基于高光谱数据的土壤水分、盐分信息联合提取方法与流程

本发明涉及农业领域，更具体地说它是基于高光谱数据的土壤水分、盐分信息联合提取方法。

背景技术：

土壤水分和盐分含量的准确获取对于干旱、半干旱地区的农业发展、生态保护等具有重要作用；传统提取土壤水盐的方法为野外采集样本并带回实验室进行化验，这种方法精度高，但是劳动力成本高，耗时长；利用高光谱遥感数据提取大面积土壤水分和盐分信息是重要的科技支撑；但是，一般提取土壤水分的方法没有考虑土壤盐分的影响，不适合在含盐土壤中使用，因为土壤水分和盐分对土壤光谱有综合影响；同样，一般提取土壤盐分的方法没有考虑土壤水分的影响；因此，利用高光谱数据提取含盐土壤中的土壤水分和盐分信息比较困难；同时，有研究表明，土壤盐分含量较低时，反演困难；干旱、半干旱地区适合作物生长的大田中的盐分含量一般都小于1％，一般的反演模型不适用。

目前使用的卫星高光谱数据、或者地物波谱仪采集的高光谱数据大多表现为反射率数据；可见光、近红外以及短波红外光谱的反射率数据与土壤水分、盐分、有机质、颜色、氧化铁、质地等许多性质有着密切的联系；但是，反射率数据提供的信息量有限，一些其它的光谱特征如光谱曲线的吸收特征，如吸收峰、吸收谷等，光谱曲线的形状特征如拐点、凸点、凹点等，以及基线效应对光谱曲线的影响等，反射率数据都无法直观体现；因此，需要对高光谱反射率数据进行变换处理，如归一化变换、导数变换等。

目前高光谱反演土壤水分或盐分模型的回归方法有偏最小二乘法，神经网络方法，逐步回归方法，多元线性回归方法等；其中线性的偏最小二乘法和非线性的神经网络法能够克服高光谱变量多重共线性的问题，建立高维的回归模型；但是由于模型的变量过多，模型率定的效率较低，且模型的稳定性较差，推广性不强；而逐步回归方法、多元线性回归方法等对变量的个数要求较高，对高维的高光谱数据难以直接使用。

技术实现要素：

本发明的目的是提供一种基于高光谱数据的土壤水分、盐分信息联合提取方法，提高土壤盐分的提取精度。

为了实现上述目的，本发明的技术方案为：基于高光谱数据的土壤水分、盐分信息联合提取方法，其特征在于：包括如下步骤：

步骤1：初步处理遥感高光谱反射率数据，根据反射率求归一化反射率、表观吸收率一阶导数和表观吸收率二阶导数；

步骤2：建立基于主成分分析的评价系统，选取敏感波段

在步骤1所得反射率、归一化反射率、表观吸收率的一阶导数、表观吸收率的二阶导数的高光谱数据基础上，建立基于主成分分析的评价系统(pcar)，选取敏感波段；

步骤3：分别计算土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差和土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差，通过比较土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差、土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差的大小，确定首先反演的变量；

步骤4：步骤3中，当土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差较大时，利用步骤2中的敏感波段，使用逐步回归方法，建立土壤水分含量的反演模型，并根据预测的土壤水分含量将土壤样本进行分区，得到土壤样本区间；

步骤5：利用步骤2中的敏感波段和步骤4中的土壤样本区间，使用逐步回归方法，对每个区间的土壤样本分别建立土壤盐分含量的反演模型；

步骤6：步骤3中，当土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差较大时，利用步骤2中的敏感波段，使用逐步回归方法，建立土壤盐分含量的反演模型，并根据预测的土壤盐分含量将土壤样本进行分区，得到土壤样本区间；

步骤7：利用步骤2中的敏感波段和步骤6中的土壤样本区间，使用逐步回归方法，对每个区间的土壤样本分别建立土壤水分含量的反演模型。

在上述技术方案中，步骤2中，选取的敏感波段分布于可见光、近红外和短波红外范围，所述敏感波段包括440，540，570，1390，1430，1460，1740，1870，1900，1940，2010，2270，2350，2410nm。基于本发明提取的这14个敏感波段为土壤水分、盐分反演的重要波段，分布于400-2500nm范围内的可见光、近红外、以及短波红外范围；所选敏感波段能提高土壤水分、盐分的提取精度,适用性强。

选取的敏感波段不仅适用于本发明实施例，也适用于其它地区。

本发明具有如下优点：

(1)本发明通过建立的主成分分析的评价系统，提取分布于可见光、近红外和短波红外范围的敏感波段；所述敏感波段包括440，540，570，1390，1430，1460，1740，1870，1900，1940，2010，2270，2350，2410nm；敏感波段涵盖了高光谱数据中的有效信息，减少光谱分析的变量数，有助于降低土壤水分、盐分提取方程中的复杂度，提高计算效率和精度；

(2)本发明通过分析土壤水分、盐分作用下混合光谱各波段的方差，确定从混合光谱中提取土壤水分和盐分信息的先后顺序；本发明针对性强，不仅适合从混合光谱中提取土壤水分、盐分信息，而且能够适用于混合光谱分析的其它领域；

(3)能提高土壤盐分的提取精度，选取的敏感波段适应性强(不仅适用于本发明实施例，也适用于其它地区)。

附图说明

图1为本发明实施例流程示意图。

图2为本发明实施例的重采样后土壤样本的反射率光谱结果图。

图3为本发明实施例的归一化反射率结果图。

图4为本发明实施例的归一化后表观吸收率的一阶导数图。

图5为本发明实施例的归一化后表观吸收率的二阶导数图。

图6为本发明实施例的反射率在pcar中前三组得分值曲线图。

图7为本发明实施例的归一化反射率在pcar中前三组得分值曲线图。

图8为本发明实施例表观吸收率一阶导数在pcar中前三组得分值曲线图。

图9为本发明实施例的表观吸收率二阶导数在pcar中前三组得分值曲线图。

图10为本发明实施例中1900nm波段的高光谱数据和土壤样本含水率的相关关系示意图。

图2中，横坐标为波长，单位为nm；纵坐标为反射率；a1为均值+标准差，b1为均值，c1为均值-标准差；

图3中，横坐标为波长，单位为nm；纵坐标为归一化反射率；a2为均值+标准差，b2为均值，c2为均值-标准差；

图4中，横坐标为波长，单位为nm；纵坐标为表观吸收率的一阶导数；a3为均值+标准差，b3为均值，c3为均值-标准差；

图5中，横坐标为波长，单位为nm；纵坐标为表观吸收率的二阶导数；a4为均值+标准差，b4为均值，c4为均值-标准差；

图6中，横坐标为波长，单位为nm；纵坐标为反射率在pcar前三个成分的得分值；d1为第一成分，e1为第二成分；f1第三成分；

图7中，横坐标为波长，单位为nm；纵坐标为归一化反射率在pcar前三个成分的得分值；d2为第一成分，e2为第二成分；f2第三成分；

图8中，横坐标为波长，单位为nm；纵坐标为表观吸收率一阶导数在pcar前三个成分的得分值；d3为第一成分，e3为第二成分；f3第三成分；

图9中，横坐标为波长，单位为nm；纵坐标为表观吸收率二阶导数在pcar前三个成分的得分值；d4为第一成分，e4为第二成分；f4第三成分；

图10中，横坐标为含水率，单位为g/g；纵坐标为反射率。

具体实施方式

下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。

基于高光谱数据的土壤水分、盐分信息联合提取方法，其特征在于：包括如下步骤：

步骤1：初步处理遥感高光谱反射率数据，根据反射率求归一化反射率、表观吸收率一阶导数和表观吸收率二阶导数；

步骤2：建立基于主成分分析的评价系统，选取敏感波段

在步骤1所得反射率、归一化反射率、表观吸收率的一阶导数、表观吸收率的二阶导数的高光谱数据基础上，建立基于主成分分析的评价系统，选取敏感波段；

步骤3：分别计算土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差和土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差，通过比较土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差、土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差的大小，确定首先反演的变量；

步骤4：步骤3中，当土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差较大时，利用步骤2中的敏感波段，使用逐步回归方法，建立土壤水分含量的反演模型，并根据预测的土壤水分含量将土壤样本进行分区，得到土壤样本区间；

步骤5：利用步骤2中的敏感波段和步骤4中的土壤样本区间，使用逐步回归方法，对每个区间的土壤样本分别建立土壤盐分含量的反演模型；

步骤6：步骤3中，当土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差较大时，利用步骤2中的敏感波段，使用逐步回归方法，建立土壤盐分含量的反演模型，并根据预测的土壤盐分含量将土壤样本进行分区，得到土壤样本区间；

步骤7：利用步骤2中的敏感波段和步骤6中的土壤样本区间，使用逐步回归方法，对每个区间的土壤样本分别建立土壤水分含量的反演模型。

步骤2中，选取的敏感波段分布于可见光、近红外和短波红外范围，所述敏感波段包括440，540，570，1390，1430，1460，1740，1870，1900，1940，2010，2270，2350，2410nm。

实施例

本发明以基于高光谱数据的内蒙古某地区的土壤(土壤样本以粘土和粉粘土为主)水分、盐分信息联合提取方法作为实施例来进行详细说明，对于基于高光谱数据的其他地域土壤水分、盐分信息联合提取方法同样具有指导意义。

步骤1：初步处理遥感高光谱反射率数据，根据反射率求归一化反射率、表观吸收率一阶导数和表观吸收率二阶导数；

利用基本影像处理方法重采样和常用数据统计方法初步处理遥感高光谱数据；重采样是根据一类象元的信息内插出另一类象元信息的过程；在遥感中，重采样是从高分辨率遥感影像中提取出低分辨率影像的过程；

使用美国asd(analyticalspectraldevice)公司生产的agrispec光谱仪测量土壤样本光谱信号，仪器提供的光谱范围是350～2500nm，分辨率是1nm；为了缩小数据量，同时加强模型的推广性，使模型能够方便运用于已有的eo-1hyperion传感器提供的高光谱数据(分辨率10nm)，通过光谱平滑技术，求10个连续波段反射率的均值代替原反射率的值；从而对400～2450nm范围的反射率数据进行处理，将1nm的光谱分辨率重采样至10nm；重采样后的大部分信息仍然被保存下来；

土壤高光谱数据表示土壤的反射率光谱，重采样后的土壤样本高光谱数据仍旧表示土壤的反射率光谱r(如图2所示)，利用三种光谱前处理技术突出反射率数据的信息量：

第一种光谱前处理方式是归一化方法，即将每条光谱反射率曲线和该曲线的最大值取比值，获得归一化反射率结果n(如图3所示)，从而减少来自土壤样本内在反射率造成的干扰；

第二种和第三种方法都是基于表观吸收率的导数，其中第二种方法是取表观吸收率a的一阶导数(a’)；第三种方法是取表观吸收率a的二阶导数(a”)；其中，表观吸收率可根据光谱信息所表示的反射率r按照如下公式(1)求得：

a＝log(1/r)(1)

将a’和a”这两组数据归一化至均值为0，方差为1的标准化数据，从而加强不同形式高光谱数据的对比性，获得归一化后的表观吸收率一阶导数a’(如图4所示)和归一化后的表观吸收率二阶导数a”(如图5所示)；

步骤2：在步骤1所得反射率(r)、归一化反射率(n)、表观吸收率的一阶导数(a’)、表观吸收率的二阶导数(a”)的高光谱数据基础上，建立基于主成分分析的评价系统(pcar)，选取敏感波段；最终选择出了对土壤样本水分和盐分都敏感的14个敏感波段，分别是440，540，570，1390，1430，1460，1740，1870，1900，1940，2010，2270，2350，2410nm(选取的敏感波段不仅适用于本发明实施例，也适用于其它地区)；

利用主成分分析的评价系统(pcar)，选取敏感波段；是为了建立一个精简的土壤水分、盐分含量反演模型，在使用高光谱数据之前需要选择敏感波段；主成分的评价系统(pcar)是根据主成分分析方法的载荷向量和主成分特征值建立的；主成分分析方法(pca)对数据进行处理时，可以提取若干个主成分，这些主成分代表原实测高光谱数据的绝大部分信息；pca处理的过程中，每个主成分会得到两组输出变量，第一组变量是主成分的荷载向量；第二组变量是主成分的特征值；一般认为，波段在荷载向量中的系数越大，则这个波段越重要；而特征值对荷载向量的重要性有影响，特征越大表示荷载向量越重要；因此，为了利用特征值修正荷载向量，将荷载向量与特征值相乘得到一个得分矩阵，即基于主成分分析的评价系统(pcar)；实施例通过pcar提取敏感波段，就是分析各波段在得分矩阵中得分值的高低；得分越高的波段涵盖的信息量也越多，说明这个波段越重要；

具体实施时，首先使用主成分分析对高光谱数据进行处理，针对r、n、a’和a”四组高光谱数据，经过pca处理后，四组数据的前三个主成分的解释方差(每组数据中前三个主成分的特征值之和)分别达到了99.8％、98.5％、95.1％和90.5％，信息都涵盖在前三个主成分中；将主成分分析的评价系统(pcar)应用于r、n、a’、a”四组高光谱数据的前三个主成分；计算主成分分析的评价系统(pcar)应用于r、n、a’和a”四组高光谱数据的前三个主成分的得分，并以统计图的形式可视化表达出来，得出反射率r的得分图(如图6所示)、归一化n的得分图(如图7所示)、表观吸收率一阶导数a’的得分图(如图8所示)、表观吸收率二阶导数a”的得分图(如图9所示)；

根据r、n、a’和a”四组高光谱数据在pcar中的得分值，得出五个敏感子区域，即400～600nm、1300～1550nm、1690～1800nm、1810～2200nm和2200～2450nm；五个子区域中，选择对应的14个敏感波段分别是440，540，570，1390，1430，1460，1740，1870，1900，1940，2010，2270，2350，2410nm；

步骤3：土壤水分含量不变且土壤盐分含量变化时土壤样本光谱曲线的每个波段的方差s1、土壤盐分含量不变且土壤水分含量变化时土壤样本光谱曲线的每个波段的方差s2，通过比较上述两种情况下s1、s2的大小，确定首先反演的变量；

通过比较土壤水分含量不变，盐分含量变化时，土壤样本光谱曲线的每个波段的方差s1，和盐分含量不变，水分含量变化时，土壤样本光谱曲线的每个波段的方差s2的大小；变量方差的大小即代表信息量的大小，具体实施时，由于s2大于s1，所以土壤样本中水分的信息量大，首先反演土壤水分含量；

步骤4：利用步骤2中的敏感波段，使用逐步回归方法，分别建立土壤样本水分的反演模型，并根据预测的土壤水分含量将土壤样本进行分区，得到土壤样本区间；

根据步骤3比较s1和s2的大小，得出土壤样本的部分近红外波段，和短波红外波段(大于950nm)的光谱信号中所含的水分信息量大于盐分信息量结论，同时，大于950nm的波段也是土壤样本水分和盐分反演的重要波段，因此，确定首先使用多变量的逐步回归模型建立土壤样本水分和高光谱数据之间的关系，反演土壤样本的水分含量，然后根据土壤水分含量将土壤样本分区，为反演土壤样本盐分含量做铺垫；

步骤1所得四种形式的高光谱数据r、n、a’、a”和步骤2所得14个敏感波段共组成了56个自变量，这些变量也存在共线性的情况，因此逐步回归模型还需要再次对变量进行筛选；统计学中，一般用f检验判断变量是否对模型是否有显著贡献；本发明通过f检验选择对模型显著的变量，剔除不显著的变量；f检验中使用的p值统一为0.05；

获得显著变量后，通过检测光谱数据和水分含量的相关土壤样本的水分含量反演范围，利用逐步回归模型反演土壤样本水含量；选取1900nm波段作为代表波段研究土壤样本水分和1900nm波段的相关关系(如图10所示)，根据统计图发现，当土壤样本含水率低于0.3％时，四种形式的高光谱数据r、n、a’、a”随水分的变化趋势明显；当土壤样本含水率高于0.3％时，四种形式的高光谱数据r、n、a’、a”没有明显的变化趋势；同时，在自然状态下，大多数干旱、半干旱的农田中的土壤含水率也都小于0.3％；因此，土壤水盐联合反演模型中，水分反演的范围设置为0～0.3％；

使用逐步回归方法建立土壤水分的反演模型，模型如下：

ym＝-1.345·n1870+0.351·n2270+0.136·a’1740+0.131·a’1900+0.334·a’2270-0.537·a”1430+0.568·a”1900+0.528·a”2270+0.569

模型的决定系数r²为0.937，相对均方根误差rrmse为0.115；另外使用108个实测样本对模型进行验证，模型的决定系数r²为0.842，相对均方根误差rrmse为0.181；

在建立土壤样本水分反演模型后，对土壤样本进行分区，土壤样本区间范围是0～0.05g·g^-1，0.05～0.1g·g^-1，0.1～0.15g·g^-1，0.15～0.2g·g^-1，0.2～0.25g·g^-1和0.25～0.3g·g^-1；

步骤5：利用步骤2中的敏感波段和步骤4中的土壤样本区间，使用逐步回归方法，对每个区间的土壤样本分别建立土壤盐分含量的反演模型；建立的模型及统计指标如下：

1)当土壤样本含水率区间范围是0～0.05g·g^-1时，对应的模型和相关的统计指标r²和rrmse如下：

ys＝-1.701·a”1740+1.141·a”2350-1.107

r²＝0.739，rrmse＝0.366；

2)当土壤样本含水率区间范围是0.05～0.1g·g^-1时，对应的模型和相关的r²和rrmse如下：

ys＝20.133·r1390-17.547·r1740-11.372·n2010+14.050·n2270-0.607·a’2010-4.078

r²＝0.801，rrmse＝0.251；

3)当土壤样本含水率区间范围是0.1～0.15g·g^-1时，对应的模型和相关的r²和rrmse如下：

ys＝29.279·r1390-29.254·r1740-5.907·n2010+6.723·n2270-0.333·a’440-0.434·a’540-1.382·a’2010-4.223

r²＝0.848，rrmse＝0.201；

4)当土壤样本含水率区间范围是0.15～0.2g·g^-1时，对应的模型和相关的r²和rrmse如下：

ys＝2.189·n570-0.533·a’540+0.804·a’1430-0.548·a”1740-2.573

r²＝0.637，rrmse＝0.294；

5)当土壤样本含水率区间范围是0.2～0.25g·g^-1时，对应的模型和相关的r²和rrmse如下：

ys＝-5.380·n1740+1.008·a”1390-1.109·a”1740-3.883

r²＝0.631，rrmse＝0.293；

6)当土壤样本含水率区间范围是0.25～0.3g·g^-1时，对应的模型和相关的r²和rrmse如下：

ys＝-15.128·n2270+18.944·n2410+4.659·a’1430+4.960·a”1390+0.215·a”2410-5.260

r²＝0.951，rrmse＝0.132；

如果不使用本发明所述的基于高光谱数据的土壤水分、盐分信息联合提取方法提取土壤样本盐分，即直接对没有分区的所有土壤样本反演土壤样本盐分，相应的模型及统计指标r²和rrmse如下：

ys＝1.225·r540-4.280·n1740-0.669·a”1430-0.756·a”1740+3.699

r²＝0.470，rrmse＝0.380；

从以上模型结果可以看出，与直接提取盐分的方法相比，本发明所述的基于高光谱数据的土壤水分、盐分信息联合提取方法大大提高了土壤样本盐分的提取精度。

其它未说明的部分均属于现有技术。