通過減少土壤物理性質對光譜的耦合作用來提高高光譜遙感在估算土壤有機質的時空可遷移性:以中國東北地區為例
摘要
Figure 1. Framework of the proposed SOM estimation model.
研究區域
試驗點1位于中國東北黑龍江省黑土耕地保護區,如圖2所示,面積為1095 km2。該地區屬溫帶大陸性季風氣候,年降水量為450–650 mm,降水主要集中在6–9月,占全年降水量的80%。研究區地勢南高北低,西高東低,大部分地區為堆積平原。該研究區是全球僅有的四個黑土區之一,耕層深厚,土壤肥沃,含腐殖質的土層厚度為25–80 cm,適合種植玉米、大豆等作物。
圖 2. 研究區域概覽。(a)研究區域的地理位置;(b、c)分別為站點 1 和站點 2 的土壤采樣點;(d、e)“裸土期”的土壤表面。
試驗點2 位于中國吉林省黑土耕地保護區,如圖 2 所示,面積為 713 km2。站點地勢平坦,海拔在 189 至 237 m 之間。該區域為東部濕潤山區與西部半干旱平原區的過渡地帶。研究區屬溫帶大陸性半濕潤季風氣候,年平均氣溫 4.6 ℃,年降水量 600—700 mm。該區域河流水系豐富,農業水資源相對豐富,地表土壤空間異質性強。該區域土壤主要為黑土,腐殖質層厚度為 0.6—1.0 m。試驗點2的土壤類型、地表特征等環境因素與試驗點1有明顯差異,可以驗證本研究中SOM含量預測模型的時空可遷移性。
2022 年 10 月 29 日至 30 日,共從試驗點 1 采集了 104 個表層土壤樣品(圖 2b)。2023 年 4 月 14 日至 15 日,從試驗點 2 采集了 40 個表層土壤樣品(圖 2c),用于測試模型的時空可遷移性。
圖3. 樣區內土壤樣品采集與參數測量示意圖。(a)象限采樣示意圖;(b)土壤表面點云數據測量。
研究過程
樣品運回實驗室后,通過稱重、烘干等方法獲得每個象限9個子樣本的SM和SBW,并計算子樣本的平均值。然后,將9個子樣本混合成復合樣本,在實驗室內使用(ASD FieldSpec 4地物光譜儀)進行光譜測量(取十次測量的平均值)和使用重鉻酸鉀加熱法測定SOM含量。為保證每個樣品的SBW相同,將土壤樣品裝入一次性培養皿中進行光譜測量。對每個測量點的土壤表面點云數據進行拼接、裁剪和濾波。利用處理后的點云數據建立三維相對坐標系(圖3b),提取所有點云數據的Z坐標,計算該象限的RMSH。
資源一號02D(ZY1-02D)高光譜圖像數據來自中國科學院空天信息創新研究院,圖像生成時間與土壤采樣時間同步,所有圖像的云量均小于1%。本研究選取450~1290nm、1408~1828nm和1963~2460nm波段作為光譜波段。
圖4. 成像光譜、實驗室光譜及其相關系數。
圖5. 不同物理性質土壤的光譜特征。
圖6. 基于多參數估計模型的土壤物理參數與土壤像素光譜擬合的R2值。
圖 7. 使用試驗點 1 數據建立的 XG-Boost 模型,基于 (a) 原始像素光譜、(b) 地面光譜、(c) 四階多項式校正光譜和 (d) XG-Boost 校正光譜和站點 2 數據測量和預測的 SOM 含量的散點圖。
結論
本研究利用衛星和地面高光譜數據以及土壤物理參數數據,分別基于四階多項式和XG-Boost構建了兩種土壤光譜校正模型,以緩解土壤物理性質對像素光譜的耦合效應。通過使用來自兩個試驗點的數據,評估了土壤光譜校正模型的性能及其對SOM預測模型精度和時空可遷移性的影響。主要結論如下:
土壤像素光譜反射率與土壤地面光譜反射率呈非線性關系。表面物理性質的差異是導致這兩種光譜數據類型偏差的主要因素。RMSH對土壤像素光譜的影響最為顯著,其次是SM和SBW。
四階多項式和XG-Boost模型具有良好的土壤光譜校正精度?;赬G-Boost的土壤光譜校正模型精度更高,時空可轉移性更強,因為它考慮了所有特征,持續調整樹的權重,防止結果陷入局部最優。
土壤光譜校正顯著緩解了土壤物理性質對土壤像素光譜的耦合效應,有效提高了SOM預測模型的準確性,更重要的是,大大增強了基于像素光譜的SOM預測模型的時空可轉移性。未來,通過充分考慮更多土壤特性,可以獲得更準確的SOM預測結果。本研究為預測其他區域的土壤性質參數提供了一種新的研究范式。
點擊下方鏈接,閱讀原文:
https://mp.weixin.qq.com/s/ZYmGOq5nFvFWCCkUrVmllQ