煤炭矿区耕地土壤有机质无人机高光谱遥感估测

引言

本文以山西省长治王庄煤矿周边3种处于不同沉陷阶段的耕地为例，在研究区内进行样品采集，并使用无人机搭载高光谱相机进行影像获取，利用多元线性回归、偏最小二乘回归和BP神经网络3种模型对有机质含量进行预测，并对模型预测结果进行精度评价，将优选模型代入无人机高光谱影像进行有机质填图，得到耕地范围内的有机质分布情况，并对处于不同沉陷阶段的耕地土壤有机质空 间分布差异情况及驱动因子进行分析讨论，为无人机高光谱遥感在矿区复垦、养分快速估测等提供参考。

2、材料与方法

2.1 研究区概况

研究区位于长治市王庄煤矿（112°58′25″E～113°03′21″E，36°14′04″N～36°24′35″N），地处潞安矿区的东北部，跨长治市潞州区、屯留县、襄垣县3个行政区，地处黄土高原暖温带半干旱大陆性季风气候区，温差变化大，年平均气温8.9℃。研究区土壤以碳酸盐褐土和草甸土为主，其中矿区内主要分布碳酸盐褐土，自然肥力较高，有明显的黏化质和钙化质，田块呈连片化分布。王庄煤矿的生产能力为596×104t/a，多年的开采活动导致井田内形成了大范围的采煤塌陷区，对当地的土地资源、生态环境及农业生产造成了明显影响。在研究区内选定3个试验小区，其中试验小区A为煤炭开采扰动区农田，试验小区B为煤炭开采扰动稳沉区农田，试验小区C为煤炭开采未扰动区农田，3个试验小区面积均为1.4hm2，均位于王庄煤矿平原区，属同一农业种植区域。煤炭开采前，3个小区的气候、地貌、土壤特征一致，作物类型为春玉米，于每年4月采用旋耕机作业整地，10月收割，一年一熟；煤炭开采后的地表裂缝经过掩埋推平，种植作物类型和耕作方式与开采前一致，但由于煤炭开采沉陷使3个小区分别处于开采扰动、稳沉和未扰动3个不同阶段，生态驱动因素发生变化，导致土壤理化性质、地表植被、人类管理方式发生改变。

图 1 研究区概况

表 1 样品有机质含量

2.2 数据获取与预处理

2.2.1 土壤样品采集与处理

2020年分别在煤炭开采扰动区（扰动区），煤炭开采扰动稳沉区（稳沉区）及煤炭开采未扰动区（对照区）内按棋盘式布点，利用取土器采集地面表层0～20cm深度的土壤，每个采样点按中心点周围X形的5个样地土壤混合为一个土样。若采样点落在农田设施上则取附近耕地土壤代替，同时使用GPS记录采样点地理坐标。将采集的57个土样送回实验室，待风干、研磨、过筛后将土样分为两部分，一部分过0.15mm筛，用于进行土壤养分理化性质实验，采用重铬酸钾外加热法测定有机质含量，测定结果如表1，另一部分用于室内土壤光谱测量。

2.2.2 无人机影像获取与预处理

在所选3个试验小区内，采用无人机搭载高光谱光谱仪于2020年 10月30日飞行拍摄高光谱影像，拍摄时段选择当地时间10:00—15:00，此时段内有足够的太阳高度角，光照条件稳定；地面能见度不小于15km，无卷云、浓积云等；测量时间内空中风力小于4 级，地面风力小于3级：飞行高度100m，速度4m/s。对高光谱影像进行辐射率转换、反射率转换、几何校正、大气校正、镶嵌和裁剪、道路掩膜等预处理，结果如图2所示。

图2 预处理后高光谱影像

3、结果与分析

3.1 特征波段选择

将原始土壤光谱曲线及4种不同形式变换的土壤光谱曲线与实测样本有机质含量做相关性分析，计算光谱与土壤有机质含量的相关系数，结果如图3所示。

图3 土壤有机质与各种光谱变换形式相关性分析

从图3中可以看出，未经变换和经过倒数变换的反 射率光谱曲线与有机质呈整体正相关，相关系数低于0.4。反射率光谱曲线经过一阶微分变换与有机质含量的相关性有所增强，表现为在386.64～414.25nm内正相关，在414.25～835.76、875.18～1 012.93nm内负相关。反射率光谱曲线经过二阶微分变换与有机质含量的相关性增强最为明显，相关系数曲线波动剧烈，与有机质含量正相关系数的峰值主要位于1021.92、1017.42、805.27、 744.77nm处，最大正相关系数为0.61，负相关系数的峰值主要位于680.62、655.16、650.93nm附近，最大负相关系数为-0.62。反射率光谱曲线经过多元散射校正变换与有机质含量的相关系数曲线整体呈现为“M”型，相关系数曲线存在两个正峰值，主要位于932.58nm和471.94nm处，最大相关系数位于932.58nm附近，相关系数为 0.63。

通过分析不同光谱变换与土壤有机质含量的相关性，筛选出的特征波段如表2所示

表2 不同光谱变换下的有机质特征波段

3.2 建模结果

3.2.1 经过光谱变换筛选出的特征波段建模结果

在软件中分别构建多元线性回归模型和偏最小二乘回归模型，对有机质实测值与经过不同光谱变换方式筛选出的特征波段光谱反射率进行回归分析，并验证模型精度。3 种模型精度评价指标均选用决定系数R2和均方根误差RMSE，模型精度评价结果和模型预测结果如表3所示。

表3 3种模型预测有机质含量精度评价

从表3可以看出，利用多元线性回归模型建立的有机质反演结果中，4种光谱变换方式用于有机质反演建模整体精度不高，其中倒数、一阶微分、二阶微分变换方式建模和验证集 R2不足0.5，比未变换的光谱 建模精度更低，多元散射校正变换方式建模和预测R2分别为0.699和0.654，为同组最高，可用于粗略估计有机质含量。利用偏最小二乘回归模型建立的有机质反演结果中，对特征波段光谱反射率做倒数、二阶微分、多元散射校正变换的模型的建模R2都达到0.6以上，相比未经变换的特征波段建模精度大幅提高，模型的拟合效果较好，其中，多元散射校正变换的建模和验证R2均达到0.8以上，具有较高的预测精度。

4、讨论

本文探索了高光谱数据用于土壤有机质含量预测和无人机高光谱影像用于分析煤炭开采对耕地土壤有机质含量影响的适用性，通过将变换处理后的土壤光谱与实测土壤有机质含量进行相关性分析，提取相关系数较高的光谱波段，研究发现有机质含量与多元散射校正后的 光谱反射率相关系数最高，敏感波段为463.75～492.45nm，870.79～932.58nm处。对不同光谱变换方式下筛选出的特征波段分别使用多元线性回归、偏最小二乘回归、BP 神经网络进行模型构建，结果表明相较于多元线性回归模型而言，偏最小二乘回归和BP 神经网络模型具有更高的精度。对比几种光谱变换形式，经过多元散射校正变换的建模结果更好。将无人机航拍的高光谱影像基于模型进行有机质含量估测，得到土壤有机质含量的空间分布规律为煤炭开采未扰动区耕地>煤炭开采扰动区耕地>煤炭开采扰动稳沉区耕地，这是因为煤炭开采导致多方面驱动因子变化。

推荐：

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

审核编辑 黄宇