土壤有机质高光谱自反馈灰色模糊估测模型

于锦涛,李西灿,曹双,刘法军

土壤有机质高光谱自反馈灰色模糊估测模型

于锦涛1,李西灿1,曹双1,刘法军2*

1. 山东农业大学信息科学与工程学院, 山东 泰安 271018 2. 山东省地质矿产勘查开发局第五地质大队, 山东 泰安 271000

为克服光谱估测中的不确定性和提高光谱估测精度，本文利用灰色系统理论和模糊理论建立土壤有机质高光谱估测模型。基于山东省济南市章丘区和济阳区的121个土壤样本数据，首先对土壤光谱数据进行光谱变换，根据极大相关性原则选取光谱估测因子；然后，利用区间灰数的广义灰度对建模样本和检验样本的估测因子进行修正，以提高相关性。最后，利用模糊识别理论建立土壤有机质高光谱自反馈模糊估测模型，并通过调整模糊分类数进行模型优化。结果表明，利用区间灰数的广义灰度可有效提高土壤有机质含量与估测因子的相关性，所建估测模型精度和检验精度均显著提高，其中20个检验样本的决定系数为2=0.9408，平均相对误差为6.9717%。研究表明本文所建立的土壤有机质高光谱自反馈灰色模糊估测模型是可行有效的。

土壤有机质; 高光谱遥感; 估测模型

土壤有机质是评定土壤肥力的一个重要指标，快速获取土壤有机质含量对发展精准农业具有现实意义[1]。传统的土壤有机质测定方法虽然精度高，但是操作复杂、监测范围有限、成本较高，难以满足大范围农田精准管理的需要，而高光谱技术具有时效高的特点，可以快速获取土壤光谱信息，为土壤有机质含量监测提供了一种新技术[2,3]。近年来，国内外学者已经开展了土壤有机质含量高光谱估测研究，在光谱特性分析、光谱成因分析、光谱变换、光谱特征提取和估测建模等方面取得了丰富的成果[4,5]。目前，土壤有机质高光谱估测的建模方法主要有多元线性回归[6]、偏最小二乘[7]、神经网络[8]、支持向量机[9]等。随着研究的不断深入，运用多种估测方法进行建模估测已经受到高度重视，同时也涌现出大量的新方法。

由于高光谱数据受到众多因素的影响，且取样点的空间分布也影响有机质含量实测值的代表性，所以土壤光谱估测中不可避免地存在不确定性，即随机性、模糊性和灰色性。因此，一些学者将模糊数学方法或灰色系统理论应用于土壤有机质的定量估测。任文静等提出基于广义灰度[10]的估测因子修正模型，有效提高了估测因子的相关性和土壤有机质含量光谱估测的精度，为修正光谱估测因子提供了一条新途径[11]。基于广义灰度的估测因子修正模型对建模样本进行修正是比较方便的，但如何对检验样本的估测因子进行合理修正有待进一步研究。另外，由于在土壤光谱估测中同时存在随机性、模糊性和灰色不确定性，如何将这三种不确定性理论结合起来，也需要深入探讨。因此，本文将统计分析、模糊识别和灰色关联分析结合起来，开展土壤有机质高光谱估测模型研究。首先，利用统计分析方法对土壤光谱数据进行光谱变换，根据极大相关性原则选取特征波段的光谱变换值作为光谱估测因子。然后，利用区间灰数的广义灰度对建模样本的估测因子进行修正，利用正反向灰色关联度[12,13]计算检验样本估测因子的广义灰度并修正估测因子。最后，利用模糊识别理论建立土壤有机质光谱估测模型，通过调整模糊分类数进行模型优化，并将其应用于山东省济南市章丘区和济阳区的土壤有机质含量光谱估测，取得了较为满意的结果。

1 数据来源及预处理

1.1 实验区概况

实验区选在山东省济南市章丘区和济阳区。章丘区(117°10′～117°35′E，36°25′～37°09′N)位于黄河下游南岸，济阳区(116°52′～117°27′E，36°41′～37°15′N)均位于黄河下游北岸，两区均地处中纬度，年平均气温12.8 °C，水资源和光照资源丰富。章丘区的主要土壤类型为褐土，济阳区的主要土壤类型为沙土。

1.2 土壤样品采集

首先准备好采集土样所需要的仪器设备，做好采样前的准备工作，提前在地图上规划好采样路线。然后，按预定路线，在实验区内较均匀的采集土壤样本，并将采集的土样装袋密封、编号。采样时，主要采集研究区的表层土壤，深度大约在0～5 cm；同时使用手持GPS对采样点定位，并记录土壤利用类型、坡度等信息。本次实验共采集121个土壤样本。

1.3 光谱测量及有机质含量测定

将采集的121个样本分别分为两份，一份用于测量土壤光谱反射率，另一份用于测量有机质含量。使用美国ASD FieldSpecPro FR光谱仪采集土样的光谱数据，该仪器波段范围为350 nm～2500 nm。选择无风、晴朗的天气，在上午10至下午14点间测量室外土样光谱。采集光谱数据时，传感器与土样距离15 cm，采用3°视场角照射, 光谱重采样间隔设定为1 nm，每个样本进行5次光谱测量，取其平均值，以减少误差。

采用重铬酸钾—外加热法测定土样的有机质含量(单位:%)，其中有机质含量的最大值、最小值、平均值和标准差分别为29.38%，6.74%，19.63%，4.79%。

1.4 光谱数据预处理

土壤样本光谱测定受到多种因素的影响，因此需要对光谱曲线进行平滑处理，以消除噪声。首先利用View Spec Pro软件对土壤光谱数据进行断点校正；然后采用九点加权移动平均方法进行平滑去噪；最后按照有机质含量由小到大的顺序将样本排序，并绘制光谱曲线图，根据有机质含量越高光谱反射率越低的原则，观察光谱曲线走势，将异常样本剔除。

编号为32、33、41、48、60和63的样本与光谱数据整体趋势存在较大偏差，故将其剔除。剩余的115个样本用于实验分析，其中随机选取20个样本作为检验样本，其余的95个样本用于建模。

1.5 光谱特征提取

为提高光谱反射率与土壤有机质含量间的相关性，使用一阶微分、对数倒数的一阶微分等10种数学变换方法对原始光谱数据进行处理。实验发现，对数倒数的一阶微分和平方根倒数的一阶微分变换效果最好。然后依据极大相关性原则选取特征波段，并考虑到相邻波段因子之间的相关性较高，按照尽可能离散的原则，选取了7个特征波段作为估测因子(表1)。其中，854 nm波段采用平方根倒数的一阶微分变换的数据，其余6个波段采用对数倒数的一阶微分变换的数据。由表1可见，7个特征波段经变换处理后的相关系数得到了明显增高。

表1 土壤有机质的光谱特征波段及相关系数

2 建模方法

2.1 基于广义灰度的估测因子修正模型

为克服估测因子的量纲量级的影响，对估测因子进行归一化处理。为进一步提高估测因子与土壤有机质含量之间的相关性，首先将估测因子转化为区间灰数，并用广义灰度[10]表示，然后根据广义灰度的内在信息构建估测因子的修正模型，即：

由于未知检验样本的有机质含量，所以不能按建模样本估测因子的修正方法计算检验样本的修正因子。因此，本文采用正反向灰色关联度[12]先识别出与检验样本最接近的两个已知模式样本，然后根据模式样本估测因子取值域的灰度，以关联度为权重利用加权平均法计算出检验样本估测因子的取值域的灰度，再计算出其下限域和上限域的灰度[13]；最后利用式(1)修正估测因子。

2.2 基于模糊识别的权重自反馈预测模型

可见，估测因子修正模型及有机质含量预测模型的优化均是通过循环迭代自动完成的。因此，本文所建的模型不妨称之为土壤有机质高光谱自反馈灰色模糊估测模型。

2.3 模型精度检验

3 结果与分析

3.1 估测结果

表2 建模样本特征因子的相关系数

在估测因子修正后，采用自反馈灰色模糊预测模型进行建模和估测(结果略)，其中检验样本有机质含量的实测值与预测值的关系，如图1所示。

图1 20个检验样本的估测结果

3.2 对比分析

为了验证本文所建估测模型的有效性，再利用多元线性回归、BP神经网络和支持向量机等常用方法对土壤有机质含量进行估测，20个检验样本的估测结果见表3。

表3 因子修正前后的估测结果对比分析

由表3可见，在估测因子修正前，利用多元线性回归、BP神经网络和支持向量机估测结果的2均小于0.82，在13%左右，而利用本文方法估测的平均相对误差为8.1526%，2为0.9115。在估测因子修正后，利用多元线性回归、BP神经网络和支持向量机估测结果的2均小于0.91，最小为7.6439%，而自反馈灰色模糊估测模型的平均相对误差为6.9717%，2为0.9408。这说明本文提出的估测模型是有效的。目前，国内外众多学者关于土壤有机质的估测领域也有许多成果，绝大多数模型的决定系数在0.7～0.9[16,17]之间，也有部分研究的估测结果达到0.9[18,19]以上。相较而言，本文提出的估测模型具有较高的估测精度。

4 结论

针对光谱估测中的随机性、模糊性和灰色不确定性，本文将统计分析、灰色分析和模糊识别理论相结合，建立了土壤有机质含量高光谱自反馈灰色模糊估测模型。该模型理论基础严密，易于程序化，为高光谱估测建模提供了一条新途径。应用实例说明本文提出的估测模型是可行有效的。

[1] 钟浩,李西灿,翟浩然,等.基于表层土壤光谱的耕层土壤有机质间接估测[J].安徽农业大学学报,2020,47(3):421-426

[2] 石朴杰,王世东,张合兵,等.基于高光谱的复垦农田土壤有机质含量估测[J].土壤,2018,50(3):558-565

[3] 章涛,于雷,易军,等.高光谱小波能量特征估测土壤有机质含量[J].光谱学与光谱分析, 2019,39(10):3217-3222

[4] 周倩倩,丁建丽,唐梦迎,等.干旱区典型绿洲土壤有机质的估测及影响因素研究[J].土壤学报,2018,55(2):313-324

[5] 于雷,洪永胜,周勇,等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报,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] 钟浩,李西灿,翟浩然,等.耕层土壤有机质高光谱间接估测模型[J].测绘科学技术学报,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] 任文静,李西灿,刘杰亚,等.正反向灰色关联度的土壤有机质含量高光谱估测[J].山东农业大学学报(自然科学版), 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] 李希灿.模糊数学方法及应用[M].北京:化学工业出版社,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·买明,王雪梅.连续小波变换的土壤有机质含量高光谱估测[J].光谱学与光谱分析,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,任文静,李丽,等.基于灰数灰度的土壤有机质高光谱估测[J].山东农业大学学报(自然科学版),2022,53(1):85-89

[19] 勾宇轩,赵云泽,李勇,等.基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演[J].农业机械学报,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

泰安市科技创新发展项目(2021NS090);山东省自然科学基金项目(ZR2022QG037)

于锦涛(1998-),男,硕士研究生,主要从事高光谱技术与应用研究. E-mail:1436241662@qq.com

通讯作者:Author for correspondence.E-mail:876557655@qq.com