Resonon | 使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

快速获取田间尺度土壤有机质（SOM）的高分辨率空间分布对于***农业至关重要。无人机成像高光谱技术以其高空间分辨率和时效性，可以填补地面监测和遥感的研究空白。本研究旨在测试在中***东北典型低地势黑土地区使用无人机高光谱数据（400–1000 nm）和小型校准样本集进行1 m分辨率SOM绘图的可行性。

该实验在大约20公顷的土地上进行。为了进行校准，使用 100 × 100 m 网格采样策略收集了 20 个样品，同时随机收集了 20 个样品进行独立验证。无人机捕获空间分辨率为0.05×0.05 m的高光谱图像。

然后对每 1 × 1 m 内提取的光谱进行平均以代表该网格的光谱。在应用各种光谱预处理（包括吸光度转换、多重散射校正、Savitzky-Golay 平滑滤波和***阶微分）后，SOM 光谱相关系数的绝对***大值从 0.41 增加到 0.58。***佳随机森林（RF）模型的重要性分析表明，SOM 的特征波段位于 450-600 和 750-900 nm 区域。当使用RF模型时，无人机高光谱数据（UAV-RF）能够成功预测SOM，R 为0.53，RMSE为1.48 g kg?1。

然后将预测精度与使用相同数量校准样本的普通克里金法（OK）和基于近端传感的射频模型（PS-RF）获得的预测精度进行比较。然而，由于采样密度较低，OK 方法无法预测 SOM 精度（RMSE = 2.17 g kg?1；R2 = 0.02）。半协方差函数无法有效描述SOM的空间变异性。当采样密度增加到50×50 m时，OK成功预测了SOM，RMSE = 1.37 g kg?1，R2 = 0.59，其结果与UAV-RF的结果相当。PS-RF的预测精度与UAV-RF基本***致，RMSE值分别为1.41 g kg?1和1.48 g kg?1，R2值分别为0.57和0.53，表明基于UAV的SOM预测是可行的。

此外，与PS平台相比，无人机高光谱技术可以同时提供数十甚至数百个连续波段的光谱信息和空间信息。该研究为进***步研究和开发无人机高光谱技术进行少量样本精细尺度SOM测绘提供了参考。

研究区域位于中***吉林省梨树县，面积20公顷。该地区属季风气候，年平均降水量553.5毫米，平均气温6.5℃。此外，它的特点是地势平坦，平均海拔160 m。由于这些特征，该地区成为北半球三大富含有机质的黑土地之***，主要农作物是大豆。

本研究采用Resonon公司的Resonon-Pika-L高光谱成像仪由高光谱成像光谱仪、六旋翼无人机、GPS和计算机组成。于2020年6月15日获取了覆盖整个研究区、像素大小为0.05×0.05 m的高光谱图像。高光谱图像提取的光谱范围为400~1000 nm，光谱分辨率为2.1 nm。

根据Pearson相关系数的绝对值评价预处理方法的性能，以选择***佳的预处理方法组合。如所示，基于吸光度转换的MSC后，***小相关系数值发生变化（450-500 nm处为-0.4-0.6），总体相关系数在600-700 nm处增加，相关系数绝对值***大 在 700–800 nm 处增加，相关系数发生变化（800–900 nm 处为 -0.35–0.3 至 -0.5–0.3）。

本研究比较了使用无人机高光谱数据、观测到的土壤数据和 RF 模型进行田间尺度 SOM 预测的 OK 技术。