基于增强光谱特征集与机器学习模型的黄河以北农田土壤全氮遥感反演与制图研究

《Journal of Trace Elements and Minerals》：Remote sensing inversion and mapping of soil total nitrogen based on an enhanced spectral feature set and machine learning model

　　

摘要 背景：土壤全氮（Total Nitrogen，TN）是植物生长的重要养分来源，也是评价土壤质量的关键指标之一。快速、准确地获取农田土壤全氮信息，对于耕地质量评价和精准农业管理具有重要意义。 目的：本研究以黄河以北地区为研究区，旨在通过引入新型三角光谱指数并结合机器学习方法，提高区域土壤全氮估算与制图的精度。 方法：共采集82个土壤样本，测定其高光谱数据及土壤全氮含量。研究人员引入一种新型三角光谱指数（SMI），构建增强光谱特征集，并采用随机森林（Random Forest，RF）算法建立土壤全氮估算模型，实现区域尺度土壤全氮含量的反演与制图。利用相对分析误差（Ratio of Performance to Deviation，RPD）、性能与四分位距比（Ratio of Performance to Interquartile Distance，RPIQ）和均方根误差（Root Mean Square Error，RMSE）对随机森林、极端梯度提升（Extreme Gradient Boosting，XGBoost）和支持向量机（Support Vector Machine，SVM）三种模型的性能进行了比较。 结果：结果表明，基于SMI构建的增强光谱特征集有效提高了土壤全氮估算的预测精度。随机森林模型表现最佳，RPD提高至1.31，RPIQ提高至1.46，RMSE降低至0.13。极端梯度提升模型次之，其RPD、RPIQ和RMSE分别为1.25、1.40和0.14。支持向量机模型的估算能力最弱，其RPD、RPIQ和RMSE分别为1.01、1.14和0.17。与极端梯度提升模型相比，随机森林模型的RPD和RPIQ分别提高了0.06，RMSE降低了0.01，表明其具有更好的模型拟合和预测性能。土壤全氮空间分布显示，研究区不存在明显连续的高值区或低值区，而是以中等全氮含量为主，高值和低值斑块呈镶嵌分布，表明区域土壤养分含量存在一定程度的空间异质性。 结论：通过引入新型三角光谱指数构建增强光谱特征集，并结合随机森林算法，本研究绘制了黄河以北地区土壤全氮含量的空间分布图。研究结果有助于提高区域土壤全氮制图的精度，可为耕地质量评价和精准农业管理提供参考。

基于增强光谱特征集与机器学习模型的土壤全氮遥感反演与制图研究解读

一、研究背景与意义

土壤全氮（Total Nitrogen，TN）是评价土壤肥力和农田生产力的关键养分指标之一。土壤氮素参与作物蛋白质、叶绿素、核酸等物质的合成，直接影响叶片扩展、根系发育和茎秆生长，对作物产量形成具有重要作用。当土壤全氮含量不足时，作物常表现为生长缓慢、叶片黄化、分蘖减少；而氮素供应过量则可能导致肥料浪费、土壤环境压力增大以及农业面源污染。因此，快速准确地获取土壤全氮信息对于了解农田养分状况、指导科学施肥和推动精准农业发展具有重要意义。

传统的土壤全氮测定主要依赖田间采样和实验室化学分析，虽结果相对准确，但存在采样点数量有限、处理周期长、成本高、难以连续描述区域空间变异等局限。相比之下，遥感监测可利用地表不同光谱波段的反射差异，建立光谱特征与土壤全氮含量之间的关系，实现土壤养分信息的快速估算。以往研究中，土壤全氮的遥感估算通常先构建有效的光谱特征集，再利用机器学习模型进行反演。常见光谱特征主要包括单波段特征、二维光谱指数以及单波段与二维光谱指数的组合特征。然而，这类方法主要关注波段值本身及波段间的简单组合，虽能表征光谱曲线的整体变化趋势，但对曲线局部形态特征的描述仍显不足。例如，光谱曲线中的拐点、峰谷变化、斜率突变和局部形状差异可能蕴含与土壤养分相关的细微信息，若仅采用传统单波段特征或常规二维光谱指数，可能遗漏部分有效信息，从而影响模型预测精度。

基于上述问题，本研究在传统光谱特征构建方法的基础上引入三角光谱指数，构建并筛选最优光谱参数集，以从光谱曲线局部形态变化中提取更敏感的特征信息。研究以黄河以北平原农田区域为研究区，利用实测土壤全氮数据和遥感光谱信息，构建不同光谱特征集下的土壤全氮估算模型，并通过模型比较分析验证三角光谱指数在提高土壤全氮遥感反演精度和降低预测误差方面的有效性，为区域土壤养分监测和精准农田管理提供参考。

二、研究内容与主要结论

研究区位于中国黄河以北地区，地理坐标约为东经116°54′27″–117°11′00″、北纬36°46′04″–36°57′21″，以黄河冲积平原为主，耕地广泛分布，土壤类型主要为潮土等平原农田土壤，土层较厚，主要作物为小麦、玉米等典型北方粮食作物。研究采用网格采样法，利用ArcGIS Desktop 10.8在黄河以北区域均匀布设82个采样点，于2024年10月分两批采集土壤样本，第一批57个、第二批25个。每个采样点以“S”形在半径10米圆形范围内布设5个采样位置，采集0–20厘米表层土壤约2公斤，混合后采用四分法保留约1公斤样本。样本经自然风干、研磨过100目筛后，一份用于土壤光谱采集，一份用于土壤全氮测定。土壤全氮含量采用凯氏定氮法（Kjeldahl method）测定。

遥感数据采用资源一号02D卫星（ZY1-02D）高光谱影像，该卫星是中国自主研制的首颗业务型民用高光谱卫星，于2019年9月12日发射，搭载先进高光谱成像仪（AHSI），幅宽60公里，光谱范围395–2501纳米，空间分辨率30米，共166个波段。影像获取日期为2023年3月1日，与野外土壤采样时间接近。影像预处理包括辐射定标、大气校正、条带去除、波段选择、正射校正和光谱去噪等步骤。辐射定标采用线性模型建立辐亮度与DN值之间的定量关系；大气校正采用FLAASH模型，设置传感器高度778公里、地面高程1.5公里、像元大小30米、中纬度夏季大气模型等参数；条带去除采用全局去条带方法，通过计算目标影像与参考影像各列均值和标准差进行校正。

研究引入新型三角光谱指数（SMI）构建增强光谱特征集，并采用随机森林（Random Forest，RF）算法建立土壤全氮估算模型。模型性能采用相对分析误差（RPD）、性能与四分位距比（RPIQ）和均方根误差（RMSE）三个指标进行评估，并与极端梯度提升（Extreme Gradient Boosting，XGBoost）和支持向量机（Support Vector Machine，SVM）模型进行比较。

三、研究结果

增强光谱特征集对预测精度的提升效果：基于SMI构建的增强光谱特征集有效提高了土壤全氮估算的预测精度，表明三角光谱指数能够从光谱曲线局部形态变化中提取更多与土壤全氮相关的敏感信息。

不同模型性能比较：随机森林模型表现最佳，RPD提高至1.31，RPIQ提高至1.46，RMSE降低至0.13；极端梯度提升模型次之，RPD、RPIQ和RMSE分别为1.25、1.40和0.14；支持向量机模型估算能力最弱，RPD、RPIQ和RMSE分别为1.01、1.14和0.17。与XGBoost模型相比，RF模型的RPD和RPIQ分别提高了0.06，RMSE降低了0.01，表明其具有更好的模型拟合和预测性能。

土壤全氮空间分布特征：研究区土壤全氮空间分布不存在明显连续的高值区或低值区，而是以中等全氮含量为主，高值和低值斑块呈镶嵌分布，表明区域土壤养分含量存在一定程度的空间异质性。

四、讨论与结论

讨论部分指出，引入三角光谱指数构建增强光谱特征集能够有效弥补传统单波段特征和二维光谱指数在描述光谱曲线局部形态特征方面的不足，从而提取更多与土壤全氮相关的敏感信息。随机森林模型在三种机器学习模型中表现最优，说明其能够更好地处理增强光谱特征集中的高维特征信息，具有较强的泛化能力。

研究结论：通过引入新型三角光谱指数构建增强光谱特征集，并结合随机森林算法，本研究绘制了黄河以北地区土壤全氮含量的空间分布图。研究结果有助于提高区域土壤全氮制图的精度，可为耕地质量评价和精准农业管理提供参考。