引言

本文以山西省長治王莊煤礦周邊3種處于不同沉陷階段的耕地為例，在研究區內進行樣品采集，并使用無人機搭載高光譜相機進行影像獲取，利用多元線性回歸、偏最小二乘回歸和BP神經網絡3種模型對有機質含量進行預測，并對模型預測結果進行精度評價，將優選模型代入無人機高光譜影像進行有機質填圖，得到耕地范圍內的有機質分布情況，并對處于不同沉陷階段的耕地土壤有機質空 間分布差異情況及驅動因子進行分析討論，為無人機高光譜遙感在礦區復墾、養分快速估測等提供參考。

2、材料與方法

2.1 研究區概況

研究區位于長治市王莊煤礦（112°58′25″E～113°03′21″E，36°14′04″N～36°24′35″N），地處潞安礦區的東北部，跨長治市潞州區、屯留縣、襄垣縣3個行政區，地處黃土高原暖溫帶半干旱大陸性季風氣候區，溫差變化大，年平均氣溫8.9℃。研究區土壤以碳酸鹽褐土和草甸土為主，其中礦區內主要分布碳酸鹽褐土，自然肥力較高，有明顯的黏化質和鈣化質，田塊呈連片化分布。王莊煤礦的生產能力為596×104t/a，多年的開采活動導致井田內形成了大范圍的采煤塌陷區，對當地的土地資源、生態環境及農業生產造成了明顯影響。在研究區內選定3個試驗小區，其中試驗小區A為煤炭開采擾動區農田，試驗小區B為煤炭開采擾動穩沉區農田，試驗小區C為煤炭開采未擾動區農田，3個試驗小區面積均為1.4hm2，均位于王莊煤礦平原區，屬同一農業種植區域。煤炭開采前，3個小區的氣候、地貌、土壤特征一致，作物類型為春玉米，于每年4月采用旋耕機作業整地，10月收割，一年一熟；煤炭開采后的地表裂縫經過掩埋推平，種植作物類型和耕作方式與開采前一致，但由于煤炭開采沉陷使3個小區分別處于開采擾動、穩沉和未擾動3個不同階段，生態驅動因素發生變化，導致土壤理化性質、地表植被、人類管理方式發生改變。

圖 1 研究區概況

表 1 樣品有機質含量

2.2 數據獲取與預處理

2.2.1 土壤樣品采集與處理

2020年分別在煤炭開采擾動區（擾動區），煤炭開采擾動穩沉區（穩沉區）及煤炭開采未擾動區（對照區）內按棋盤式布點，利用取土器采集地面表層0～20cm深度的土壤，每個采樣點按中心點周圍X形的5個樣地土壤混合為一個土樣。若采樣點落在農田設施上則取附近耕地土壤代替，同時使用GPS記錄采樣點地理坐標。將采集的57個土樣送回實驗室，待風干、研磨、過篩后將土樣分為兩部分，一部分過0.15mm篩，用于進行土壤養分理化性質實驗，采用重鉻酸鉀外加熱法測定有機質含量，測定結果如表1，另一部分用于室內土壤光譜測量。

2.2.2 無人機影像獲取與預處理

在所選3個試驗小區內，采用無人機搭載高光譜光譜儀于2020年 10月30日飛行拍攝高光譜影像，拍攝時段選擇當地時間10:00—15:00，此時段內有足夠的太陽高度角，光照條件穩定；地面能見度不小于15km，無卷云、濃積云等；測量時間內空中風力小于4 級，地面風力小于3級：飛行高度100m，速度4m/s。對高光譜影像進行輻射率轉換、反射率轉換、幾何校正、大氣校正、鑲嵌和裁剪、道路掩膜等預處理，結果如圖2所示。

圖2 預處理后高光譜影像

3、結果與分析

3.1 特征波段選擇

將原始土壤光譜曲線及4種不同形式變換的土壤光譜曲線與實測樣本有機質含量做相關性分析，計算光譜與土壤有機質含量的相關系數，結果如圖3所示。

圖3 土壤有機質與各種光譜變換形式相關性分析

從圖3中可以看出，未經變換和經過倒數變換的反 射率光譜曲線與有機質呈整體正相關，相關系數低于0.4。反射率光譜曲線經過一階微分變換與有機質含量的相關性有所增強，表現為在386.64～414.25nm內正相關，在414.25～835.76、875.18～1 012.93nm內負相關。反射率光譜曲線經過二階微分變換與有機質含量的相關性增強最為明顯，相關系數曲線波動劇烈，與有機質含量正相關系數的峰值主要位于1021.92、1017.42、805.27、 744.77nm處，最大正相關系數為0.61，負相關系數的峰值主要位于680.62、655.16、650.93nm附近，最大負相關系數為-0.62。反射率光譜曲線經過多元散射校正變換與有機質含量的相關系數曲線整體呈現為“M”型，相關系數曲線存在兩個正峰值，主要位于932.58nm和471.94nm處，最大相關系數位于932.58nm附近，相關系數為 0.63。

通過分析不同光譜變換與土壤有機質含量的相關性，篩選出的特征波段如表2所示

表2 不同光譜變換下的有機質特征波段

3.2 建模結果

3.2.1 經過光譜變換篩選出的特征波段建模結果

在軟件中分別構建多元線性回歸模型和偏最小二乘回歸模型，對有機質實測值與經過不同光譜變換方式篩選出的特征波段光譜反射率進行回歸分析，并驗證模型精度。3 種模型精度評價指標均選用決定系數R2和均方根誤差RMSE，模型精度評價結果和模型預測結果如表3所示。

表3 3種模型預測有機質含量精度評價

從表3可以看出，利用多元線性回歸模型建立的有機質反演結果中，4種光譜變換方式用于有機質反演建模整體精度不高，其中倒數、一階微分、二階微分變換方式建模和驗證集 R2不足0.5，比未變換的光譜 建模精度更低，多元散射校正變換方式建模和預測R2分別為0.699和0.654，為同組最高，可用于粗略估計有機質含量。利用偏最小二乘回歸模型建立的有機質反演結果中，對特征波段光譜反射率做倒數、二階微分、多元散射校正變換的模型的建模R2都達到0.6以上，相比未經變換的特征波段建模精度大幅提高，模型的擬合效果較好，其中，多元散射校正變換的建模和驗證R2均達到0.8以上，具有較高的預測精度。

4、討論

本文探索了高光譜數據用于土壤有機質含量預測和無人機高光譜影像用于分析煤炭開采對耕地土壤有機質含量影響的適用性，通過將變換處理后的土壤光譜與實測土壤有機質含量進行相關性分析，提取相關系數較高的光譜波段，研究發現有機質含量與多元散射校正后的 光譜反射率相關系數最高，敏感波段為463.75～492.45nm，870.79～932.58nm處。對不同光譜變換方式下篩選出的特征波段分別使用多元線性回歸、偏最小二乘回歸、BP 神經網絡進行模型構建，結果表明相較于多元線性回歸模型而言，偏最小二乘回歸和BP 神經網絡模型具有更高的精度。對比幾種光譜變換形式，經過多元散射校正變換的建模結果更好。將無人機航拍的高光譜影像基于模型進行有機質含量估測，得到土壤有機質含量的空間分布規律為煤炭開采未擾動區耕地>煤炭開采擾動區耕地>煤炭開采擾動穩沉區耕地，這是因為煤炭開采導致多方面驅動因子變化。

推薦：

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

審核編輯 黃宇