信息与影响土壤高光
谱反射率的不同因素相关,低频系数反映原始光谱
明显的吸收特征,决定整个光谱的形状,高频系数反
映原始光谱的噪声及微小的吸收特征[22-25] .小波离
散分解生成的每一层的系数数目随着分解层数的增
加而减少,但足以表示光谱的整体特征,且数据冗余
相对较小[26] .为提取与 SOM 含量具有较高相关性
的局部高光谱信息,本文先后采用 Db5、Db9、Sym4、
Bior 1郾 3 和 Bior 1郾 5 函数对输入光谱进行小波变
换,比较 SOM含量与变换光谱曲线的相关性可知,
Bior 1郾 3 小波函数的分解效果最佳,因此本文对土
壤反射率对数的一阶导数光谱采用 Biorthogonal 小
波系的 Bior 1郾 3 小波函数进行 4 ~ 12 层离散分解.
Biorthogonal小波是双正交小波,可解决线性相位与
正交性要求的矛盾,主要用于信号和图像的分解和
重构.
1郾 4摇 特征光谱的提取
通过软件 Matlab 7郾 0 编程实现多层小波离散分
解并进行特征光谱的提取.以 6 层分解为例,对任一
一条输入光谱信号(图 1a)进行 6 层 Bior 1郾 3 小波
离散分解,会生成一个低频系数(第 6 层上,图 1b)
和 6 个高频系数(第 1 ~ 6 层上,最高频系数见图
1d).对于土壤光谱曲线,低频系数主要受土壤质
地、土壤水分等因素的影响,高频系数主要受光谱仪
精度、测试条件等不确定因素的影响[25] . 从输入的
光谱信号中剔除低频系数的重构信号(图 1c)和最
高频系数的重构信号(图 1e),得到的光谱信号(图
1f)将是其他土壤理化参数(有机质、N、P、K 等)所
对应的特征光谱曲线.
1郾 5摇 显著相关波段的筛选
对 60 个样本的土壤有机质含量与原始反射率
对数的一阶导数光谱及其小波变换后特征光谱进行
逐波段的相关分析,计算每个波段与 SOM含量的相
图 1摇 特征光谱提取
Fig. 1摇 Extraction of characteristic spectrum.
关系数,在每条光谱曲线中,选取相关系数较高或突
变的波长作为显著相关波段.
1郾 6摇 估测模型的建立与验证
利用 45 个建模样本,运用软件 SAS 9郾 0,基于
显著相关波段建立SOM含量高光谱多元回归估测
739211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 陈红艳等: 基于小波变换的土壤有机质含量高光谱估测摇 摇 摇 摇 摇 摇
表 1摇 样本土壤的属性
Table 1摇 Properties of the soil samples (g·kg-1)
项目
Item
最小值 Minimum
选定样点
Selected sites
全部样点
All sites
最大值 Maximum
选定样点
Selected sites
全部样点
All sites
均值 Mean
选定样点
Selected sites
全部样点
All sites
标准差 Standard deviation
选定样点
Selected sites
全部样点
All sites
有机质含量
SOM content
7郾 80 6郾 50 19郾 40 19郾 50 14郾 24 12郾 83 2郾 56 2郾 22
碱解氮含量
Alkali hydrolysable
N content
0郾 07 0郾 05 0郾 14 0郾 18 0郾 11 0郾 10 0郾 02 0郾 02
速效磷含量
Available P content
0郾 003 0郾 001 0郾 04 0郾 15 0郾 02 0郾 02 0郾 01 0郾 01
有效钾
Available K content
0郾 17 0郾 05 0郾 43 0郾 43 0郾 24 0郾 13 0郾 05 0郾 05
模型,基于特征光谱建立 SOM含量高光谱多元逐步
回归估测模型;根据建模决定系数(R2)优选最佳模
型;分别用选定的 15 个验证样本和剩余的 408 个样
本数据检验最佳模型,模型精度用 R2和均方根差
(RMSE)进行评价.
2摇 结果与分析
2郾 1摇 样本土壤有机质含量状况
利用统计方法分析用于 SOM 特征光谱提取和
估测模型构建的 60 个样本数据.与全部样本数据相
比,选取样本土壤有机质含量的标准差增大,土壤
N、P、K 含量的标准差减小(表 1).表明选取样点有
机质含量的差异较大,而 N、P、K元素含量相近.
2郾 2摇 土壤样品的各层特征光谱
按照特征光谱提取的步骤,提取小波分解 4 ~
12 层对应的特征光谱(图 2).在 350 ~ 2500 nm波长
区间,第 4 ~ 7 层低尺度分解得到的特征光谱极相
似,可采用其中任一层代表,而第 8 ~ 12 层高尺度分
解得到的特征光谱差异较大.这是由于随着分解层
图 2摇 4 ~ 12 层小波分解得到的特征光谱曲线
Fig. 2 摇 Characteristic spectrum curves after wavelet decompo鄄
sing of 4-12 resolution.
数的增多,低频系数的频域区间逐渐减小,可单纯地
反映受土壤质地、土壤水分等影响的土壤光谱基本
特征,能更全面地反映受其他理化参数影响的光谱
信息,导致光谱差异逐渐增大. 本文选择第 4 ~ 7 层
的代表层(第 7 层)及与其存在较大差异的第 8、9、
10、11、12 层特征光谱做进一步分析.
2郾 3摇 各层特征光谱与土壤有机质含量的相关性
由图 3 可以看出,随着分解层数的增多,土壤
SOM含量与原始输入光谱及小波分解各层特征光
谱的相关曲线愈加平滑,整体趋势趋于一致,显著相
关波段趋于一致. 其中,在 560 ~ 610、1780 ~ 1820、
1950 ~ 2020 和 2220 ~ 2260 nm 波段范围内,土壤
SOM含量与原始输入光谱及小波分解各层特征光
谱呈极显著的正相关关系(P<0郾 01),在 460 ~ 490、
1300 ~ 1420、1850 ~ 1920、2140 ~ 2180 和 2350 ~
2380 nm 波段范围内,呈极显著的负相关关系(P<
0郾 01).利用相关曲线筛选极显著相关的离散点,与
原始反射率对数的一阶导数光谱曲线相比,经过小
波变换后,SOM含量与光谱的最大相关系数没有得
到较大提高,但极显著正、负相关的离散点数有所改
变(表 2),分解 8、9、10 层,极显著相关的离散波段
点数增多,达到 10 个,少于 8 层和多于 10 层的分解
后,极显著相关的离散波段点数没有变化或减少.说
明分解 8、9、10 层的特征光谱与土壤有机质含量的
相关性得到了增强.
2郾 4摇 土壤有机质含量的高光谱估测模型
2郾 4郾 1 基于显著相关波段的多元回归模型摇 依据相
关性分析结果,将各层显著相关波段作为输入参数,
采用多元回归分析,构建 SOM 高光谱预测模型(表
3).对所构建的回归模型进行比较可见,小波分解
7 ~ 12层建模精度均优于原始光谱,说明了小波分解
对敏感波段筛选的有效性;其中,7 ~ 9 层分解后建
模的R2达到了0郾 52以上,模型显著;且尤以第8层
8392 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
图 3摇 各层特征光谱与土壤有机质含量的相关系数
Fig. 3摇 Correlation coefficients of characteristic spectra and soil
organic matter content.
a)原始 Original spectrum; b-g)7-12层分解Decomposing resolution 7-12.
表 2摇 各层特征光谱值与土壤有机质含量的相关分析
Table 2 摇 Correlation analysis of characteristic spectrum
and soil organic matter content
分解层数
Decomposing
resolution
显著相关波段
Sensitive band
(nm)
显著相关
波段个数
Sensitive
band number
O 574,1367,1501,1918,1968,2162,
2232,2356
8
7 482,1024,1418,1852,1918,1968,
2136,2276
8
8 568,734,1176,1418,1806,1918,
1968,2136,2218,2356
10
9 474,602,1306,1616,1806,1918,
1968,2160,2232,2356
10
10 474,602,1374,1616,1806,1918,
1968,2160,2232,2356
10
11 474,602,1418,1918,1968,2160,
2232,2356
8
12 602,1418,1918,1968,2232,2356 6
O:原始光谱 Original spectrum. 下同 The same below.
模型最佳,其 R2为 0郾 59,比原始光谱建模 R2增加了
0郾 14;基于第 9 层显著相关波段建模的 R2仅比第 8
层模型低 0郾 01.
2郾 4郾 2 基于特征光谱曲线的多元逐步回归模型摇 基
于显著相关波段,采用小波变换的建模精度虽然比
原始光谱建模精度有所提高,但建模 R2普遍较低.
为进一步确定 SOM 的特征光谱,提高模型精度,分
别将原始对数的一阶导数光谱曲线和经小波 7 ~ 12
层分解得到的特征光谱曲线作为输入参数,采用多
元逐步回归分析并构建预测模型. 由于在同一回归
方程中,入选变量波长间隔较近的波段存在多重共
线性[27],因此本文排除入选波段中波长间隔较近的
方程,筛选各光谱曲线建模精度较高的多元逐步回
归模型(表 4),其中所有入选参数均通过 0郾 05 水平
的显著性检验.
由表 4 可以看出,小波分解 8、9、10 层的特征光
谱构建的预测模型优于原始对数的一阶导数光谱构
建的模型,以第 9 层模型最佳,建模 R2为 0郾 89,比原
始光谱建模 R2增加了 0郾 10.说明对原始光谱对数的
一阶导数光谱曲线进行小波离散分解 9 层的特征光
谱曲线,能较好地反映土壤有机质含量.
2郾 5摇 土壤有机质含量高光谱估测模型的优选与验
证
比较基于显著相关波段的最佳多元回归模型
(第 8 层模型)和基于特征光谱曲线的最佳多元逐
步回归模型(第 9 层模型)可知,基于小波 9 层分解
特征光谱曲线的多元逐步回归模型在入选波段少于
显著相关波段的情况下,建模 R2达到 0郾 89,明显高
于基于显著相关波段的多元回归模型,因此确定最
939211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 陈红艳等: 基于小波变换的土壤有机质含量高光谱估测摇 摇 摇 摇 摇 摇
表 3摇 基于显著相关波段的多元回归模型
Table 3摇 Multi鄄regression models based on significant correlation bands
分解层数
Decomposing
resolution
敏感波段个数
Sensitive band
number
回归方程
Regression model
R2
O 8 Y= -0郾 452 -5997郾 380X547 +20369郾 800X1367 +39442郾 600X1501 -2376郾 650X1918 +
22374郾 900X1968 -15275郾 200X2162 +20400郾 500X2232 -10946郾 690X2356
0郾 45
7 8 Y= -5郾 897 -171郾 758X482 +41859郾 240X1024 +37537郾 288X1418 +25788郾 177X1852 -
15835郾 832X1918 +9659郾 692X1968 -19882郾 818X2136 -4524郾 567X2276
0郾 53**
8 10 Y= 1郾 067 - 5108郾 863X568 - 47071郾 945X734 + 39637郾 941X1176 + 12101郾 362X1418 +
22899郾 438X1806 + 2351郾 533X1918 + 20620郾 863X1968 - 18459郾 393X2136 +
12849郾 888X2218 -9746郾 639X2356
0郾 59**
9 10 Y= 3郾 815 + 1964郾 196X474 - 6908郾 265X602 - 120400郾 442X1306 - 35146郾 466X1616 +
36195郾 837X1806 - 5008郾 221X1918 + 1297郾 708X1968 - 5527郾 466X2160 +
11791郾 528X2232 -6772郾 839X2356
0郾 58**
10 10 Y= -12郾 755 + 5063郾 029X474 + 2177郾 910X602 - 2300郾 552X1374 + 21918郾 672X1616 +
43321郾 296X1806 - 9127郾 300X1918 + 7223郾 916X1968 - 9963郾 350X2160 -
14294郾 960X2232 -14820郾 482X2356
0郾 52
11 8 Y=-22郾 285 +7236郾 452X474 +2821郾 515X602 +12823郾 653X1418 -11303郾 075X1918 +
9530郾 645X1968 -13807郾 661X2160 +2314郾 370X2232 -18751郾 370X2356
0郾 49
12 6 Y= -7郾 558 +7130郾 643X602 +13250郾 445X1418 -12780郾 265X1918 +7873郾 478X1968 -
2259郾 301X2232 -17664郾 116X2356
0郾 48**
Y:土壤有机质含量 Soil organic matter content (g·kg-1); X:下标波段的反射率对数的一阶导数值 The first derivation of logarithmic reflectance of
labeled band. **P<0郾 01. 下同 The same below.
表 4摇 各模型入选的波段及回归分析结果
Table 4摇 Selected wave bands and regression analysis result
分解层数
Decomposing
resolution
入选变量个数
Selected variable
number
回归方程
Regression
model
R2
O 6 Y = 8郾 012 + 106007X1807 + 40905X1968 - 75593X2033 - 21390X2298 - 23791X2355 -
12238X2363
0郾 79**
7 5 Y = - 12郾 626 + 1491郾 922X393 - 151489X1723 - 36557X1918 - 43718X1723 + 70431X1968 -
31029X2286 +30957X2339
0郾 77**
8 8 Y= - 12郾 622 - 577郾 242X369 + 2845郾 874X411 - 74357X1375 - 117031X1723 + 56590X1968 +
34443X2096 +27325X2339 -20206X2355
0郾 85**
9 9 Y = 11郾 737 + 8062郾 918X503 - 41428X659 + 34551X711 - 34370X1065 - 192340X1306 +
68139X1604 +93216X1746 +36879X2179 -48469X2287
0郾 89**
10 9 Y=-4郾 884-12218X469 +17172X541 +89814X822 +235757X1617 +37858X1807 +14448X1936
-30347X2015 -21769X2246 +7031郾 687X2444
0郾 86**
11 5 Y=1郾 124+29296X953 +101378X1074 -11865X1918 -36489X2134 -19181X2370 0郾 73**
12 4 Y=-49郾 303-300郾 222X353 +3605郾 157X422 -12815X1905 +7953郾 968X2444 0郾 62**
佳模型为基于小波 9 层分解特征光谱曲线的多元逐
步回归模型,该模型为:
Y=11郾 737+8062郾 918X503 -41428X659 +34551X711
- 34370X1065 - 192340X1306 + 68139X1604 +
93216X1746+36879X2179-48469X2287
式中:Y 为土壤有机质含量(g·kg-1);X 为下标波
段的反射率对数的一阶导数值.
摇 摇 为检验所建预测模型的可靠性,分别利用 15 个
和其余 408 个检验样本的高光谱数据与土壤有机质
含量数据,对最佳模型进行精度验证. 结果显示,15
个检验样本的模型预测值与实测值较一致,其拟合
方程的 R2为 0郾 83,RMSE 为 0郾 70,表明该模型对土
壤有机质含量的预测具有较好的准确性;利用其余
408 个检验样本的模型预测精度稍低,R2为 0郾 77,
RMSE为 1郾 22 (图 4).
3摇 讨摇 摇 论
基于特征光谱曲线的 SOM 含量预测模型建模
精度明显高于基于显著相关波段的预测模型,原因
在于显著相关波段仅是简单相关分析的结果,难以
体现波段间的相互影响. 运用多元逐步回归分析逐
波段筛选出的入选波段中,多数是显著相关波段或
距其较近范围内的波段,如 602、1918、2355 nm等波
段,而少数波段则距显著相关波段较远,如 971、
1065 nm等.已有研究中,也有学者采用敏感波段一
定范围内的光谱均值作为输入变量构建模型,如卢
艳丽等[27]选择 600 nm 原始光谱反射率、570 ~ 590
nm以及1380 ~ 1400 nm的一阶导数光谱平均值等
0492 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
图 4摇 土壤有机质含量预测值与实测值的比较
Fig. 4摇 Comparison of predicted and measured values of soil or鄄
ganic matter content.
构建了 SOM含量预测模型,模型预测值与实测值的
R2为 0郾 84, RMSE为 0郾 23,预测精度较高.说明简单
相关分析结果可为敏感波段的筛选提供依据,但单
纯依赖简单相关分析确定敏感波段并作为自变量构
建模型存在一定的片面性和局限性,较难取得理想
的建模效果.
利用 Bior 1郾 3 小波对输入光谱信号进行多层分
解,基于显著相关波段建模的最高 R2为 0郾 59,比原
始输入光谱所建模型的 R2提高了 0郾 14;基于各层特
征光谱建模的最高 R2为 0郾 89,比原始输入光谱所建
模型的 R2提高了 0郾 10,说明小波分析可提高 SOM
高光谱预测建模精度. 目前常用的小波函数有
Haar、Daubechies(dbN)、Biorthogonal、Morlet、Meryer、
Symlet、Coiflet等 15 种,国内在土壤光谱信息提取方
面的研究还相对较少,采用的小波函数也各不相同.
如郑立华等[25]采用 Biorthogonal 小波包对土壤近红
外光谱进行分解,用于土壤参数预测;杨苗等[28]运
用 Coiflet小波函数对土壤光谱信息进行滤波处理,
预测 SOM 含量;刘炜等[15]选取 Sym 8 作为小波母
函数,对土壤原始光谱及其对数的一阶导数光谱进
行去噪,研究了土壤有机质的光谱特征. 目前,国内
根据土壤光谱特征选择最佳的小波分解函数研究处
于起步阶段,尚需深入研究.
综合简单相关和多元逐步回归分析结果,本文
确定了提取土壤有机质特征光谱的最佳小波分解层
数是 9 层,其次是 8 层和 10 层,为土壤有机质特征
光谱提取提供了依据.目前,用于土壤有机质含量高
光谱估测模型构建的方法有多种,如主成分回
归[27]、多元逐步线性回归[11,27]、偏最小二乘法回
归[25]和人工神经网络[9]等.采用其他方法是否会得
出相同结论,能否再提高建模精度,需进一步探索.
对于构建的最佳模型,比较选定 15 个样本和其
余 408 个样本所构建的最佳模型的验证结果可见,
模型对于其余样本的预测精度低于选定样本的预测
精度,尤其是对于土壤有机质含量在选定样本含量
范围之外的样点,预测精度偏低.模型对其余 408 个
样本预测的决定系数为 0郾 77,说明该模型也可用于
全部样本土壤有机质含量的估算.
最佳模型建立在土壤有机质含量特征光谱提取
的基础上,对土壤有机质含量预测的针对性较强.模
型使用了 9 个波段,并且需要对原始反射率对数的
一阶导数进行小波变换,计算量较大,但通过采用计
算机技术或程序语言可快速、准确、自动实现,从而
解决了实际应用中的计算问题.
4摇 结摇 摇 论
本研究在对土壤光谱的对数进行一阶导数变换
的基础上,采用小波分析对光谱数据进行多层离散
分解,提取 SOM的特征光谱,利用简单相关分析筛
选 SOM 的显著相关波段,分别进行 SOM 含量的显
著相关波段回归分析和特征光谱曲线回归分析. 结
果表明:相对于原始输入光谱,小波分解 8、9、10 层
得到的特征光谱与土壤有机质含量的相关性有所增
强,提取土壤有机质特征光谱的最佳小波分解尺度
是 9 层;小波分解 8、9 层的建模精度均优于原始光
谱,基于小波 9 层分解特征光谱构建的土壤有机质
含量多元逐步回归模型为最佳模型;基于特征光谱
曲线的多元逐步回归模型的精度明显高于基于显著
相关波段的多元回归模型. 小波分析作为一种从高
光谱数据提取特征信息的方法,结合多元逐步回归
分析,用于土壤有机质遥感定量估算,具有可行性.
参考文献
[1]摇 Krishnan P, Alexander JD, Butler BJ, et al. Reflec鄄
tance technique for predicting soil organic matter. Soil
Science Society of America Journal, 1980, 44: 1282 -
1285
[2]摇 Morra MJ, Hall MH, Freeborn LL. Carbon and nitrogen
analysis of soil fractions using near鄄infrared reflectance
spectroscopy. Soil Science Society of America Journal,
149211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 陈红艳等: 基于小波变换的土壤有机质含量高光谱估测摇 摇 摇 摇 摇 摇
1991, 55: 288-291
[3]摇 Peng J (彭摇 杰), Zhang Y鄄Z (张杨珠), Zhou Q (周
清), et al. The progress on the relationship physics鄄
chemistry properties with spectrum characteristic of the
soil. Chinese Journal of Soil Science (土壤通报),
2009, 40(5): 1204-1208 (in Chinese)
[4]摇 Galvao LS, Vitorello I. Variability of laboratory meas鄄
ured soil lines of soils from southeastern Brazil. Remote
Sensing of Environment, 1998, 63: 166-181
[5]摇 Sullivan DG, Shaw JN, Rickman D, et al. Using re鄄
mote sensing data to evaluate surface soil properties in
Alabama ultisols. Soil Science, 2005, 170: 954-968
[6] 摇 Li M鄄Z (李民赞). Spectral Analysis Technology and
Applications. Beijing: Science Press, 2006 ( in Chi鄄
nese)
[7]摇 Cheng P鄄G (程朋根), Wu J (吴摇 剑), Li D鄄J (李大
军), et al. Quantitative prediction of soil organic matter
content using hyper spectral remote sensing and geosta鄄
tistics. Transactions of the Chinese Society of Agricultural
Engineering (农业工程学报), 2009, 25(3): 142 -
148 (in Chinese)
[8]摇 Shepherd KD, Walsh MG. Development of reflectance
spectral libraries for characterization of soil properties.
Soil Science Society of America Journal, 2002, 66:
988-998
[9]摇 Zhang J鄄J (张娟娟), Tian Y鄄C (田永超), Zhu Y (朱
艳), et al. Spectral characteristics and estimation of or鄄
ganic matter contents of different soil types. Scientia Ag鄄
ricultura Sinica (中国农业科学), 2009, 42 ( 9 ):
3154-3163 (in Chinese)
[10]摇 He T (何 摇 挺), Wang J (王 摇 静), Lin Z鄄J (林宗
坚), et al. Spectral features of soil organic matter. Geo鄄
matics and Information Science of Wuhan University (武
汉大学学报·信息科学版), 2006, 31(11): 975 -
979 (in Chinese)
[11]摇 Zhou Q (周摇 清). Study on the Hyperspectral Predic鄄
tion Models of Soil Organic Matter and Its Differences
among Soil Types. PhD Thesis. Hangzhou: Zhejiang
University, 2004 (in Chinese)
[12]摇 Xu Y鄄M (徐永明), Lin Q鄄Z (蔺启忠), Wang L (王
璐), et al. Model for estimating soil nutrient elements
based on high resolution reflectance spectra. Acta Ped鄄
ologica Sinica (土壤学报), 2006, 43(5): 709-716
(in Chinese)
[13]摇 Liu H鄄J (刘焕军), Zhang B (张 摇 柏), Zhao J (赵
军), et al. Spectral models for prediction of organic
matter in Black soil. Acta Pedologica Sinica (土壤学
报), 2007, 44(1): 27-32 (in Chinese)
[14]摇 Chu X鄄L (褚小立), Yuan H鄄F (袁洪福), Lu W鄄Z
(陆婉珍). Progress and application of spectral data
pretreatment and wavelength selection methods in NIR
analytical technique. Progress in Chemistry (化学进
展), 2004, 16(4): 528-542 (in Chinese)
[15]摇 Liu W (刘摇 炜), Chang Q鄄R (常庆瑞), Guo M (郭
曼), et al. Application of wavelet transformation in de鄄
tection of organic matter content based on visible / near
infrared reflectance spectroscopy. Agricultural Research
in the Arid Areas (干旱地区农业研究), 2010, 28
(5): 241-246 (in Chinese)
[16]摇 Zheng L鄄H (郑立华), Li M鄄Z (李民赞), Sun H (孙
红). Development of an analyzing system for soil pa鄄
rameters based on NIR spectroscopy. Spectroscopy and
Spectral Analysis (光谱学与光谱分析), 2009, 29
(10): 2633-2636 (in Chinese)
[17] 摇 Li J (李 摇 军), Li P鄄J (李培军), Guo J鄄C (郭建
聪). Method of selecting decomposition resolution in the
hyperspectra feature extraction based on wavelet discrete
transform. Progress in Natural Science (自然科学进
展), 2007, 17(11): 1500-1508 (in Chinese)
[18]摇 Wang D鄄K (王大凯), Peng J鄄Y(彭进业). Wavelet
Analysis and Its Applications to Signal. Beijing: Elec鄄
tronics Industry Press, 2006 (in Chinese)
[19]摇 Ge Y, Thomasson JA. Wavelet incorporated spectral
analysis for soil property determination. Transactions of
the ASABE, 2006, 49: 1193-1201
[20]摇 Song K鄄S (宋开山), Zhang B (张摇 柏), Wang Z鄄M
(王宗明), et al. Soybean chlorophyll a concentration
estimation models based on wavelet transformed in situ
collected canopy hyperspectral data. Chinese Journal of
Plant Ecology (植物生态学报), 2008, 32(1): 152-
160 (in Chinese)
[21]摇 Guo Y鄄Y (郭洋洋), Zhang L鄄P (张连蓬), Wang D鄄G
(王德高), et al. Application of wavelet analysis for de鄄
termining chlorophyll concentration in vegetation by hy鄄
perspectral reflectance. Bulletin of Surveying and Map鄄
ping (测绘通报), 2010(8): 31-34 (in Chinese)
[22]摇 Jahn BR, Brooksby PA, Upadhyaya SK. Wavelet鄄based
spectral analysis for soil nitrate content measurement.
Transactions of the ASAE, 2005, 48: 2065-2071
[23] 摇 Si BC. Spatial scaling analysis of soil physical proper鄄
ties: A review of spectral and wavelet methods. Vadose
Zone Journal, 2008, 7: 547-562
[24]摇 Song K鄄S (宋开山), Zhang B (张摇 柏), Wang Z鄄M
(王宗明), et al. Wavelet transformation of in situ
measured hyperspectral data in Glycinemax LAI estima鄄
tion. Chinese Journal of Ecology (生态学杂志), 2007,
26(10): 1690-1696 (in Chinese)
[25]摇 Zheng L鄄H (郑立华), Li M鄄Z (李民赞), Pan L (潘
娈), et al. Application of wavelet packet analysis in es鄄
timating soil parameters based on NIR spectra. Spectros鄄
copy and Spectral Analysis (光谱学与光谱分析),
2009, 29(6): 1549-1552 (in Chinese)
[26]摇 Fang M鄄H (方美红), Liu X鄄N (刘湘南). Estimation
of nitrogen content in rice leaves with hyperspectral re鄄
flectance measurements using wavelet analysis. Journal
of Applied Sciences (应用科学学报), 2010, 28(4):
387-393 (in Chinese)
[27]摇 Lu Y鄄L (卢艳丽), Bai Y鄄L (白由路), Yang L鄄P (杨
俐苹), et al. Application of hyperspectral data for soil
organic matter estimation based on principle components
regression analysis. Plant Nutrition and Fertilizer Science
(植物营养与肥料学报), 2008, 14(6): 1076-1082
(in Chinese)
[28]摇 Yang M (杨 摇 苗), Zuo M鄄Y (左明月), Yang P鄄G
(杨萍果). Prediction of soil organic matter with neat鄄
infrated spectroscopy treated by wavelet transformation.
Journal of Shanxi Agricultural University (山西农业大
学学报), 2010, 30(2): 154-158 (in Chinese)
作者简介 摇 陈红艳,女,1979 年生,博士研究生,讲师. 主要
从事农业遥感与信息技术研究,发表论文 11 篇. E鄄mail: kjt
@ sdau. edu. cn
责任编辑摇 杨摇 弘
2492 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷