土壤有机质光谱信息的提取

土壤有机质是土壤的重要组成部分，是植物的营养库，其流失直接影响土壤生产力。土壤有机质不仅能持续缓慢地为植物生长提供养分，还能改善土壤的物理状况，促进团粒结构的形成，从而改善土壤的水分和通风。此外，随着土壤有机质含量的增加，土壤颜色加深，有利于提高土壤温度。土壤有机质的含量可以在一定范围内说明土壤的肥力，是土壤肥力的重要指标之一。一般来说，有机质含量> 2.5%的土壤比较肥沃，1% ~ 2.5%的土壤中等肥沃，< 1%的土壤比较贫瘠，但也不是绝对的。比如东北黑土，有机质含量高，但温度低，分解慢；暖温带某些类型的土壤有机质含量低，但分解快，有效性高，还具有一定的肥力。一般来说，土壤有机质是土壤肥力和作物产量的基础。基于光谱技术的土壤有机质含量反演方法有很多，但这些方法都有一定的局限性，在不同的研究区域和不同的土壤类型下都会存在较大的误差。目前还没有通用的模型。

土地退化评价指标体系由反映土地退化特征的植被、土壤、地形、水文和水文地质、近地表大气等指标组成。这些指标相辅相成，从不同方面反映了退化土地的特征，包括空间上的相对退化和时间上的动态退化。反映土地退化的指标很多，包括植被覆盖率、地表温度、土壤湿度、土壤母质和土壤侵蚀。本节仅选取能够体现高光谱遥感技术优势的土壤有机质指标作为研究对象。以陕西省横山县黄土丘陵区为例，对174个土壤样品的光谱反射率数据和土壤有机质含量进行分析，提取信息，评估高光谱遥感技术在可见光和近红外波段监测土壤有机质的应用潜力，利用多元统计分析技术初步建立反射率反演模型并尝试进行定量制图。

(1)土壤有机质预测模型的建立

为了建立反射率与土壤有机质含量之间的反演模型，寻找对土壤有机质含量敏感的光谱指数，对光谱的反射率进行了8种变换，包括反射率的倒数1/r、反射率的对数lgr、对数1/lgr的倒数、反射率的平方根、反射率的一阶微分r '和倒数一阶微分r' (65438)。采用单相关分析的方法，对实验室测定的174个土壤样品的土壤有机质含量与反射率及其转换形式之间的相关性进行了逐波段分析，相关系数r的表达式如下:

退化荒地遥感信息提取研究

其中:ri为土壤有机质含量OM与光谱反射率或其变换形式之间的单相关系数(均以R表示)；I是波段号；RNI是第n个土壤样品的I波段的光谱反射率值(或其转换值);为I波段n个土壤样品的光谱反射率(或其变换形式)的平均值；OMn为第n个土壤样品的土壤有机质含量；为n个土壤样品的实测土壤有机质含量的平均值；n为174，为土样总数。

本研究的具体思路是基于野外样品的光谱数据。首先，使用高光谱Hyperion数据对野外目标的光谱库进行重采样(二次采样)。利用经验线性拟合方法对基于地物光谱数据的高光谱Hyperion影像进行校正，以进一步建立二者之间的相关性。然后，在前人研究的基础上，利用统计回归分析方法，建立采样点地物光谱数据与土壤有机质含量之间的最优反演模型，并将该模型应用于高光谱Hyperion影像，获取土壤有机质含量的空间分布。

本研究采用容量分析法测定了174个土壤样品的有机质含量。最小值为0.124%，最大值为4.865%，平均值为1.179%，均方差为1.122。Krishnan等人(1980)通过逐步多元线性回归和迭代研究了四种不同的土壤类型，发现在近红外区(800 ~2400nm)没有有机质引起的吸收峰，可见光区对土壤有机质含量的预测优于近红外区，得到的相关系数为0。8732和0。9828。

退化荒地遥感信息提取研究

其中:k是回归常数；ρ是反射率值；λ是波长。

Krishnan等人预测模型中的回归常数k在一定程度上反映了其他因素对土壤有机质光谱特征的影响。但本文不具体讨论，但可以肯定的是623处反射率倒数的对数的一阶微分的比值。6纳米是564处反射率倒数的对数的一阶微分。4nm与土壤有机质含量有关。将其作为W，通过对30个地物光谱数据计算的W值与土壤有机质含量的相关分析，发现W与土壤有机质含量的相关系数达到0。8948，而且有很强的相关性。因此，W被确定为回归分析的变量，其中

退化荒地遥感信息提取研究

。用SPSS软件进行统计回归分析，结果见表3-2。

表3-2土壤有机质含量模型与W的拟合模型表

图3-4有机质含量的实测值和预测值对比

从表3-2可以看出，二次函数Y = 16.466-4.385W+2.668W2的决定系数R2最高，达到0.8684，其中ρ为反射率值，说明其反演效果最好，精度最高。通过30个土壤样品的土壤有机质含量实测值和预测值的散点图(图3-4)，也可以直观地看出，二次函数的结果与实测值接近，具有较好的预测效果。

因此，土壤有机质含量的最佳反演模型为y = 16.466-4.385w+2.668w2，决定系数R2 = 0.8684。

(2)定量参数映射

将建立的土壤有机质含量最优反演模型应用于反射图像，绘制土壤有机质含量指数的定量参数。所谓参数制图，首先是给每个像元赋予特定的参数值，借助于某些波段值或其变换形式与土壤生化参数的半经验关系，可以用来建立预测模型，用统计回归方法建立的土壤有机质含量与反射率的关系就是这样一种预测模型；然后通过这种关系计算高光谱遥感图像中各像元的土壤有机质含量的预测值。最后通过聚类或密度分割将单参数预测图分成几个层次(类)，这就是单参数分布图。

图3-5土壤有机质含量参数图

土壤有机质的最佳反演模型为y = 16.466-4.385w+2.668w2，其中。在ENVI软件中，利用线性光谱分离法提取图像中的土壤信息，利用NDVI指数选取值在0.1 ~ 0.3之间的土壤(NDVI>0.3的植被和NDVI < 0.1的水体)，通过掩膜去除图像中的植被和水体信息。然后，利用ERDAS软件下的空间建模方法，将模型应用于高光谱Hyperion数据，绘制量化参数，得到土壤有机质含量的空间分布(图3-5)。

(3)总结

1)土壤有机质的含量和组成对土壤反射率影响很大。土壤有机质对土壤反射率的影响直观表现为深色土壤有机质含量高于浅色土壤，这说明土壤有机质与可见光反射率的关系:土壤有机质含量越高，可见光反射率越低；反之，可见光的反射率越高。国外学者研究发现，土壤有机质中含有一种叫做腐殖酸的物质，这种物质反射率低，会掩盖土壤反射率和土壤颜色等信息(周青，2004)。Baumgardner等人(1985)发现，当土壤有机质含量超过2%时，可能掩盖了其他因素对土壤光谱的影响；当小于2%时，随着土壤有机质含量的降低，其掩盖其他组分的能力越来越弱，对土壤光谱的影响很小。

2)建立了土壤有机质反演模型Y = 16.466-4.385W+2.668W2。最高决策系数R2为0.8684，将该模型用于高光谱图像参数制图，取得了满意的结果。

3)反射率为对数的一阶微分方程的统计回归分析有两个目的:一是一阶微分变换可以去除部分线性或近似线性的背景和噪声光谱对目标光谱的影响；二是将反射率与土壤有机质含量的关系线性化，便于研究。