郑文博

（安徽理工大学空间信息与测绘工程学院，安徽 淮南232001）

有机质含量是衡量土壤肥沃度的重要指标。它是指存在于土壤里面的各种含碳有机化合物的总称。传统的获取土壤信息的方法是实地格网采样，这种方法虽然被广泛应用，但是在很多方面仍然存在短板。遥感技术的发展给有机质预测提供有效的途径，土壤有机质含量与对应的影像光谱反射率之间有着紧密的联系。Landsat5TM 影像具有可免费获取、重复观测周期短等优势。光谱信息与地表有机质含量之间的关系较为复杂，一般情况下线性模型是很难去进行较好的解释。机器学习作为非线性学习的代表，在处理复杂问题的表现一直不错。故本文考虑使用Landsat5TM 影像和机器学习中的一些方法去探究多光谱影像预测有机质含量的可行性。

1 研究区域与数据来源

本文研究区是位于江西省北部的乐安河及其支流的沿岸平原区域，28.7°N～29.3°N，116.5°E～117.9°E 之间。研究区内的土壤类型以红壤为主，河流流经沿岸的地区主要分布着潮土和水稻土。样本数据的采集时间是2009 年10 月28 号到11月2 号，野外采样点的位置主要为沿着乐安河及其支流的沿岸平均10m 左右位置进行采集的，本研究的采样点共50 个，其具体数据来自文献[1]。选用2009 年10 月10 号和10 月3 号的LandsatTM5 遥感卫星影像的波谱信息做为实验数据。(因为样本点呈纵向分布，一张影像无法覆盖所有样本点，故采用两种影像拼接后做为单影像) 研究主要考虑地形因子中的坡度、坡向、高程、平面曲率和剖面曲率与土壤间有机质含量的关系。地形因子的数据来自于地理空间数据云的ASTER GDEM 30M 分辨率数字高程数据。

2 反演模型

本文采用的反演模型是SVR[2]和BP[3]及对其参数寻优都GA[4]和ADAFSA[5]。上述方法都是常用的，ADAFSA 是在AFSA(人工鱼群算法)上的改进。

人工鱼群算法全局搜索能力较强，局部搜索能力较弱，非线性规划函数局部搜索能力较强，它能完美弥补人工鱼群算法的不足。本文采用在鱼群计算过程中当迭代次数达到10 的倍数时，将此时状态的鱼群代入到(非线性规划)函数中，去寻找局部最优食物浓度，然后将得到的局部最优解作为新的鱼群个体代入到原鱼群中继续计算。

3 实验分析

3.1 基于光谱反射率的有机质反演模型

对影像的6 个波段、归一化植被指数NDVI=(B4-B3)/(B4+B3)、比值植被指数RVI=B4/B3、结构不敏感色素指数SIPI=(B4-B1)/(B4+B3)进行相关性分析，得到B1 相关性为-0.337**、B2 为-0.348**、B3 为-0.312**、NDVI 为0.269*，B1、B2、B3、NDVI 通过了显著性检验，以它们为输入特征。再根据Rand-KS算法进行样本划分，训练集40 个，验证集7 个。

以波段和波段指数为输入, 建立SVR、GA-SVR、ADAFSA-SVR。预测值误差如图1，从图中得到1 号点在三种寻优方法下建立的SVR 模型得到的相对误差都很小基本不超过10%，三个模型中2 号点和7 号点的相对误差均较大。7 号点的有机质含量是最低的，误差较大的点其有机质含量偏低，这可能是因为波谱信息对有机质含量低的土壤敏感性差的原因。建立BP、GA-BP、ADAFSA-BP，得到1 号点在3 个模型里面的平均预测效果最好，误差波动不大，相对误差都不超过20%。其次就是4 号点的平均预测效果最好，相对误差在20%左右，在ADAFSA-BP 模型中还不超过10%。其余点号的相对误差在三种模型中均超过了20%，尤其是7 号点的相对误差，在三种模型中都是最高的。

图1 模型预测值误差

表1 预测模型精度分析

从表1 中可以看出，优化后的两种机器学习模型相比普通的模型在预测精度上有提升。从有机质预测含量的相对误差情况看，可能是因为波谱信息对有机质含量低的土壤的敏感性低。训练集除了其中的两个模型出现了R2超过0.6 的情况，别的模型训练集决定系数都低于0.5。可以得出模型的精度低是因为输入特征较少，建立的模型可解释性低造成。

3.2 引入地形因子后的有机质反演模型

将高程和Arcgis 提取的坡度、坡向、平面曲率、剖面曲率做相关性分析，高程相关性为-0.217* 、坡度为0.298*、平面曲率-0.277**、坡向为-0.121、剖面曲率为0.302*，得到除了坡向外剩余的地形因子均通过了显著性检验。这说明了地形因子与有机质之间确实存在着一定的联系。接下来将地形因子同波信息一起作为输入特征，来探究是否可以提升模型的精度。

图2 加入地形因子后模型预测值误差

以波段、波段指数和地形因子为模型输入特征，建立SVR、GA-SVR、ADAFSA-SVR、BP、GA-BP、ADAFSA-BP。预测值误差如图2，从图中可以看出，虽然1 号点受地形输入特征的影响，相对之前的三种SVR 预测精度降低了，但是在7 号点上的预测精度均有很大的提升，别的点号对应的相对误差对比之前的SVR 有不同幅度的变化。说明引入地形因子对不同含量的有机质预测精度影响是不一致的，有的呈正相关性，有的呈负相关性。对于波段信息敏感性不高的低有机质含量土壤，地形因子具有非常高的正相关性。

表2 加入地形因子后预测模型精度分析

从表2 中可以看出，引入地形因子后模型的预测效果均有很明显的提升。从训练集上同样可以看出，加入地形因子增加了六种模型对训练集的解释能力。ADAFSA-BP 相比GA-BP 和BP；ADAFSA-SVR 相比GA-SVR 和SVR 不管是再训练集和测试集上面表现的都更加优秀。说明改进鱼群算法在优化支持向量机超参数和神经网络初始权值和阈值上，相比遗传算法、网格搜索法和随机生成发都具有一定的优势。

以为指标，对R2超过0.45 的模型进行计算得到GA-SVR为1.37；ADAFSA-SVR 为1.48；GA-BP 为1.39；ADAFSA-BP 为1.54。以大于1.5 为标准，可以得出以加入地形因子后的ADAFSA-BP 和ADAFSA-SVR 算法进行建模得到的模型对研究区土壤有机质含量的预测是具有一定可靠性的。

4 结论

以波段和波段指数为输入特征的6 个模型中，7 号点的预测误差均是最高的，说明在本研究区波段信息对低有机质含量的土壤敏感性较低。加入地形因子做为输入特征后，虽然别的预测点误差出现了不同幅度的波动，但是7 号点的预测精度提升非常明显，各个模型的训练集和预测集精度均有较明显的提升，这说明地形因子对于提升有机质含量反演具有较好的正相关作用。以波段信息和地形因子为输入特征建立的ADAFSA-SVR 模型、ADAFSA-BP 模型可对研究区的有机质含量进行有效反演其R2分别为0.54、0.57，RPD 分别为1.48、1.54。