基于集合经验模态分解算法的土壤肥力胁迫甄别与监测_李旭青.pdf

第 38 卷 第 21 期 农 业 工 程 学 报 Vol.38 No.21 2022 年 11 月 Transactions of the Chinese Society of Agricultural Engineering Nov.2022 137 基于集合经验模态分解算法的土壤肥力胁迫甄别与监测 李旭青1,2，刘 帝3，王小丹1,2，赵辰雨1,2，张文龙1,2，王春暖1,2（1.北华航天工业学院遥感信息工程学院，廊坊 065000；2.河北省航天遥感信息处理与应用协同创新中心，廊坊 065000；3.航天宏图信息技术股份有限公司，北京 100195）摘 要：土壤肥力是农作物生长所需的关键要素之一，其水平直接影响农作物的长势甚至产量，然而作物生长过程中受多种胁迫因素的综合影响。避免土壤肥力监测结果受到其他胁迫因素的干扰是土壤肥力精准监测的关键问题之一。该研究旨在分析利用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域，以 EEMD 算法为基础，将分解后的本征模函数（Intrinsic Mode Function，IMF）分量按照年际、年间和年内的尺度进行合成，结合不同的时间尺度及胁迫特征剔除土壤水分胁迫、病虫害胁迫及重金属胁迫等因素，实现对土壤肥力胁迫的有效甄别提取。结合主成分分析相关方法，将有机质、全氮、有效磷以及速效钾 4 项养分指标转换为3 个主成分，初步得到土壤肥力综合评价简易模型，后与分解结果进行拟合，构建并实现了土壤肥力综合水平的定量评价模型。结果表明：1）在年际、年间以及年内 3 组波动组分中，年际波动组分可以较好地反映研究区内土壤肥力胁迫作用对农作物长势的影响；2）利用最小二乘法对土壤养分指标测定数据进行线性拟合，拟合结果与原始数据的决定系数达到了 0.857，能够较好地反映出原始数据的变化水平；3）最终土壤肥力水平评价模型评价结果与实测结果间的平均误差为 11.82%，表明模型预测结果与实际情况契合程度高，模型反演结果能够较好地反映研究区的土壤肥力水平。该研究结合 EEMD 算法与统计学分析实现了土壤肥力胁迫的有效甄别及土壤肥力定量评价模型的构建，为遥感技术在土壤肥力研究领域的应用提供了参考。关键词：遥感；土壤；肥力；集合经验模态分解；胁迫甄别；定量分析 doi：10.11975/j.issn.1002-6819.2022.21.017 中图分类号：S158.2 文献标志码：A 文章编号：1002-6819(2022)-21-0137-10 李旭青，刘帝，王小丹，等.基于集合经验模态分解算法的土壤肥力胁迫甄别与监测J.农业工程学报，2022，38(21)：137-146.doi：10.11975/j.issn.1002-6819.2022.21.017 http:/www.tcsae.org Li Xuqing,Liu Di,Wang Xiaodan,et al.Screening and monitoring of soil fertility stress using ensemble empirical mode decompositionJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2022,38(21):137-146.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2022.21.017 http:/www.tcsae.org 0 引 言 对于农作物而言，其生长过程受诸如水分胁迫、病虫害胁迫、重金属胁迫以及土壤肥力胁迫等多种胁迫因素的影响1-2。其中，土壤肥力在农作物生长过程中发挥着尤为重要的作用3-4，它为农作物生长提供良好的环境，使农作物达到高产优质的效果，最终提高农作物的经济效益。土壤肥力胁迫的甄别与评价研究，对于提高粮食产量、保护耕地土壤质量以及改善环境条件都有十分重要的意义。传统土壤肥力水平监测方法主要通过实地采样测量的方式开展，即对采样点进行农作物的定期长势监测和土壤样本的采集化验5。这类方法的精确度能够得到保 收稿日期：2022-07-08 修订日期：2022-09-10 基金项目：河北省青年科学基金项目（D2018409029）；河北省高等学校科学技术研究青年拔尖人才项目（BJ2020056）；廊坊市第一批“青年拔尖人才”支持项目（LFBJ202005）；河北省高等学校科学技术研究重点项目（ZD2016126）；高分辨率对地观测系统重大专项省（自治区）域产业化应用项目（67-Y40G09-9002-15/18）；高分共性应用技术规范和高分遥感数据云平台处理应用共性关键技术项目（67-Y20A07-9002-16/17）作者简介：李旭青，博士，副教授，研究方向为农业遥感。Email： 证，但其研究过程花费的人力物力成本较高，难以满足大面积实际生产应用中的需求。也有研究通过利用传统的地统计分析法6对土壤有机质（Soil Organic Matter，SOM）的空间分布进行预测来间接监测土壤肥力水平，但是土壤空间变异显著的特点使得地统计分析法需要大量的样本点作为数据支撑才能保证样点的代表性足够强，在土壤空间分布的复杂程度更高的区域，地统计分析法的误差甚至会进一步加大。近年来，通过遥感技术开展的土壤肥力监测手段7具备实时、快速获取海量信息的能力，在很大程度上改善了传统方法存在的缺陷8。刘焕军等9通过对比多种降噪方法处理后的高分五号卫星影像的 SOM 反演结果，证实了降噪方法应用高光谱卫星数据处理中的可行性，为遥感影像数据反演 SOM 提供了参考；焦彩霞等10采用600 nm“弓曲差”以及最小二乘法 2 种方法构建了一种基于高光谱数据的土壤有机质含量估测模型，为卫星遥感数据在 SOM 研究中的应用提供了可靠思路。遥感监测方法实现了对土壤肥力的实时、快速监测，但在应用过程中依然存在精确度不高等方面的不足，为此，国内外研究从监测指标和监测模型方法 2 个角度开展了不同程度的研究。一方面，构建新的模型描述农作物在不同土农业工程学报（http:/www.tcsae.org）2022 年 138壤条件下的长势差异是一条可行的方法。Xu 等11-12基于WorldView-2 影像构建了一种 2 m 分辨率的土壤总氮含量预测模型以及一种基于贝叶斯克里格模型的土壤可交换钾含量的预测模型；方慧婷等13依据 WOFOST 作物模型对土壤速效养分进行反演，为速效养分时空变异的预测提供了参考。另一方面，部分研究着眼于寻找对土壤养分指标变换足够敏感的观测参数以提高监测精度14。唐海涛等15对土壤类型特征波段进行了提取，利用筛选的预测因子采用随机森林模型可实现SOM含量的快速预测；Ibrahim 等16使用归一化植被指数（Normalized Difference Vegetation Index，NDVI）、裸土指数以及土壤调整型植被指数对土壤有机质含量进行反演，具有较好的反演效果；吴亚鹏等17筛选出包括土壤调整型植被指数、修正型红边比率在内的多种植被指数，实现了土壤中氮元素含量变化与敏感植被指数间的有效拟合。综上，以往研究证实了遥感技术在土壤肥力监测上的可行性，但农田生态系统多源胁迫下耕地土壤肥力监测的关键问题在于如何避免监测结果受到其他胁迫因素的干扰，然而却少有研究进行土壤肥力胁迫的甄别及提取，导致未能充分剥离其他胁迫因素的影响。而集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法可以将原始信号分解为几个本征模函数（Intrinsic Mode Function，IMF），通过分析不同 IMF 的时域和频域统计参数，形成不同维度的特征向量18。相关学者利用 EEMD 算法分解提取脑电信号特征19、闪电及应力波信号特征20，进行复合故障检测与识别21，在长时间尺度上获取重金属应力信号特征22。还有学者利用 EEMD 算法和其他算法结合实现共同降噪，如和小波变换23、小波阈值等方法24联和去噪，与形态分量分析、广义S 变换、独立分量分析方法相结合25-26实现混合降噪。EEMD 算法可以简化去噪过程，减少模态混叠现象27-28，为非线性多尺度时序信号的快速处理和不同时间尺度的特征甄别提供了可靠的解决方案29。因此，本研究旨在分析利用 EEMD 算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域，采用高分一号 WFV 影像为数据源获取冬小麦 NDVI 长时间序列，利用 EEMD 算法将序列进行分解后按照年际、年间和年内 3 种尺度进行合成，剔除水分胁迫、病虫害胁迫及重金属胁迫等因素的干扰，降低其他胁迫因素对土壤肥力监测结果的影响。以土壤有机质、全氮、有效磷以及速效钾含量 4 项指标为评价因子，结合主成分分析相关方法构建土壤肥力综合水平的定量评价模型，实现对土壤肥力胁迫的准确甄别提取，以期提高土壤肥力的监测精度。1 材料与方法 1.1 研究区概况 本研究选择廊坊市大厂县为研究区域，冬小麦为目标作物。大厂县位于廊坊北部，中心经纬度116.98E、39.88N，总面积为 176.29 km2，其中耕地为 11 581.54 hm2，地貌以平原为主，土壤多为潮褐土或潮土。大厂县冬小麦耕地主要分布在东部地区，即陈府乡以及大厂镇地区。此外，由于研究选取的影像数据源分辨率为 16 m，为尽可能避免混合像元导致的监测结果误差，选取 16 m16 m 以上的耕地地块作为采样点。结合研究区影像与实地考察结果，最终确定位于大厂县东南部的大厂镇及陈府镇的 6处采样区，共 23 个采样点，研究区及采样区位置如图 1所示。图 1 研究区及采样区位置图 Fig.1 Location of study area and sampling area 1.2 遥感影像数据与处理 高分一号卫星搭载的 WFV 传感器影像幅宽 800 km，空间分辨率为 16 m，覆盖周期达到 41 d，具备高空间和高时间分辨率的优势且有足够的宽幅，能够满足本研究的数据需求。综合发射时间等多方面因素考虑，本次研究选取大厂县自 2015 年 1 月2020 年 11 月，共计 102景影像作为研究的影像数据源。高分一号 WFV 影像的原始影像为 1A 级影像，只带有基本的地理坐标信息，经过辐射定标、大气校正、正射校正、几何校正以及图像融合的预处理流程后备用。1.3 野外实测数据采集 野外实测数据用于表征试验区域土壤肥力情况，并与 EEMD 分解提取结果进行拟合。在进行土壤采样时，额外选取若干相邻冬小麦耕地进行采样测定备用数据，以用作研究结果精度验证。1.3.1 采样方法 采集土壤样品过程的科学性是影响野外实测数据获取结果准确程度的关键，本研究土壤采样遵循随机以及等量 2 个原则。一方面，土壤样品的采集地点随机分布在整个采样区；另一方面，每个采样地区内土壤样品的采样数量应该保持一致。一般情况下，采样点数量的选择取决于研究总体范围的大小、研究对象的复杂程度以及研究要求的精确度等条件。理想情况下，应满足采样点尽可能少的前提下，样品的代表性最大。为满足以上条件，在本次采样工作中，采用“X”形或者“S”形 2种土壤采样方法，如图 2 所示。一个地区采样点的数量在 810 个点之间，土壤样品的质量在 1 kg 以上。采样时，使用管型土钻、打孔取第 21 期 李旭青等：基于集合经验模态分解算法的土壤肥力胁迫甄别与监测 139 土器、土铲等工具，采集深度距离地表 020 cm 之间。此外，采样时避开田边、路边、树边、沟边、堆放过肥料的地点，以确保样品的代表性。图 2 土壤样本采集方式及过程示意图 Fig.2 Sketch of soi