發(fā)布時(shí)間：2019-12-30所屬分類：科技論文瀏覽：1次
摘 要： 摘要為了更加精確地分析土壤光譜中不同水分吸收帶內(nèi)的光譜吸收特征參數(shù)在估測土壤水分含量(SMC)中的重要性，以新疆渭干河-庫車河綠洲為研究區(qū)，采集38個(gè)土壤樣本進(jìn)行土壤光譜反射率及SMC的測定。利用去包絡(luò)線消除法提取反射光譜水分吸收特征參數(shù)，包括最大吸
摘要為了更加精確地分析土壤光譜中不同水分吸收帶內(nèi)的光譜吸收特征參數(shù)在估測土壤水分含量(SMC)中的重要性，以新疆渭干河-庫車河綠洲為研究區(qū)，采集38個(gè)土壤樣本進(jìn)行土壤光譜反射率及SMC的測定。利用去包絡(luò)線消除法提取反射光譜水分吸收特征參數(shù)，包括最大吸收深度D、吸收谷右面積Ra、吸收谷左面積La、吸收谷總面積A、面積歸一化最大吸收深度DA和對稱度S，將反射光譜水分吸收特征與SMC進(jìn)行相關(guān)性分析，通過隨機(jī)森林方法對光譜水分吸收特征參數(shù)進(jìn)行分類，獲取各參數(shù)對SMC的重要性。運(yùn)用多元逐步回歸模型建立SMC反演模型。結(jié)果表明：D、A與SMC的相關(guān)性最高，同時(shí)2200nm及1400nm波段范圍內(nèi)的光譜吸收特征參數(shù)與SMC的相關(guān)性優(yōu)于1900nm波段范圍內(nèi)的光譜吸收特征參數(shù);對SMC影響較為重要的前5個(gè)參數(shù)分別為D2200、La2200、A2200、D1900和Ra2200;SMC的最佳預(yù)測模型是采用A2200、D2200建立的多元逐步回歸模型，其建模集決定系數(shù)為0.88，建模集均方根誤差為2.08，測試集決定系數(shù)為0.89，預(yù)測均方根誤差為2.21，相對分析誤差為2.80。隨機(jī)森林分類能得到對土壤含水量影響較為重要的光譜水分特征參數(shù)，為干旱區(qū)精準(zhǔn)土壤水分快速估測提供了新方法。
關(guān)鍵詞光譜學(xué);土壤水分含量;隨機(jī)森林;吸收特征參數(shù)
1引言
土壤水分含量(SMC)對水-熱-溶質(zhì)耦合運(yùn)移以及土壤-植被-大氣連續(xù)體中的物質(zhì)遷移過程具有重要影響[1-2]。傳統(tǒng)的SMC測定方法難以滿足對土壤水分檢測的需求。遙感技術(shù)以大面積、非接觸、時(shí)效性等優(yōu)勢在SMC的估測研究中得到了廣泛應(yīng)用[3]。
目前，基于近紅外光譜測定土壤水分的方法主要是利用反射率隨SMC變化的規(guī)律，通過各種相關(guān)指標(biāo)進(jìn)行SMC定量估算[4]，或直接利用近紅外吸收波段對SMC的敏感度進(jìn)行反演[5-6]，較少有研究人員利用SMC吸收波段處的光譜特征參數(shù)對SMC反演進(jìn)行深入探究。由于SMC的敏感性光譜特征主要表現(xiàn)在1400，1900，2200nm波長附近的光譜吸收帶，因此可以通過提取這些波長處的光譜吸收特征參數(shù)，來實(shí)現(xiàn)SMC的定量估算[7]。對于SMC與土壤光譜反射特征之間的關(guān)系，國內(nèi)外學(xué)者研究發(fā)現(xiàn)[8-11]：土壤反射率會(huì)隨著SMC的增加而下降，當(dāng)SMC高于田間持水量時(shí)，由于水體的鏡面作用，反射率會(huì)出現(xiàn)回升。已有的SMC近紅外光譜預(yù)測模型[12-15]以反射率及數(shù)學(xué)變換形式居多，而針對反射光譜特征機(jī)理的定量分析比較缺少。金慧凝等[16]利用去包絡(luò)線方法提取光譜吸收特征指標(biāo)，建立了SMC近紅外光譜預(yù)測模型;劉秀英等[17]通過提取水分吸收特征參數(shù)對黃綿土中的水分含量進(jìn)行反演;習(xí)萬英等[18]比較了人工神經(jīng)網(wǎng)絡(luò)和光譜水分特征參數(shù)模型的性能。
前人的研究多集中在光譜水分吸收特征參數(shù)與SMC的定量估算上，較少有人考慮通過數(shù)據(jù)挖掘模型進(jìn)行光譜吸收特征參數(shù)的優(yōu)選，并進(jìn)行SMC反演。鑒于此，本課題組嘗試以干旱區(qū)土壤樣本為研究對象，首先獲取土壤反射率，分析土壤光譜特征并提取光譜水分吸收特征參數(shù);然后結(jié)合隨機(jī)森林?jǐn)?shù)據(jù)挖掘模型，對光譜水分吸收特征參數(shù)進(jìn)行重要性分類;最后進(jìn)行SMC的預(yù)測，并對其模擬結(jié)果進(jìn)行驗(yàn)證，探討隨機(jī)森林方法結(jié)合土壤光譜水分吸收特征參數(shù)優(yōu)選對干旱區(qū)SMC進(jìn)行預(yù)測的潛力，以期為監(jiān)測干旱區(qū)表層SMC提供新方法與新思路。
2材料與方法
2.1研究區(qū)概況
研究區(qū)位于新疆南部塔里木盆地中北部的渭干河-庫車河綠洲(41°08′～41°55′N，81°06′～83°37′E)，屬于溫帶大陸性干旱氣候，年均氣溫14.50℃，干燥度系數(shù)為44.37，年均降水量為51.60mm，植物全年生長周期為220d以上，無霜期為209.7～226.3d[19]。
2.2數(shù)據(jù)獲取
2017年7月，本課題組根據(jù)研究區(qū)的特點(diǎn)共布設(shè)了38個(gè)具有代表性的樣點(diǎn)。這38個(gè)樣點(diǎn)覆蓋了綠洲內(nèi)部區(qū)域的不同土地利用方式、不同土壤類型和不同土壤質(zhì)地，包括農(nóng)田、荒地、鹽漬地和林地。在各樣點(diǎn)采用五點(diǎn)混合法采集樣本，采集樣本的深度為0～10cm，各樣點(diǎn)均采集2份樣本，其中一份裝入鋁盒內(nèi)，另一份裝入塑料袋內(nèi)，帶回實(shí)驗(yàn)室;然后將鋁盒中的樣品置于105℃的恒溫箱中進(jìn)行烘干(48h)，獲得相應(yīng)的SMC;另一份樣本在未風(fēng)干之前獲取其反射率數(shù)據(jù)。
采用美國FiledSpec3型光譜儀在暗室內(nèi)采集光譜數(shù)據(jù)，光譜儀波長范圍350～2500nm，在350～1000nm波長范圍內(nèi)的采樣間隔為1.4nm，在1000～2500nm波長范圍內(nèi)的采樣間隔為2nm。在黑色器皿(直徑11cm，深1.4cm)中裝滿過2mm孔篩的土樣，以50W的鹵素?zé)魹樽鳛楣庠�，光源與樣品間隔50cm，光源天頂角為15°，光譜儀探頭與樣本之間相距10cm，如圖1所示。測量前用漫反射標(biāo)準(zhǔn)參考板定標(biāo)，每個(gè)土樣均采樣10次，取最后的平均值作為該樣點(diǎn)的光譜數(shù)據(jù)。
2.3隨機(jī)森林分類
隨機(jī)森林模型(RFM)是一種組成式的有監(jiān)督的學(xué)習(xí)方法。隨機(jī)森林方法能較好地處理過擬合現(xiàn)象，是一種相對成熟的數(shù)據(jù)挖掘模型。隨機(jī)森林分類特征參數(shù)的步驟為3步：1)從18種光譜特征數(shù)據(jù)集合中隨機(jī)采樣得到新的訓(xùn)練集;2)重復(fù)隨機(jī)采樣B次得到B個(gè)新的訓(xùn)練集，同時(shí)針對B個(gè)不同的訓(xùn)練集分別訓(xùn)練一顆樹;3)在訓(xùn)練過程中從所有特征中隨機(jī)選擇m個(gè)特征作為備選，從這m個(gè)特征中選出最優(yōu)的一個(gè)來劃分預(yù)測空間。在眾多的光譜特征參數(shù)中選取18種參數(shù)，利用隨機(jī)森林方法對SMC與這18種光譜特征參數(shù)建立模型，從而確定哪些光譜特征參數(shù)對SMC最為重要。在R語言中，利用RandomForest工具包對RFM進(jìn)行擬合，在進(jìn)行擬合前，將需要生成樹的數(shù)量參數(shù)設(shè)定為100，將每個(gè)節(jié)點(diǎn)處用于分割節(jié)點(diǎn)的預(yù)測變量樹參數(shù)設(shè)定為6。模型的分類預(yù)測性能可以通過預(yù)測相關(guān)系數(shù)R2、均方根誤差eRMSE這2個(gè)指標(biāo)來衡量。根據(jù)各光譜特征參數(shù)對SMC的重要性，利用平均精度下降指標(biāo)對光譜特征參數(shù)進(jìn)行排序。RFM的R2越大，eRMSE越小，說明RFM估算的準(zhǔn)確性越高，平均精度下降指標(biāo)越小，光譜特征參數(shù)對SMC的影響貢獻(xiàn)度越小;反之，準(zhǔn)確性越差，平均精度下降指標(biāo)越大，光譜特征參數(shù)對SMC的影響貢獻(xiàn)度越大[20]。
2.4數(shù)據(jù)處理與模型建立
首先對光譜數(shù)據(jù)進(jìn)行多元散射校正，以消除顆粒分布產(chǎn)生的光譜噪聲，接著采用Savitaky-Golay方法對數(shù)據(jù)進(jìn)行平滑去噪處理[21]，然后根據(jù)實(shí)測土壤樣本光譜吸收特征波段的分析以及其他研究者的結(jié)論可以得到：近紅外區(qū)1400，1900，2200nm波段范圍是SMC的最強(qiáng)吸收波段[22-23]。因此可以利用去包絡(luò)線消除法提取這3個(gè)波段的光譜吸收特征參數(shù)，包絡(luò)線消除后可以提取光譜水分吸收特征參數(shù)，主要有吸收谷附近的最大吸收深度D、吸收谷右面積Ra、吸收谷左面積La及吸收谷總面積A(A=Ra+La)。其他一些參數(shù)包括面積歸一化最大吸收深度DA(DA=D/A)及對稱度S(S=La/Ra)。包絡(luò)線消除在ENVI4.8中實(shí)現(xiàn)[17]。
相關(guān)知識推薦：激光表面處理論文發(fā)表什么期刊快
激光在醫(yī)學(xué)、生物學(xué)、電子學(xué)等方面都有廣泛的應(yīng)用，一些這方面的從業(yè)者也都是會(huì)發(fā)表激光表面處理類論文，但是他們卻不清楚這類論文投稿到哪些期刊比較快，在這里小編也查閱了相關(guān)資料，并且和以往評職人員進(jìn)行溝通，據(jù)他們反饋，本文這幾本激光類刊物是能接收激光表面處理論文的，并且是審稿時(shí)間比較短的期刊。
采用多元逐步回歸(MLSR)法對SMC與經(jīng)過隨機(jī)森林分類篩選出來的前5個(gè)光譜吸收特征進(jìn)行建模，參數(shù)包括建模集決定系數(shù)R2c、測試集決定系數(shù)R2p、建模集均方根誤差eRMSEC、預(yù)測集均方根誤差eRMSEP以及相對分析誤差RPD。R2c與R2p越大，表示模型的精度越高;eRMSEC與eRMSEP表示預(yù)測模型的準(zhǔn)確性，其值的大小與預(yù)測模型的精度成反比。當(dāng)RPD≥2時(shí)，預(yù)測模型的效果較好;當(dāng)1.4≤RPD<2時(shí)，預(yù)測模型的效果一般;當(dāng)RPD≤1.4時(shí)，模型無預(yù)測能力。
3結(jié)果與討論
3.1土壤樣本含水量狀況
表1為研究區(qū)表層SMC的統(tǒng)計(jì)特征值，建模集與測試集對應(yīng)的SMC均值在14.50%左右，最大值與最小值分別在22.00%與1.70%左右，變異系數(shù)(CV)在40%左右，屬于中等變異。
3.2土壤光譜特征與水分吸收特征
圖2示出3個(gè)不同SMC土壤樣本的光譜反射率及吸收特征曲線。由圖2(a)可見：在可見光至短波紅外的所有波段內(nèi)，當(dāng)SMC低于田間持水量時(shí)，土壤樣本的反射率隨著SMC的減小而增加;反射光譜曲線整體比較平緩;不同的波段對SMC的響應(yīng)不同，當(dāng)土壤含水量較低時(shí)，隨著SMC增加，短波紅外波段的反射率變化幅度較大;不同SMC土壤樣本光譜間的主要差別表現(xiàn)為460nm左右的反射率及吸收深度，特別是在以1400，1900，2200nm波段為主的水分吸收波段，形成了典型的吸收谷峰。通過對光譜反射率進(jìn)行包絡(luò)線去除，得到了反映土壤水分吸收狀況的吸收特征曲線，如圖2(b)所示�？梢姡弘S著SMC減小，1400nm和1900nm波段附近水分吸收峰的波段向短波方向偏移，而2200nm波段附近沒有明顯變化;在3個(gè)水分吸收帶中，以1900nm波段附近的吸收最為強(qiáng)烈，吸收深度與吸收面積均最大，其次為2200nm與1400nm波段附近的吸收。因此，分別提取1400，1900，2200nm波段附近的光譜吸收特征參數(shù)進(jìn)行SMC的定量估算。
3.3SMC與光譜吸收特征參數(shù)的相關(guān)性
光譜吸收特征參數(shù)與SMC的相關(guān)性分析結(jié)果見表2。由表2可知：80%以上的光譜吸收特征參數(shù)與SMC的相關(guān)性均達(dá)到了0.01極顯著檢驗(yàn)水平(S沒有達(dá)到顯著檢驗(yàn)水平);在1400nm波段附近的吸收特征參數(shù)(D、A、La和Ra)與SMC的相關(guān)性系數(shù)均達(dá)到0.90以上;在1900nm波段附近，除DA及S外，80%以上的光譜吸收特征參數(shù)與SMC的相關(guān)性系數(shù)均達(dá)到了0.70以上，其中D達(dá)到0.86;在2200nm波段附近，80%以上的光譜吸收特征參數(shù)與SMC的相關(guān)性系數(shù)均達(dá)到0.90以上，但DA及S沒有達(dá)到顯著性水平，特別是最大吸收深度和吸收面積這兩個(gè)參數(shù)與土壤含水量的相關(guān)性最強(qiáng)，這與其他研究者的結(jié)論一致[15]。此外，由表2還可以看出，1400nm波段的光譜吸收特征參數(shù)與SMC的相關(guān)性優(yōu)于1900nm和2200nm波段。綜上，光譜吸收特征參數(shù)與SMC的相關(guān)性分析可以說明光譜吸收特征參數(shù)具有定量評價(jià)SMC的潛力。
3.4SMC與光譜吸收特征參數(shù)的重要性分析
本研究使用K-S方法進(jìn)行樣本劃分，其中25個(gè)樣本為訓(xùn)練集，13個(gè)樣本為測試集。以SMC為因變量，18種光譜吸收特征參數(shù)為自變量，建立隨機(jī)森林分類預(yù)測模型。表3為RFM精度擬合結(jié)果：對于訓(xùn)練集，R2=0.87，eRMSE=1.82;對于測試集，R2=0.83，eRMSE=2.46�？梢�，隨機(jī)森林分類預(yù)測模型的模擬精度達(dá)到了可靠水平，無論是訓(xùn)練集還是預(yù)測集，R2均在0.8左右，eRMSE為1～2，符合期望。
圖3列出了18種光譜吸收特征參數(shù)對SMC影響的貢獻(xiàn)度。由圖3可見，當(dāng)取樣深度為0～10cm時(shí)，對SMC影響最大的是D2200，然后依次為La2200、A2200、D1900、Ra2200、Ra1400、La1400、A1400、D1400、La1900、DA2200、DA1400、Ra1900、A1900及DA1900，而S2200、S1900與S1400對SMC的影響最小。總體來看，D2200、La2200、A2200、D1900和Ra2200對SMC的影響較為重要，D2200、La2200、A2200、D1900和Ra2200的平均精度下降分別為86.00、76.43、65.00、53.94和47.46。因此本研究選擇重要性排名前5的光譜吸收特征參數(shù)建立SMC模型。
3.5SMC反演模型構(gòu)建與驗(yàn)證
參照圖3，對隨機(jī)森林生成的光譜吸收特征參數(shù)排序，選擇排名前5的光譜特征參數(shù)為模型的自變量，分別為D2200、La2200、A2200、D1900和Ra2200，SMC為模型因變量，建立MLSRSMC預(yù)測模型。根據(jù)表4中的R2c、eRMSEC、R2p、eRMSEP和RPD來分析SMC與光譜吸收特征參數(shù)模型的精度。MLSR預(yù)測模型通過了0.01的F檢驗(yàn)，R2c>0.85，預(yù)測模型對自變量的解釋程度在85%以上，說明MLSR預(yù)測模型對研究區(qū)SMC與光譜特征吸收參數(shù)的擬合效果較好，其中R2c=0.88，eRMSEC=2.08，R2P=0.89，eRMSEP=2.21，RPD=2.80�？傮w來看，MLSR模型的檢驗(yàn)精度有不同程度的異質(zhì)性，但是都能在一定程度上反映光譜特征參數(shù)D2200、A2200與實(shí)測SMC之間的關(guān)系。2200nm波段的最大吸收深度能夠很好地預(yù)測SMC，這與前人的研究結(jié)論一致。此外，由于吸收面積綜合了吸收深度和寬度信息，對SMC非常敏感，因此預(yù)測精度較高。以上結(jié)果說明，由吸收面積與最大吸收深度構(gòu)建的MLSR模型對干旱區(qū)綠洲淺層SMC的預(yù)測能力較強(qiáng)，在監(jiān)測淺層SMC方面的潛力巨大，可以作為干旱區(qū)SMC的預(yù)測模型。
圖4是MLSR模型中實(shí)測值和預(yù)測值的散點(diǎn)圖。預(yù)測模型的實(shí)測值樣點(diǎn)和預(yù)測值樣點(diǎn)基本分布在1：1線附近，證明預(yù)測效果較好。將25個(gè)建模樣點(diǎn)與13個(gè)測試樣點(diǎn)的SMC與不同光譜吸收特征參數(shù)建立的MLSR模型的預(yù)測值與實(shí)測值進(jìn)行散點(diǎn)繪圖。以D2200和A1400為自變量建立的多元逐步線性回歸模型的預(yù)測效果較好，eRMSEC=2.08，R2c=0.88，RPD=2.80。綜上所述，MLSR模型能準(zhǔn)確預(yù)測干旱區(qū)的SMC。
4結(jié)論
本研究通過測定SMC和高光譜反射率數(shù)據(jù)，利用包絡(luò)線消除法提取1400，1900，2200nm波段的土壤光譜吸收特征參數(shù)，通過分析SMC與18種光譜吸收特征參數(shù)的相關(guān)性，以及采用隨機(jī)森林建模分類，得到了對因變量SMC影響最大的前5種光譜吸收特征參數(shù)，最后采用MLSR模型對SMC進(jìn)行預(yù)測，得出以下結(jié)論：
1)與SMC相關(guān)性最好的光譜吸收特征參數(shù)分別為最大吸收深度、吸收總面積、吸收峰右面積、吸收峰左面積，2200nm與1400nm波段處的光譜吸收特征參數(shù)與SMC的相關(guān)性優(yōu)于1900nm波段處的光譜吸收特征參數(shù)。
2)通過對SMC與18種光譜吸收特征參數(shù)進(jìn)行隨機(jī)森林建模排序后發(fā)現(xiàn)，對SMC影響最大的前5種光譜吸收特征參數(shù)依次為D2200、La2200、A2200、D1900和Ra2200，在以后的研究中，可以重點(diǎn)考慮這5種光譜吸收特征對SMC的影響。
3)SMC的預(yù)測模型以A2200、D2200建立的MLSR模型效果較好，模型的R2c>0.85，R2p>0.92，RPD>2，eRMSEP<3。
本研究是對采用近紅外光譜特征參數(shù)預(yù)測土壤含水量方法的探討，因樣本數(shù)量較少，該方法目前尚不能作為一種成熟的實(shí)用方法。要使本方法實(shí)用化，尚需要增加樣本的代表性和樣本數(shù)量，建立可信、穩(wěn)定的近紅外光譜校正模型。
