基于高光谱的桂东北峰丛洼地土壤有机碳含量预测

唐梅蓉; 杨奇勇; 唐海涛

doi:10.11932/karst2021y36

基于高光谱的桂东北峰丛洼地土壤有机碳含量预测

doi: 10.11932/karst2021y36

唐梅蓉^{1, 2},
杨奇勇^1,,
唐海涛³

1.
中国地质科学院岩溶地质研究所，广西桂林 541004
2.
中国地质大学（北京），北京 100083
3.
东北农业大学，黑龙江哈尔滨 150030

基金项目:

国家重点研发计划项目 2016YFC0502404

广西重点研发计划桂科AB20159022

详细信息

作者简介:
唐梅蓉（1996-），硕士研究生，研究方向：国土资源调查与管理。E-mail：809497241@qq.com。

通讯作者:
杨奇勇（1976-），研究员，研究方向：水土资源评价、GIS和遥感应用。E-mail：yangqiyong0739@163.com。

中图分类号: S153.6
计量
- 文章访问数: 961
- HTML浏览量: 829
- PDF下载量: 5
- 被引次数: 0
出版历程
- 收稿日期: 2021-03-30
- 刊出日期: 2021-10-25

Prediction of soil organic carbon content based on hyperspectral data in peak-cluster depressions, northeastern Guangxi

1.
Institute of Karst Geology，CAGS，Guilin，Guangxi 541004，China
2.
China University of Geosciences （Beijing），Beijing 100083，China
3.
Northeast Agricultural University，Harbin ，Heilongjiang 150030， China

Funds:

2016YFC0502404

桂科AB20159022

摘要

摘要: 以桂东北寨底峰丛洼地土壤为研究对象，利用二阶微分和去除包络线二阶微分方法对土壤光谱进行处理，筛选出3种光谱指数与土壤有机碳（SOC）相关系数最高的特征波段，通过比较偏最小二乘回归、多元线性回归与多元逐步回归等模型的精度，确定SOC最佳估测模型。结果表明：（1）研究区土壤样品有机碳质量分数最小值为 0.20%，最大值为6.06%，变异系数为63.28%，具有中等强度的空间异质性；（2）二阶微分光谱指数建立的多元线性回归模型精度优于原始光谱反射率及包络线二阶微分的模型；（3）二阶微分、包络线二阶微分光谱指数建立的偏最小二乘回归预测模型均比通过原始数据建立的模型精度高出0.3；（4）基于二阶微分所建立的多元逐步回归模型具有较高的预测精度（R²=0.75，均方根误差RMSE=4.83和较大的剩余估计偏差RPD=2.00）。
- 峰丛洼地 /
- 高光谱预测 /
- 有机碳 /
- 多元线性回归 /
- 偏最小二乘回归
Abstract: The study is conducted to overcome the difficulties in hyperspectral prediction of soil organic carbon（SOC）content in crested depressions and to improve the accuracy of SOC content prediction. In this paper， the soil of the Zaidi peak cluster depressions in northeastern Guangxi is taken as research prediction. The three characteristic bands with the highest correlation coefficients between the spectral indices and soil organic carbon are selected by second-order derivative and removal of envelope second-order derivatives of soil spectra. The model accuracy is compared by partial least squares regression， multiple linear regression and multiple stepwise regression to determine the optimal estimation model for SOC. The results show that，（1）The minimum value of organic carbon mass fraction of soil samples in the study area is 0.20% and the maximum value is 6.06%，with a coefficient of variation of 63.28% and a moderate intensity of spatial heterogeneity；（2） In the multiple linear regression model， the accuracy of the multiple linear regression model established by the second-order differential spectral index is better than that of the original spectral reflectance and the second-order differential of the envelope；（3） In the partial least squares regression model， the spectral index of the second-order differential and that of envelope second-order differential to build the partial least squares regression prediction model are all 0.3， more accurate than the model built from the original data；（4） In the multivariate stepwise regression model， the multiple stepwise regression model based on second-order differentiation has a high prediction accuracy （R² = 0.75，root mean square error RMSE = 4.83 and large residual estimation bias RPD = 2.00）. This study can provide a reference for the optimization of the prediction model of soil organic carbon content in the crest depression and provide a basis for the restoration of the regional ecological environment.
- peak-cluster depression /
- hyperspectral prediction /
- organic carbon /
- multiple linear regression /
- partial least square regression
注释:

1) 唐梅蓉，杨奇勇，唐海涛.基于高光谱的桂东北峰丛洼地土壤有机碳含量预测［J］.中国岩溶，2021，40（5）：876-883.

HTML

图 1 研究区域位置及采样点分布

Figure 1. Location of the study area and distribution of sampling points

下载: 全尺寸图片幻灯片

表 1 光谱指数及公式

Table 1. Spectral indices and formula

光谱指数	公式
差值指数(DI)	DI=R1-R2
比值指数(RI)	RI=R1R2
归一化指数(NDI)	NDI=R1-R2R1+R2

注：R_i、R_j 属于 400～2 400 nm 中任意两波段，且 R_i≠R_j。

下载: 导出CSV

表 2 土壤有机碳含量统计结果

Table 2. Statistical results of organic carbon content in soil samples

样本类型	样本数	最小值/%	最大值/%	均值/%	标准差/g⋅kg^-1	变异系数/%
总体样本	89	0.20	6.06	1.68	10.63	63.28
建模样本	60	0.20	6.06	1.69	11.07	65.38
验证样本	29	0.32	4.40	1.65	9.66	58.40

下载: 导出CSV

表 3 土壤有机碳含量与最佳光谱指数的关系

Table 3. Relationship between soil organic carbon content and optimal spectral index

R变换形式	DSI		RSI		NDSI
R变换形式	公式	r	公式	r	公式	r
原始光谱	R₅₆₁,R₅₆₂	0.38**	R₄₀₁,R₄₀₂	0.35**	R_{1 805},R_{1 806}	0.40**
二阶微分	R₅₅₁-R₈₁₆	-0.62**	R₈₇₇/R_{1 181}	0.66**	(R_{1 357}-R_{1 702)}/(R_{1 357}+R_{1 702})	0.64**
去包络线二阶微分	R₅₅₁-R₈₁₆	-0.62**	R_{1 905}/R_{2 308}	0.55**	(R₄₄₃-R₉₆₀)/(R₄₄₃+R₉₆₀)	-0.66**

注：**，相关性在0.01水平上显著（双尾）；r 为相关系数。

下载: 导出CSV

表 4 有机碳含量多元线性回归模型

Table 4. Multiple linear regression model of organic carbon content

	模型	建模集		验证集		RPD
	模型	R²	RMSE/g⋅kg^-1	R²	RMSE/g⋅kg^-1	RPD
原始光谱	Y=804.07-20 038.13b_DSI-828.37b_RSI-59 052.13b_NDSI	0.37	8.54	0.40	9.15	1.06
二阶微分	Y=11.87+180 442.66b_DSI+4.53b_RSI-2.47b_NDSI	0.47	7.89	0.73	5.14	1.88
包络线二阶微分	Y=17.58+194 475.62b_DSI+0.01b_RSI+4.63b_NDSI	0.57	7.07	0.62	6.03	1.60

下载: 导出CSV

表 5 有机碳含量多元逐步回归模型

Table 5. Multiple stepwise regression model of organic carbon content

	模型	建模集		验证集		RPD
	模型	R²	RMSE/g⋅kg^-1	R²	RMSE/g⋅kg^-1	RPD
原始光谱	Y=708.65-124 486.80b_NDSI-10 950.55b_DSI-723.73b_RSI	0.30	9.07	0.50	7.07	1.37
二阶微分	Y=11.75-2.34b_NDSI+172 814.61b_DSI+7.31b_RSI	0.65	7.92	0.75	4.83	2.00
包络线二阶微分	Y=13.695+30 423.15b_DSI-1.16b_NDSI	0.44	11.91	0.35	9.40	1.03

下载: 导出CSV

表 6 有机碳含量偏最小二乘回归模型

Table 6. Partial least squares regression model of organic carbon content

R变换形式	建模集		验证集		RPD
R变换形式	R²	RMSE/g⋅kg^-1	R²	RMSE/g⋅kg^-1	RPD
原始	0.39	8.67	0.33	9.47	1.02
二阶微分	0.41	8.51	0.62	6.04	1.60
包络线二阶微分	0.45	8.18	0.62	6.03	1.60

下载: 导出CSV

参考文献(30)

张雅蓉，李渝，刘彦伶，等.长期施肥对黄壤有机碳平衡及玉米产量的影响［J］.土壤学报，2016，53（5）：1275-1285.

邵明玉，张连凯，刘朋雨，等.夏季黄土丘陵区不同土地利用方式土壤CO2分布特征及影响因素［J］.中国岩溶，2019，38（1）：70-79.

LiangC H， YinY， ChenQ. Dynamics of soil organic carbon fractions and aggregates in vegetable cropping systems［J］. Pedosphere， 2014， 24（5）： 605-612.

张鹏，胡晓农，杨慧，等.云南蒙自断陷盆地石漠化区土壤钙形态特征［J］.中国岩溶，2020，39（3）：368-374.

于雷，洪永胜，耿雷，等.基于偏最小二乘回归的土壤有机质含量高光谱估算［J］.农业工程学报，2015，31（14）：103-109.

赵明松，谢毅，陆龙妹，等.基于高光谱特征指数的土壤有机质含量建模［J］.土壤学报，2021，58（1）：42-54.

国佳欣，朱青，赵小敏，等.不同土地利用类型下土壤有机碳含量的高光谱反演［J］.应用生态学报，2020，31（3）：863-871.

WangX P， ZhangF， DingJ L， et al. Estimation of soil salt content （SSC） in the Ebinur Lake Wetland National Nature Reserve （ELWNNR）， Northwest China， based on a Bootstrap-BP neural network model and optimal spectral indices［J］. Science of the Total Environment， 2018， 615： 918-930.

朱传梅，王宏卫，谢霞，等. 基于光谱指数和机器学习的土壤有机质含量反演［J］. 江苏农业科学， 2020， 48（22）：233-241.

倪隆康，何文，顾大形.广西喀斯特地区土壤Ca含量高光谱反演研究［J］.江西农业大学学报，2020，42（1）：203-212.

张丽，郝梦洁，鲁新新，等.基于光谱数据的南疆农田土壤有机碳含量估算模型研究［J］.塔里木大学学报，2020，32（4）：49-58.

崔霞，宋清洁，张瑶瑶，等.基于高光谱数据的高寒草地土壤有机碳预测模型研究［J］.草业学报，2017，26（10）：20-29.

孙问娟，李新举.煤矿区土壤有机碳含量的高光谱预测模型［J］.水土保持学报，2018，32（5）：346-351.

CambouA， CardinaelR， KouakouaE， et al. Prediction of soil organic carbon stock using visible and near infrared reflectance spectroscopy （VNIRS） in the field［J］. Geoderma， 2016， 261： 151-159.

郭斗斗，黄绍敏，张水清，等.多种潮土有机质高光谱预测模型的对比分析［J］.农业工程学报，2014，30（21）：192-200.

罗梅，郭龙，张海涛，等.基于环境变量的中国土壤有机碳空间分布特征［J］.土壤学报，2020，57（1）：48-59.

杨奇勇，蒋忠诚，马祖陆，等.基于地统计学和遥感的岩溶区石漠化空间变异特征［J］.农业工程学报，2012，28（4）：243-247.

张伟，王克林，陈洪松，等.典型喀斯特峰丛洼地土壤有机碳含量空间预测研究［J］.土壤学报，2012，49（3）：601-606.

刘焕军，吴炳方，赵春江，等.光谱分辨率对黑土有机质预测模型的影响［J］.光谱学与光谱分析，2012，32（3）：739-742.

鲍士旦.土壤农化分析（3版）［M］.北京：中国农业出版社，2007：30-34.

JinX L， DuJ， LiuH J， et al. Remote estimation of soil organic matter content in the Sanjiang Plain， Northest China： The optimal band algorithm versus the GRA-ANN model［J］. Agricultural and Forest Meteorology， 2016， 218/219： 250-260.

郭鹏，李华，陈红艳，等.基于光谱指数优选的土壤盐分定量光谱估测［J］.水土保持通报，2018，38（3）：193-199，205.

MasonR L，GunstR F. Regression analysis and its application： a data-oriented approach［M］.The Chemical Rubber Company Press，1980.https：//doi.org/10.1201/978020374 1054.

XuS X，ShiX Z，WangM Y，et al. Effects of subsetting by parent materials on prediction of soil organic matter content in a hilly area using Vis-NIＲ spectroscopy［J］. PLoS One，2016，11（3）：10.13711 journal.pone.0151536.

ChangC W， LairdD A. Near-infrared reflectance spectroscopic analysis of soil c and N［J］. Soil Science， 2002， 167（2）： 110-116.

刘继龙，刘璐，马孝义，等.不同尺度不同土层土壤盐分的空间变异性研究［J］.应用基础与工程科学学报，2018，26（2）：305-312.

ShiT， CuiL， WangJ， et al. Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy［J］. Plant and soil， 2013，366（1）： 363-375.

史舟，王乾龙，彭杰，等.中国主要土壤高光谱反射特性分类与有机质光谱预测模型［J］.中国科学：地球科学，2014，44（5）：978-988.

卢牧原，刘源，刘桂建.基于组合模型的黑土区土壤有机质含量预测分析［J］.浙江农业学报，2020，32（8）：1427-1436.

唐海涛，孟祥添，苏循新，等.基于CARS算法的不同类型土壤有机质高光谱预测［J］.农业工程学报，2021，37（2）：105-113.

施引文献

资源附件(0)

访问统计