應用方向

高光譜成像技術在本研究中的應用方向是土壤碳含量預測。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測的精度和穩定性。這種方法結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絡(SpeSpaMN)模型，有助于在大范圍和快速采集土壤碳含量數據的應用。

背景

土壤碳是生態系統碳循環的重要組成部分，對氣候變化和碳匯評估具有關鍵作用。傳統的土壤碳測量方法精度高，但只能進行點測量，無法滿足大范圍、快速獲取數據的需求。因此，高光譜成像技術逐漸應用于土壤碳含量預測，它可以在大尺度范圍內采集豐富的光譜和空間信息，適合于現場數據收集。然而，當前大多數基于高光譜圖像的土壤碳預測方法主要依賴于光譜信息，忽視了空間信息的融合，無法充分揭示數據的內在結構特征。為解決這一問題，研究提出了一種結合多尺度光譜和空間特征的深度學習方法，旨在提高土壤碳含量預測的準確性和穩定性。

實驗設計

1.1.材料與方法

（1）樣本準備試驗樣品采自中國青島內陸、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。棕壤是青島內陸地區分布*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陸土壤。

圖1. 土壤取樣位置圖

（2）高光譜圖像采集與化學分析采用“GaiaField”高光譜成像系統（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據進行平均處理，內陸、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計結果如表1所示。

1.2.結果與討論

（1）模型參數設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習率設為1e-2，權值衰減設為1e-6，采用自適應矩估計（Adam）進行優化，批大小設為16。迭代次數設置為10 ~ 200次，間隔為10，分別計算內陸、鰲山灣和膠州灣的R²_p、RMSEP和RPD。不同迭代SpeMN的預測評價結果如圖3所示。在SpeMN中，當內陸灣、鰲山灣和膠州灣土壤樣品的迭代次數分別為50、70和20次時，R²_p和RPD值最大，RMSEP最小，預測效果*好。

圖3. 多尺度光譜特征網絡不同迭代的預測評價結果（a）內陸，（b）鞍山灣，（c）膠州灣

三個樣本圖模型的學習率設為1e-2，權值衰減設為1e-6，采用隨機梯度下降法（SGD）進行優化，批大小設為16。迭代次數設置為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的預測評價結果如圖3所示。在SpaMN中，當內陸灣、鰲山灣和膠州灣土壤樣品的迭代次數分別為160次、100次和80次時，R²p和RPD值最大，RMSEP最小，預測效果*好。

圖4. 多尺度空間特征網絡不同迭代的預測評價結果（a）內陸，（b）鞍山灣，（c）膠州灣

內陸灣、鰲山灣和膠州灣不同分段區塊數和輟學率的預測結果表明，當內陸區分段塊數為3個，輟學率為0.6時，預測效果*好。鰲山灣在分段區塊數為3、drop - out概率為0.9時，預測效果*好。在膠州灣，當分段塊數為2個，drop - out概率為0.8時，預測效果*好。（2）多尺度空間與光譜特征融合方法與傳統方法的實驗比較將內陸灣、鰲山灣和膠州灣土壤樣品按序列順序按2:1的比例劃分為校準集和預測集。將高光譜數據歸一化后，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相關系數（PCC）、競爭自適應重加權采樣（CARS）和隨機蛙（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測結果進行比較。 內陸地區多種特征提取方法對土壤碳含量實測值與預測值的擬合結果如圖5-7所示。

圖5. 內陸地區土壤碳含量實測值與預測值的多特征提取擬合結果

圖6. 敖山灣土壤碳含量實測值與預測值的多特征提取擬合結果

圖7. 膠州灣土壤碳含量實測值與預測值的多特征提取擬合結果

在內陸地區多種特征提取方法的土壤碳含量預測結果中，基于RMSEP和RPD分析，除PCC和RF外，其他特征提取方法均優于全譜預測結果。SPA、PCC、SpeMN和SpeSpaMN的R²p、RMSEP和RPD均優于全譜。SpeSpaMN預測準確率最高。各方法的預測準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陸土壤碳含量模型的精度。特別是，SpeSpaMN的預測結果RPD值為2.259，從單純的粗略碳含量預測提高到準確的碳含量預測。在鰲山灣多種特征提取方法的土壤碳含量預測結果中，基于3個評價標準分析，除GA和PCC外，其他特征提取方法均優于全光譜預測。在提取光譜特征的方法中，RF預測精度最高。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。預測效果*好的是LBP。各方法的預測準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測精度，實現了對土壤碳含量更準確的預測。在膠州灣多種特征提取方法的土壤碳含量預測結果中，全光譜預測精度較差。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于全光譜。通過對R²p的分析，發現全光譜的R²p最好。在3種僅提取空間特征的方法中，只有Gabor的預測結果優于全光譜和6種光譜特征提取方法的預測結果。各方法的預測準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測土壤碳含量。在3個樣地中，基于SpeSpaMN的土壤碳含量預測效果*好，其次是SpeMN。與HSI全譜相比，內陸、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測精度與SpeMN和SpeSpaMN進行比較。將3個樣地的土壤樣品按序列號順序按2:1的比例劃分為校準集和預測集。將高光譜數據歸一化后，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（LSSVM）、反向傳播神經網絡（BPNN）、長短期記憶（LSTM）和卷積神經網絡（CNN）建立的土壤碳含量預測結果進行比較。通過多種建模方法對三個樣地土壤碳含量的預測結果如表2所示。

表2 不同建模下的土壤碳含量預測結果

在內陸地區多種建模方法的土壤碳含量預測結果中，LSTM在PCR、PLSR、LSSVM、BPNN、LSTM和CNN中預測效果*好。對比6種方法，SpeMN方法優于LSTM方法。使用SpeSpaMN方法對土壤碳含量的預測結果有明顯改善，優于其他方法，可以更準確地預測土壤碳含量。利用SpeMN和SpeSpaMN提取高光譜特征信息可以不同程度地提高內陸土壤碳含量的預測精度。在鰲山灣多種建模方法的土壤碳含量預測結果中，除BPNN外，PCR、PLSR、LSSVM、LSTM和CNN均能較好地預測土壤碳含量。與其他5種方法相比，SpeMN模型的預測效果進一步提高。SpeSpaMN預測效果*好。SpeMN可以改善鰲山灣土壤碳含量模型的預測結果，SpeSpaMN顯著提高了預測效果。在膠州灣多種建模方法的土壤碳含量預測結果中，LSSVM的預測效果*好。SpeMN模型的預測效果僅優于PCR、BPNN和CNN。SpeSpaMN優于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測土壤碳含量。SpeMN和SpeSpaMN的預測效果略有提高。通過對3個樣地多模型土壤碳含量預測結果的分析，對于現有方法建立的預測結果一般且較好的模型，SpeMN和SpeSpaMN均能不同程度地提高預測效果。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測集進行劃分，并與PCR、PLSR、LSSVM、BPNN、LSTM和CNN模型進行比較。在KS法和SPXY法的預測結果中，SPXY法在3個樣地的預測結果優于KS法。這是因為SPXY方法在劃分校準集和預測集時考慮了每個樣品的碳含量，劃分后的校準集在分布上更具代表性，因此預測效果更好。以內陸樣本為例，從兩種劃分方法的主成分空間分布圖（圖8）可以看出，用SPXY劃分的校準集和預測集樣本分布均勻，更有利于模型的建立。在不同定標集和預測集劃分方法的土壤碳含量預測結果中，SpeMN和SpeSpaMN在各樣地的預測結果均優于其他6種方法，其中SpeSpaMN的預測效果*好。無論采用哪種分割方法，SpeMN和SpeSpaMN的預測效果*好，驗證了SpeMN和SpeSpaMN方法的準確性和穩定性。

圖8. 由KS和SPXY劃分內陸校正集和預測集的主成分空間分布圖

結論

以內陸、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絡（SpeMN）和多尺度光譜與空間特征網絡（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，實現了不同尺度特征之間的互補。SpeSpaMN在SpeMN的基礎上融合了多尺度空間特征網絡，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對土壤碳含量的預測效果*好，SpeMN次之。SpeSpaMN在內陸、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、不同的校正集和預測集劃分方法，進一步驗證了SpeMN和SpeSpaMN的準確性和穩定性。本文能夠有效解決高光譜圖像土壤碳含量預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測的準確性和穩定性，促進高光譜圖像土壤碳含量預測的應用和發展，并為碳循環和碳匯的研究提供技術支持。

推薦產品

GaiaField Pro-V10便攜式高光譜相機

作者簡介

通訊作者：范萍萍，山東省科學院海洋儀器儀表研究所，碩導

參考文獻

論文引用自一區文章：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.