應(yīng)用方向

高光譜成像技術(shù)在本研究中的應(yīng)用方向是土壤碳含量預(yù)測(cè)。通過(guò)多尺度的空間和光譜特征融合，該研究旨在提升土壤碳含量預(yù)測(cè)的精度和穩(wěn)定性。這種方法結(jié)合了高光譜影像中不同尺度的光譜和空間信息，提出了一個(gè)多尺度的光譜和空間特征網(wǎng)絡(luò)(SpeSpaMN)模型，有助于在大范圍和快速采集土壤碳含量數(shù)據(jù)的應(yīng)用。

背景

土壤碳是生態(tài)系統(tǒng)碳循環(huán)的重要組成部分，對(duì)氣候變化和碳匯評(píng)估具有關(guān)鍵作用。傳統(tǒng)的土壤碳測(cè)量方法精度高，但只能進(jìn)行點(diǎn)測(cè)量，無(wú)法滿足大范圍、快速獲取數(shù)據(jù)的需求。因此，高光譜成像技術(shù)逐漸應(yīng)用于土壤碳含量預(yù)測(cè)，它可以在大尺度范圍內(nèi)采集豐富的光譜和空間信息，適合于現(xiàn)場(chǎng)數(shù)據(jù)收集。然而，當(dāng)前大多數(shù)基于高光譜圖像的土壤碳預(yù)測(cè)方法主要依賴于光譜信息，忽視了空間信息的融合，無(wú)法充分揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)特征。為解決這一問(wèn)題，研究提出了一種結(jié)合多尺度光譜和空間特征的深度學(xué)習(xí)方法，旨在提高土壤碳含量預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

實(shí)驗(yàn)設(shè)計(jì)

1.1.材料與方法

（1）樣本準(zhǔn)備試驗(yàn)樣品采自中國(guó)青島內(nèi)陸、鰲山灣和膠州灣的0 ~ 20 cm表層土壤。圖1為土壤取樣位置圖。內(nèi)陸、鰲山灣和膠州灣以棕壤、鹽土和潮土為代表，以山地土、濕地土和濱海土為典型。棕壤是青島內(nèi)陸地區(qū)分布*廣、*廣泛的土壤類型，主要分布在山地丘陵和山前平原。因此，收集山地土壤和河濱土壤可以代表青島的內(nèi)陸土壤。

圖1. 土壤取樣位置圖

（2）高光譜圖像采集與化學(xué)分析采用“GaiaField"高光譜成像系統(tǒng)（GaiaField-V10E，江蘇雙利合譜科技有限公司）獲取土壤樣品的HSI。光譜范圍為400 ~ 1000 nm，光譜采樣間隔為3.2 nm。為了方便查看每個(gè)樣地的土壤光譜，對(duì)每個(gè)土壤樣品的高光譜數(shù)據(jù)進(jìn)行平均處理，內(nèi)陸、鰲山灣和膠州灣土壤樣品的平均反射光譜如圖2所示。

圖2. 以內(nèi)陸、敖山灣、膠州灣土壤樣品的高光譜圖像和平均反射率光譜采集為例

采用Perkin - Elmer 2400元素分析儀測(cè)定土壤碳含量。三個(gè)樣地測(cè)得的土壤碳含量統(tǒng)計(jì)結(jié)果如表1所示。

1.2.結(jié)果與討論

（1）模型參數(shù)設(shè)置在鰲山灣和膠州灣的HSI中，每個(gè)像元的光譜波段為360，三個(gè)樣圖模型的學(xué)習(xí)率設(shè)為1e-2，權(quán)值衰減設(shè)為1e-6，采用自適應(yīng)矩估計(jì)（Adam）進(jìn)行優(yōu)化，批大小設(shè)為16。迭代次數(shù)設(shè)置為10 ~ 200次，間隔為10，分別計(jì)算內(nèi)陸、鰲山灣和膠州灣的R²_p、RMSEP和RPD。不同迭代SpeMN的預(yù)測(cè)評(píng)價(jià)結(jié)果如圖3所示。在SpeMN中，當(dāng)內(nèi)陸灣、鰲山灣和膠州灣土壤樣品的迭代次數(shù)分別為50、70和20次時(shí)，R²_p和RPD值最大，RMSEP最小，預(yù)測(cè)效果*好。

圖3. 多尺度光譜特征網(wǎng)絡(luò)不同迭代的預(yù)測(cè)評(píng)價(jià)結(jié)果（a）內(nèi)陸，（b）鞍山灣，（c）膠州灣

三個(gè)樣本圖模型的學(xué)習(xí)率設(shè)為1e-2，權(quán)值衰減設(shè)為1e-6，采用隨機(jī)梯度下降法（SGD）進(jìn)行優(yōu)化，批大小設(shè)為16。迭代次數(shù)設(shè)置為10 ~ 200次，間隔10次，分別計(jì)算3個(gè)樣地的R²p、RMSEP和RPD。不同迭代SpaMN的預(yù)測(cè)評(píng)價(jià)結(jié)果如圖3所示。在SpaMN中，當(dāng)內(nèi)陸灣、鰲山灣和膠州灣土壤樣品的迭代次數(shù)分別為160次、100次和80次時(shí)，R²p和RPD值最大，RMSEP最小，預(yù)測(cè)效果*好。

圖4. 多尺度空間特征網(wǎng)絡(luò)不同迭代的預(yù)測(cè)評(píng)價(jià)結(jié)果（a）內(nèi)陸，（b）鞍山灣，（c）膠州灣

內(nèi)陸灣、鰲山灣和膠州灣不同分段區(qū)塊數(shù)和輟學(xué)率的預(yù)測(cè)結(jié)果表明，當(dāng)內(nèi)陸區(qū)分段塊數(shù)為3個(gè)，輟學(xué)率為0.6時(shí)，預(yù)測(cè)效果*好。鰲山灣在分段區(qū)塊數(shù)為3、drop - out概率為0.9時(shí)，預(yù)測(cè)效果*好。在膠州灣，當(dāng)分段塊數(shù)為2個(gè)，drop - out概率為0.8時(shí)，預(yù)測(cè)效果*好。（2）多尺度空間與光譜特征融合方法與傳統(tǒng)方法的實(shí)驗(yàn)比較將內(nèi)陸灣、鰲山灣和膠州灣土壤樣品按序列順序按2:1的比例劃分為校準(zhǔn)集和預(yù)測(cè)集。將高光譜數(shù)據(jù)歸一化后，利用SpeMN提取光譜特征，利用SpeSpaMN提取光譜特征和空間特征，建立3個(gè)樣地的土壤碳含量模型。無(wú)信息變量消除法（UVE）、逐次投影算法（SPA）、遺傳算法（GA）、pearson相關(guān)系數(shù)（PCC）、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）和隨機(jī)蛙（RF）是常用的光譜特征提取方法?；叶裙采仃嚕℅LCM）、Gabor和局部二值模式（LBP）是常用的低層次空間特征提取方法。因此，分別采用6種光譜特征提取方法、3種低水平空間特征提取方法結(jié)合全光譜建立PLSR土壤碳含量模型。對(duì)3個(gè)樣地的多種特征提取方法的預(yù)測(cè)結(jié)果進(jìn)行比較。 內(nèi)陸地區(qū)多種特征提取方法對(duì)土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值的擬合結(jié)果如圖5-7所示。

圖5. 內(nèi)陸地區(qū)土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值的多特征提取擬合結(jié)果

圖6. 敖山灣土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值的多特征提取擬合結(jié)果

圖7. 膠州灣土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值的多特征提取擬合結(jié)果

在內(nèi)陸地區(qū)多種特征提取方法的土壤碳含量預(yù)測(cè)結(jié)果中，基于RMSEP和RPD分析，除PCC和RF外，其他特征提取方法均優(yōu)于全譜預(yù)測(cè)結(jié)果。SPA、PCC、SpeMN和SpeSpaMN的R²p、RMSEP和RPD均優(yōu)于全譜。SpeSpaMN預(yù)測(cè)準(zhǔn)確率最高。各方法的預(yù)測(cè)準(zhǔn)確度由高到低依次為:SpeSpaMN、SpeMN、CARS、SPA、UVE、GLCM、LBP、Gabor、GA、全光譜、RF和PCC。與現(xiàn)有的僅提取光譜特征和僅提取空間特征的方法相比，利用SpeMN和SpeSpaMN提取高光譜特征信息可以提高內(nèi)陸土壤碳含量模型的精度。特別是，SpeSpaMN的預(yù)測(cè)結(jié)果RPD值為2.259，從單純的粗略碳含量預(yù)測(cè)提高到準(zhǔn)確的碳含量預(yù)測(cè)。在鰲山灣多種特征提取方法的土壤碳含量預(yù)測(cè)結(jié)果中，基于3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)分析，除GA和PCC外，其他特征提取方法均優(yōu)于全光譜預(yù)測(cè)。在提取光譜特征的方法中，RF預(yù)測(cè)精度最高。在3種僅提取空間特征的方法中，R²p與RF基本一致，RMSEP值低于6種僅提取光譜特征的方法，RPD值高于6種僅提取光譜特征的方法。預(yù)測(cè)效果*好的是LBP。各方法的預(yù)測(cè)準(zhǔn)確度由高到低依次為:SpeSpaMN、SpeMN、LBP、Gabor、GLCM、RF、UVE、SPA、CARS、Full-spectrum、PCC、GA。SpeSpaMN顯著提高了鰲山灣土壤碳含量的預(yù)測(cè)精度，實(shí)現(xiàn)了對(duì)土壤碳含量更準(zhǔn)確的預(yù)測(cè)。在膠州灣多種特征提取方法的土壤碳含量預(yù)測(cè)結(jié)果中，全光譜預(yù)測(cè)精度較差。僅提取光譜特征后，基于對(duì)RMSEP和RPD的分析，除PCC外，所有光譜特征提取方法均優(yōu)于全光譜。通過(guò)對(duì)R²p的分析，發(fā)現(xiàn)全光譜的R²p最好。在3種僅提取空間特征的方法中，只有Gabor的預(yù)測(cè)結(jié)果優(yōu)于全光譜和6種光譜特征提取方法的預(yù)測(cè)結(jié)果。各方法的預(yù)測(cè)準(zhǔn)確度由高到低依次為:Gabor、SpeSpaMN、UVE、SPA、RF、CARS、GA、Full-spectrum、PCC、GLCM、SpeMN、LBP。SpeMN的預(yù)測(cè)精度不如全譜。與全譜相比，SpeSpaMN降低RMSEP，增加RPD，但R²p低于全譜。雖然一些特征提取方法可以提高膠州灣土壤碳含量的預(yù)測(cè)精度，但其提高程度有限，兩種特征提取方法都不能較好地預(yù)測(cè)土壤碳含量。在3個(gè)樣地中，基于SpeSpaMN的土壤碳含量預(yù)測(cè)效果*好，其次是SpeMN。與HSI全譜相比，內(nèi)陸、鰲山灣和膠州灣樣品的RPD分別提高了47.36%、37.96%和4.30%。將不同回歸方法的預(yù)測(cè)精度與SpeMN和SpeSpaMN進(jìn)行比較。將3個(gè)樣地的土壤樣品按序列號(hào)順序按2:1的比例劃分為校準(zhǔn)集和預(yù)測(cè)集。將高光譜數(shù)據(jù)歸一化后，利用SpeMN和SpeSpaMN建立3個(gè)樣地的土壤碳含量模型，并與主成分回歸（PCR）、偏最小二乘回歸（PLSR）、最小二乘支持向量機(jī)（LSSVM）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、長(zhǎng)短期記憶（LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）建立的土壤碳含量預(yù)測(cè)結(jié)果進(jìn)行比較。通過(guò)多種建模方法對(duì)三個(gè)樣地土壤碳含量的預(yù)測(cè)結(jié)果如表2所示。

表2 不同建模下的土壤碳含量預(yù)測(cè)結(jié)果

在內(nèi)陸地區(qū)多種建模方法的土壤碳含量預(yù)測(cè)結(jié)果中，LSTM在PCR、PLSR、LSSVM、BPNN、LSTM和CNN中預(yù)測(cè)效果*好。對(duì)比6種方法，SpeMN方法優(yōu)于LSTM方法。使用SpeSpaMN方法對(duì)土壤碳含量的預(yù)測(cè)結(jié)果有明顯改善，優(yōu)于其他方法，可以更準(zhǔn)確地預(yù)測(cè)土壤碳含量。利用SpeMN和SpeSpaMN提取高光譜特征信息可以不同程度地提高內(nèi)陸土壤碳含量的預(yù)測(cè)精度。在鰲山灣多種建模方法的土壤碳含量預(yù)測(cè)結(jié)果中，除BPNN外，PCR、PLSR、LSSVM、LSTM和CNN均能較好地預(yù)測(cè)土壤碳含量。與其他5種方法相比，SpeMN模型的預(yù)測(cè)效果進(jìn)一步提高。SpeSpaMN預(yù)測(cè)效果*好。SpeMN可以改善鰲山灣土壤碳含量模型的預(yù)測(cè)結(jié)果，SpeSpaMN顯著提高了預(yù)測(cè)效果。在膠州灣多種建模方法的土壤碳含量預(yù)測(cè)結(jié)果中，LSSVM的預(yù)測(cè)效果*好。SpeMN模型的預(yù)測(cè)效果僅優(yōu)于PCR、BPNN和CNN。SpeSpaMN優(yōu)于PCR、PLSR、BPNN、LSTM和CNN，略遜于LSSVM。在膠州灣土壤碳含量模型中，兩種模型均不能很好地預(yù)測(cè)土壤碳含量。SpeMN和SpeSpaMN的預(yù)測(cè)效果略有提高。通過(guò)對(duì)3個(gè)樣地多模型土壤碳含量預(yù)測(cè)結(jié)果的分析，對(duì)于現(xiàn)有方法建立的預(yù)測(cè)結(jié)果一般且較好的模型，SpeMN和SpeSpaMN均能不同程度地提高預(yù)測(cè)效果。采用SpeMN和SpeSpaMN建立土壤碳含量模型，分別采用KS法和SPXY法按2:1的比例對(duì)校正集和預(yù)測(cè)集進(jìn)行劃分，并與PCR、PLSR、LSSVM、BPNN、LSTM和CNN模型進(jìn)行比較。在KS法和SPXY法的預(yù)測(cè)結(jié)果中，SPXY法在3個(gè)樣地的預(yù)測(cè)結(jié)果優(yōu)于KS法。這是因?yàn)镾PXY方法在劃分校準(zhǔn)集和預(yù)測(cè)集時(shí)考慮了每個(gè)樣品的碳含量，劃分后的校準(zhǔn)集在分布上更具代表性，因此預(yù)測(cè)效果更好。以內(nèi)陸樣本為例，從兩種劃分方法的主成分空間分布圖（圖8）可以看出，用SPXY劃分的校準(zhǔn)集和預(yù)測(cè)集樣本分布均勻，更有利于模型的建立。在不同定標(biāo)集和預(yù)測(cè)集劃分方法的土壤碳含量預(yù)測(cè)結(jié)果中，SpeMN和SpeSpaMN在各樣地的預(yù)測(cè)結(jié)果均優(yōu)于其他6種方法，其中SpeSpaMN的預(yù)測(cè)效果*好。無(wú)論采用哪種分割方法，SpeMN和SpeSpaMN的預(yù)測(cè)效果*好，驗(yàn)證了SpeMN和SpeSpaMN方法的準(zhǔn)確性和穩(wěn)定性。

圖8. 由KS和SPXY劃分內(nèi)陸校正集和預(yù)測(cè)集的主成分空間分布圖

結(jié)論

以內(nèi)陸、鰲山灣和膠州灣土壤樣品的高光譜圖像為例，提出了多尺度光譜特征網(wǎng)絡(luò)（SpeMN）和多尺度光譜與空間特征網(wǎng)絡(luò)（SpeSpaMN），建立了3個(gè)樣地的土壤碳含量模型。SpeMN以多尺度的光譜向量作為輸入，獲取多尺度的光譜特征，實(shí)現(xiàn)了不同尺度特征之間的互補(bǔ)。SpeSpaMN在SpeMN的基礎(chǔ)上融合了多尺度空間特征網(wǎng)絡(luò)，既提取了多尺度光譜特征信息，又提取了不同尺度的HSI空間背景特征。3個(gè)樣地中，SpeSpaMN對(duì)土壤碳含量的預(yù)測(cè)效果*好，SpeMN次之。SpeSpaMN在內(nèi)陸、鰲山灣和膠州灣樣品中的RPD分別為2.259、3.311和1.238，分別比高光譜全光譜圖像高47.36%、37.96%和4.30%。通過(guò)比較不同的特征提取方法、不同的回歸方法、不同的校正集和預(yù)測(cè)集劃分方法，進(jìn)一步驗(yàn)證了SpeMN和SpeSpaMN的準(zhǔn)確性和穩(wěn)定性。本文能夠有效解決高光譜圖像土壤碳含量預(yù)測(cè)中空間特征與光譜特征的深度融合問(wèn)題，從而提高土壤碳含量預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性，促進(jìn)高光譜圖像土壤碳含量預(yù)測(cè)的應(yīng)用和發(fā)展，并為碳循環(huán)和碳匯的研究提供技術(shù)支持。

推薦產(chǎn)品

GaiaField Pro-V10便攜式高光譜相機(jī)

作者簡(jiǎn)介

通訊作者：范萍萍，山東省科學(xué)院海洋儀器儀表研究所，碩導(dǎo)

參考文獻(xiàn)

論文引用自一區(qū)文章：Xueying Li, Zongmin Li, Huimin Qiu, Guangyuan Chen, Pingping Fan, Yan Liu. Multi-scale spatial and spectral feature fusion for soil carbon content prediction based on hyperspectral images. Ecological Indicators. Volume 160, 2024, 111843.