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。通過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。
土壤碳是生態(tài)系統(tǒng)碳循環(huán)的重要組成部分，對氣候變化和碳匯評估具有關(guān)鍵作用。傳統(tǒng)的土壤碳測量方法精度高，但只能進(jìn)行點測量，無法滿足大范圍、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，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)測方法主要依賴于光譜信息，忽視了空間信息的融合，無法充分揭示數(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)測的準(zhǔn)確性和穩(wěn)定性。
1.1.材料與方法
（1）樣本準(zhǔn)備試驗樣品采自中國青島內(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。為了方便查看每個樣地的土壤光譜，對每個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元素分析儀測定土壤碳含量。三個樣地測得的土壤碳含量統(tǒng)計結(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，每個像元的光譜波段為360，三個樣圖模型的學(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（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，分別計算內(nèi)陸、鰲山灣和膠州灣的R2p、RMSEP和RPD。不同迭代SpeMN的預(yù)測評價結(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，R2p和RPD值最大，RMSEP最小，預(yù)測效果*好。
圖3. 多尺度光譜特征網(wǎng)絡(luò)不同迭代的預(yù)測評價結(jié)果（a）內(nèi)陸，（b）鞍山灣，（c）膠州灣
三個樣本圖模型的學(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，分別計算3個樣地的R2p、RMSEP和RPD。不同迭代SpaMN的預(yù)測評價結(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，R2p和RPD值最大，RMSEP最小，預(yù)測效果*好。
圖4. 多尺度空間特征網(wǎng)絡(luò)不同迭代的預(yù)測評價結(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)測結(jié)果表明，當(dāng)內(nèi)陸區(qū)分段塊數(shù)為3個，輟學(xué)率為0.6時，預(yù)測效果*好。鰲山灣在分段區(qū)塊數(shù)為3、drop - out概率為0.9時，預(yù)測效果*好。在膠州灣，當(dāng)分段塊數(shù)為2個，drop - out概率為0.8時，預(yù)測效果*好。（2）多尺度空間與光譜特征融合方法與傳統(tǒng)方法的實驗比較將內(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個樣地的土壤碳含量模型。無信息變量消除法（UVE）、逐次投影算法（SPA）、遺傳算法（GA）、pearson相關(guān)系數(shù)（PCC）、競爭自適應(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。灰度共生矩陣（GLCM）、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3個樣地的多種特征提取方法的預(yù)測結(jié)果進(jìn)行比較。 內(nèi)陸地區(qū)多種特征提取方法對土壤碳含量實測值與預(yù)測值的擬合結(jié)果如圖5-7所示。
圖5. 內(nèi)陸地區(qū)土壤碳含量實測值與預(yù)測值的多特征提取擬合結(jié)果
圖6. 敖山灣土壤碳含量實測值與預(yù)測值的多特征提取擬合結(jié)果
圖7. 膠州灣土壤碳含量實測值與預(yù)測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)測結(jié)果。SPA、PCC、SpeMN和SpeSpaMN的R2p、RMSEP和RPD均優(yōu)于全譜。SpeSpaMN預(yù)測準(zhǔn)確率最高。各方法的預(yù)測準(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)測結(jié)果RPD值為2.259，從單純的粗略碳含量預(yù)測提高到準(zhǔn)確的碳含量預(yù)測。在鰲山灣多種特征提取方法的土壤碳含量預(yù)測結(jié)果中，基于3個評價標(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。在提取光譜特征的方法中，RF預(yù)測精度最高。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)測效果*好的是LBP。各方法的預(yù)測準(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)測精度，實現(xiàn)了對土壤碳含量更準(zhǔn)確的預(yù)測。在膠州灣多種特征提取方法的土壤碳含量預(yù)測結(jié)果中，全光譜預(yù)測精度較差。僅提取光譜特征后，基于對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。通過對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)測結(jié)果優(yōu)于全光譜和6種光譜特征提取方法的預(yù)測結(jié)果。各方法的預(yù)測準(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)測土壤碳含量。在3個樣地中，基于SpeSpaMN的土壤碳含量預(yù)測效果*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)測精度與SpeMN和SpeSpaMN進(jìn)行比較。將3個樣地的土壤樣品按序列號順序按2:1的比例劃分為校準(zhǔn)集和預(yù)測集。將高光譜數(shù)據(jù)歸一化后，利用SpeMN和SpeSpaMN建立3個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)測結(jié)果進(jìn)行比較。通過多種建模方法對三個樣地土壤碳含量的預(yù)測結(jié)果如表2所示。
表2 不同建模下的土壤碳含量預(yù)測結(jié)果
在內(nèi)陸地區(qū)多種建模方法的土壤碳含量預(yù)測結(jié)果中，LSTM在PCR、PLSR、LSSVM、BPNN、LSTM和CNN中預(yù)測效果*好。對比6種方法，SpeMN方法優(yōu)于LSTM方法。使用SpeSpaMN方法對土壤碳含量的預(yù)測結(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)測精度。在鰲山灣多種建模方法的土壤碳含量預(yù)測結(jié)果中，除BPNN外，PCR、PLSR、LSSVM、LSTM和CNN均能較好地預(yù)測土壤碳含量。與其他5種方法相比，SpeMN模型的預(yù)測效果進(jìn)一步提高。SpeSpaMN預(yù)測效果*好。SpeMN可以改善鰲山灣土壤碳含量模型的預(yù)測結(jié)果，SpeSpaMN顯著提高了預(yù)測效果。在膠州灣多種建模方法的土壤碳含量預(yù)測結(jié)果中，LSSVM的預(yù)測效果*好。SpeMN模型的預(yù)測效果僅優(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)測土壤碳含量。SpeMN和SpeSpaMN的預(yù)測效果略有提高。通過對3個樣地多模型土壤碳含量預(yù)測結(jié)果的分析，對于現(xiàn)有方法建立的預(yù)測結(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的比例對校正集和預(yù)測集進(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)測結(jié)果中，SPXY法在3個樣地的預(yù)測結(jié)果優(yōu)于KS法。這是因為SPXY方法在劃分校準(zhǔn)集和預(yù)測集時考慮了每個樣品的碳含量，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)測集劃分方法的土壤碳含量預(yù)測結(jié)果中，SpeMN和SpeSpaMN在各樣地的預(yù)測結(jié)果均優(yōu)于其他6種方法，其中SpeSpaMN的預(yù)測效果*好。無論采用哪種分割方法，SpeMN和SpeSpaMN的預(yù)測效果*好，驗證了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)測集的主成分空間分布圖
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，實現(xiàn)了不同尺度特征之間的互補。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個樣地中，SpeSpaMN對土壤碳含量的預(yù)測效果*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)測集劃分方法，進(jìn)一步驗證了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)測中空間特征與光譜特征的深度融合問題，從而提高土壤碳含量預(yù)測的準(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。
GaiaField Pro-V10便攜式高光譜相機(jī)
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)
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.
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服