基于HJ1A_HSI超光谱影像的耕地有机质遥感定量反演

第２７卷　第６期２０１１年１１月地理与地理信息科学Ｇｅｏｇｒａｐｈｙ　ａｎｄ　Ｇｅｏ－Ｉｎｆｏｒｍａｔｉｏｎ　ＳｃｉｅｎｃｅＶｏｌ．２７　Ｎｏ．６Ｎｏｖｅｍｂｅｒ　２０１１ 收稿日期：２０１１－０９－１２；　修订日期：２０１１－１０－１３ 基金项目：国家科技支撑计划项目（２００８ＢＡＪ０８Ｂ０３） 作者简介：顾晓鹤（１９７９－），男，助理研究员，主要研究方向为农业遥感应用。

＊通讯作者Ｅ－ｍａｉｌ：ｐａｎｙｃ＠ｎｅｒｃｉｔａ．ｏｒｇ．ｃｎ基于ＨＪ１Ａ－ＨＳＩ超光谱影像的耕地有机质遥感定量反演顾晓鹤１，王　堃１，潘瑜春１＊，蔡玉梅２，黄文江１，王慧芳１，３（１．北京农业信息技术研究中心，北京１０００９７；２．中国土地勘测规划院，北京１０００３５；３．浙江大学农业遥感与信息技术应用研究所，浙江杭州３１００２９）摘要：以环境小卫星超光谱影像为主要数据源，在耕地有机质实测样本的支持下，开展光谱反射率及其变化形式与有机质的相关性分析，筛选耕地有机质响应的敏感波段与特征组合算法，利用多元回归分析方法，建立基于ＨＳＩ影像的耕地有机质定量反演模型。

研究结果表明，耕地有机质的ＨＳＩ影像响应波段均位于可见光与近红外波段间，其中以５４０～８６０ｎｍ范围最佳，相关系数均在０．５左右；ＨＳＩ反射率对数一阶微分预测模型精度最高，模型及其检验的决定系数都在０．７以上，均方根误差在０．２％左右，可用于顺义区耕地有机质全覆盖空间填图。

因此，环境小卫星的超光谱影像对耕地有机质含量具有较好的光谱响应能力，其空间覆盖能力有助于开展县域尺度的耕地有机质遥感反演和空间填图。

关键词：有机质；ＨＳＩ；多元回归分析；空间填图中图分类号：ＴＰ７９ 文献标识码：Ａ 文章编号：１６７２－０５０４（２０１１）０６－００６９－０５０　引言有机质是耕地肥力中重要的指标，对其他养分因子以及土壤的各种理化性质也有重要影响［１］。

掌握有机质含量的空间变化规律对耕地肥力的调节及农业生产的可持续发展有重要的现实意义［２］。

传统的地统计定量预测法在大尺度有机质空间格局监测中得到了大量应用，但通常要求规范的采样方法和大量的野外样本，导致野外采样和室内分析工作量大、实时性差［３，４］。

自２０世纪７０年代开始，国内外学者在土壤有机质高光谱响应方面开展了大量的研究［５－７］，但大多集中在室内或田间操作层面，研究结果存在不一致性且实用性有待提高［８］。

而利用航空高光谱遥感影像反演土壤有机质的研究还少有尝试［９］，且数据获取成本太高，其应用可行性和普及性有待进一步提高。

一些学者将遥感技术与空间分析技术相结合开展大尺度有机质空间格局的尝试性研究［１０，１１］，总结出一些定量遥感反演模型，但存在结论不一致、尺度不一致以及遥感数据源不一致等问题。

环境与灾害监测预报小卫星星座Ａ、Ｂ星（简称环境小卫星，简写ＨＪ－１Ａ／１Ｂ）于２００９年３月３０日交付使用。

其中ＨＪ－１Ａ星携带的超光谱成像仪（Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｉｍａｇｉｎｇ　Ｒａｄｉｏｍｅｔｅｒ，ＨＳＩ）拥有１１５个探测波段，波段范围为０．４５～０．９５μｍ，平均光谱分辨率为５ｎｓ，幅宽５０ｋｍ，空间分辨率１００ｍ，是国内首先采用静态干涉型成像光谱技术原理研制而成的，具有稳定性好、光谱线性度高、光谱范围宽等特点，为空间尺度的耕地有机质定量反演提供了可靠的遥感数据源［１２］。

本文以ＨＪ－１Ａ超光谱影像为主要数据源，在耕地有机质实测样本的支持下，进行光谱反射率及其变化形式与有机质的相关性分析，筛选耕地有机质响应的敏感波段与特征组合算法，利用多元回归分析方法，建立基于ＨＳＩ影像的耕地有机质定量反演模型，实现县域尺度的耕地有机质空间分布填图，为有机质高光谱响应模型由点及面空间拓展提供方法借鉴。

１　材料与方法１．１　研究区概况研究区选取北京市东北郊的顺义区，北纬４０°０１′～４０°１８′，东经１１６°２８′～１１６°５９′（图１）。

该区气候温和，水资源相对丰富，具有较为优越的农业生产条件。

全区土地面积１　０１９．３７ｋｍ２，其中耕地面积５０　２９１ｈｍ２，占北京市耕地面积的１４．９％，耕地以冬小麦—夏玉米一年两熟制种植方式为主。

１．２　数据获取本研究使用的ＨＪ－１Ａ超光谱数据成像时间为２００９年６月１０日，轨道号为１／６６。

该时期小麦已收获，而玉米在影像上主要表现裸土特征，所以该时期影像主要呈裸土特征，有利于反演土壤有机质含量，避免受到作物覆盖的影响。

图１　研究区空间位置与ＨＳＩ影像Ｆｉｇ．１　Ｌｏｃａｔｉｏｎ　ｏｆ　ｓｔｕｄｙ　ａｒｅａ　ａｎｄ　ＨＳＩ　ｉｍａｇｅ野外实测样本为２００９年７月初获取的３７个土壤样点数据，取样的耕地地块面积不小于３ｈｍ２。

考虑土壤类型和耕地利用方式，取样深度０～３０ｃｍ，３点取土混合，形成土壤样本。

室内处理包括风干、磨碎、过筛６０目、测定有机质含量，有机质分析测定采用磷酸浴重铬酸钾法。

本研究还采用了２００７年更新的北京市耕地本底数据，用于界定耕地范围。

１．３　数据处理方法１．３．１　遥感影像预处理　遥感数据预处理包括几何纠正、大气校正和投影变化等。

大气校正采用ＦＬＡＡＳＨ模型，模型输入参数可从遥感影像的头文件中获取（表１）；几何纠正采用双线性内差的多项式纠正方法，误差控制在０．５个像元；遥感数据的投影方式均转为ＵＴＭ，地理坐标系为ＷＧＳ８４。

表１　ＨＳＩ影像的ＦＬＡＡＳＨ大气校正参数设置Ｔａｂｌｅ　１　Ｐａｒａｍｅｔｅｒｓ　ｏｆ　ａｔｍｏｓｐｈｅｒｉｃ　ｃａｌｉｂｒａｔｉｏｎ　ｏｆ　ＨＳＩｉｍａｇｅ　ｔｈｒｏｕｇｈ　ＦＬＡＡＳＨ　ｍｏｄｅｌ成像日期２００９－０６－１０大气模式Ｍｉｄ－Ｌａｔｉｔｕｄｅ　Ｓｕｍｍｅｒ气溶胶类型Ｒｕｒａｌ中心纬度（°）　４０．２５４１传感器高度６５０ｋｍ中心经度（°）１１６．８４７海拔高程０．０５ｋｍ水汽吸收波段８２０ｎｍ１．３．２　超光谱影像反射率变换　以ＨＳＩ影像的光谱反射率及多种数学变化形式作为特征向量，与耕地有机质进行相关性分析，筛选对有机质含量敏感的光谱波段。

各种变化形式分别是：反射率的倒数１／Ｐ、反射率的对数ｌｇＰ、反射率对数的倒数１／ｌｇＰ、反射率一阶微分（Ｐ）′、反射率倒数的一阶微分（１／Ｐ）′、反射率对数的一阶微分（ｌｇＰ）′、反射率对数的倒数的一阶微分（１／ｌｇＰ）′。

有研究表明［１３，１４］，对反射率值进行微分变换有助于限制低频噪声对目标光谱的影响。

对于光谱反射率的微分计算，一般用光谱的差分作为微分的有限近似，其表达式如下：（Ｐ）′＝［Ｐ（λｉ）－Ｐ（λｉ－１）］／２Δλ（１）式中：Ｐ为各波段的波长，（Ｐ）′为波长的一阶微分光谱，Δλ是波长λｉ到波长λｉ－１的间隔。

１．３．３　逐波段相关性分析　利用土壤样本的有机质含量与光谱反射率及其变化形式进行逐波段相关性分析，获取每个波段与有机质含量的相关系数Ｒ，计算公式如下：Ｒ＝∑Ｎｎ＝１（Ｐｎｉ－珚Ｐｉ）（ＳＯＭｎ－ＳＯＭ）∑Ｎｎ＝１（Ｐｎｉ－珚Ｐｉ）２∑Ｎｎ＝１（ＳＯＭｎ－ＳＯＭ）槡２（２）式中：Ｒ为土壤有机质含量ＳＯＭ与光谱反射率或其变换形式的单相关系数，ｉ为波段序号，Ｐｎｉ为第ｎ个土壤样本第ｉ波段的光谱反射率值（或其变换形式值），珚Ｐｉ为Ｎ个土壤样本在ｉ波段光谱反射率（或其变换形式）的平均值，ＳＯＭｎ为第ｎ个土样的有机质含量，ＳＯＭ为实测的Ｎ个土壤样本的有机质含量平均值，Ｎ为土壤样本的个数。

１．３．４　模型建立与检验　土壤的光谱反射率受到多种因素综合影响，其特性也会体现在不同的敏感波段上。

相关性分析有助于找到与土壤特性响应敏感的某几个波段，并最终建立土壤特性预测的多元回归方程。

通过光谱反射率及其各种变换形式与土壤有机质含量的相关性分析，确定敏感波段，进而通过多元线性回归方法建立预测模型。

本研究从３７个土壤样本中随机抽取２５个建立多元线性回归模型，其余１２个样本用于预测模型的精度验证，通过相关系数、相对均方根误差（ＲＭＳＥ）进行评价。

ＲＭＳＥ＝∑Ｎｎ＝１（ＳＯＭｉ－ＰＳＯＭｉ）２槡Ｎ（３）式中：ＳＯＭｉ和ＰＳＯＭｉ分别为耕地有机质含量的实测值和预测值，Ｎ为土壤样本数（Ｎ＝１２）。

２　结果与分析２．１　ＨＳＩ影像有机质敏感波段筛选图２显示了通过实测耕地土壤样本获得的ＨＳＩ影像１１５个波段反射率及其各种变化形式与耕地有机质含量的相关系数。

通过分析耕地有机质与ＨＳＩ影像的反射率及变化特征之间的相关性（表２），筛选有机质敏感波段与变化形式。

１）光谱反射率：有机质含量与光谱反射率呈负相关，相关系数的两个峰值为－０．５４（５４６．７５ｎｍ处）和－０．５２（６６４．９ｎｍ处）。

２）光谱反射率倒数：有机质含量与其既有正相关又有负相关关系，相页０７第地理与地理信息科学 第２７卷图２　光谱反射率及其变换形式与有机质含量之间的相关系数Ｆｉｇ．２　Ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔ　ｂｅｔｗｅｅｎ　ｄｉｆｆｅｒｅｎｔ　ｔｒａｎｓｆｏｒｍ　ｆｏｒｍ　ｏｆ　ｒｅｆｌｅｃｔｉｖｉｔｙ　ａｎｄ　ｏｒｇａｎｉｃ　ｍａｔｔｅｒ关系数的两个峰值分别为０．５３（５２４．１７ｎｍ）和－０．５０（６６９．２９ｎｍ）。

３）光谱反射率对数：有机质含量与其呈负相关，相关系数的两个峰值分别为－０．５３（５２４．１７ｎｍ）和－０．５１（６７３．７３ｎｍ）。

４）光谱反射率对数的倒数：有机质含量与其呈正相关，相关系数的峰值为０．５４（５４６．７５ｎｍ）和０．５２（６６９．２９ｎｍ）。

５）有机质含量与４种微分变化形式的相关系数的两个峰值分别为－０．４２（６６０．５８ｎｍ）和－０．４４（８５５．３５ｎｍ）、－０．５２（８６２．６２ｎｍ）和０．５２（５２１．４８ｎｍ）、－０．５０（５２１．４８ｎｍ）和０．４６（８６２．６２ｎｍ）、－０．４４（８５５．３５ｎｍ）和０．４３（５２１．４８ｎｍ），可作为输入变量构建有机质含量预测模型。

表２　不同变换形式与有机质相关系数的峰值及其所在波段位置Ｔａｂｌｅ　２　Ｔｈｅ　ｐｅａｋ　ｖａｌｕｅ　ｏｆ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｒｅｆｌｅｃｔｉｖｉｔｙ　ｔｒａｎｓｆｏｒｍ　ｆｏｒｍ　ａｎｄ　ｏｒｇａｎｉｃ　ｍａｔｔｅｒ　ａｎｄ　ｉｔｓ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｂａｎｄ　ｐｏｓｉｔｉｏｎ页１７第第６期顾晓鹤等：基于ＨＪ１Ａ－ＨＳＩ超光谱影像的耕地有机质遥感定量反演２．２　多元回归分析通过逐波段对８种变化形式的相关性分析，筛选出各种变化形式的敏感波段，在野外样本数据支持下，采用多元线性回归方法，对各种因变量分别构建有机质反演模型（表３），进而通过实测样本进行精度验证，确定ＨＳＩ影像的耕地有机质最优反演模型。