基于高光譜的砂姜黑土含水量反演研究①

張穎帝，張佳寶，李曉鵬

?

基于高光譜的砂姜黑土含水量反演研究①

張穎帝1, 2，張佳寶1*，李曉鵬1

(1土壤與農業可持續發展國家重點實驗室（中國科學院南京土壤研究所），南京 210008；2中國科學院大學，北京 100049)

在實驗室條件下，以地物光譜儀(350 ~ 2 500 nm)為工具，利用光譜反射率()、反射率的一階微分(′)、反射率的對數(log)、反射率的倒數(1/)、反射率對數的一階微分(log)′和去包絡線(c) 6種處理方法，研究了4種不同土種的砂姜黑土含水量與光譜反射率的定量關系。結果表明：砂姜黑土不同土種間光譜特征存在一定差異，且4種土的光譜反射率都隨土壤含水量升高而下降。在可見-近紅外波段，以′ 提取的敏感波長與含水量的相關系數最高，敏感波長集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波長反射率所建立的土壤含水量預測模型的決定系數達到了0.89，且其模型檢驗的均方根誤差僅為4.6 g/kg，實現了對砂姜黑土含水量較為準確的預測。本研究為非接觸、快速地測定砂姜黑土含水量提供了數據基礎。

砂姜黑土；光譜特征；含水量；光譜反射率

實時、快速地測定田間水分是現代化農田土壤水分管理的基礎。土壤含水量的測定方法按照測定范圍和測定方式，可分為點位、區域測定，以及接觸式和非接觸式測定等。點尺度的水分測定的測量精度雖然較高如烘干稱重法、中子儀法、γ-射線法和時域反射儀法等[1]，但用于區域農田水分監測，畢竟樣點數量有限，且費時費力成本較高。區域非接觸式的土壤含水量測定方法多為遙感，如：多光譜遙感、高光譜遙感等。其中，高光譜遙感由于其圖像分辨率高且光譜連續，即圖譜合一[2]，且涵蓋紫外、可見光、近紅外和中紅外一個或多個常用波段而被廣泛應用于農業領域的土壤屬性預測[3-5]、作物長勢監測、作物產量與籽粒質量反演等[6-8]。高光譜遙感不僅光譜分辨率高，能提高對目標物屬性的預測精度，還能快速、實時和大面積的對目標區域進行監測，因此高光譜遙感在土壤和植物等特征的研究中表現出良好的前景[9]。

不同土壤類型光譜特征和水分的敏感波長往往有差異。姚艷敏等[10]采集黑土土類中的黑土亞類土樣的不同水分光譜數據，反射率曲線經對數和一階微分處理后，敏感波長集中在1 328、1 438、1 742和2 156 nm，其中2 156 nm處反射率與含水量的相關系數最高達到0.89。張俊華和賈科利[11]以寧夏典型龜裂鹽堿土為研究對象，使用光譜測量范圍在340 ~ 1 130 nm的光譜儀進行測定，以光譜反射率變換形式提取出土壤水分的敏感波長，得出408、521、751 nm等為敏感波長。彭杰等[12]建立草甸土含水量與光譜反射率的多元線性回歸方程，敏感波長分別為698、702、703、746、747 nm。可見不同土壤的水分敏感波段是有差異的[8]，有必要對不同類型的土壤進行專門研究。此外，國內外學者對土壤與水分的關系的研究通常以多種土類的土壤為研究對象[13-15]。然而，不同土壤間由于質地和成土母質等的差異，其光譜特征也存在差異[16]。因此，針對單一土類的光譜特征研究能有效提高模型的預測精度[17]。

1 材料與方法

1.1 土壤樣品采集與處理

本研究的砂姜黑土于2015年7月采自安徽省渦陽縣(33°35′ N, 116°19′ E)和太和縣(33°18′ N, 115°28′ E)，共包含了64個土壤樣品，4種土種。各土種樣品采集情況如下：淤黑土15個、厚淤黑土15個、黑土14個、青白土20個。土樣的采集深度為0 ~ 20 cm。土壤風干后剔除植物殘體、石礫等雜質，研磨后過2 mm土篩，充分混勻。

1.2 土壤含水量與光譜測量

將處理過后的土壤樣品放置于直徑14.3 cm，深度是2.3 cm(光學無限厚)培養皿中。先將被測土樣填滿玻璃皿，再用直尺輕輕刮去表面多余的土樣，保持土樣表面平整，減少粗糙不一的表面對光譜的干擾。然后用滴管沿培養皿壁注入蒸餾水直至土壤處于充分飽和狀態，靜置到土壤表面的自由水消失之后，將樣品放置于105℃恒溫烘箱中進行逐步干燥。在干燥過程中，每隔一定時間測定土樣表面的反射率，并同時稱重測定土壤實際含水量。

土壤光譜測量在暗室中進行。所用光譜采集設備為ASD Field Spec Pro 4型地物光譜儀，光譜范圍350 ~ 2 500 nm，光源為50 W鹵素燈。光譜測量幾何條件為：光源照射方向與垂直方向夾角為45°，光纖探頭視場角為25°，探頭垂直土壤表面，探頭到土樣表面距離為10 cm。每次測量前進行標準白板校正。為了抑制陰影的影響，每個樣品采集3個方向(間隔120°角度)的光譜。每個方向采集5條光譜曲線，共15條光譜曲線。為消除光譜連接點跳躍，對每條光譜曲線進行拼接校正。15條光譜曲線反射率算數平均后為該土樣的光譜曲線反射率。由于350 ~ 380 nm與2 400 ~ 2 500 nm波段受干擾影響較大，本研究僅對380 ~ 2 400 nm波段的反射光譜進行分析。

1.3 光譜數據處理與敏感波段劃分

光譜數據處理主要作用在于通過數據變換，消除背景噪聲，突出相應的敏感波段。本研究除直接研究反射率()外，還采用了5種光譜變換方法：反射率的對數(log)、反射率的倒數(1/)、反射率的一階微分(′)、反射率對數的一階微分(log)′和去包絡線(c)。

在敏感波段的選擇過程中，反射率首先經過不同變換形式，然后再計算6種變換形式下每個波長與含水量的相關系數，根據波長的相關系數曲線趨勢，將研究波段分為若干波段，以波段范圍內相關系數絕對值高的作為敏感波段，進行方程擬合。

1.4 土壤含水量預測模型的建立與驗證

64個樣品被分為建模集(45個)和驗證集(19個)。建模集樣品由淤黑土、厚淤黃土和黑土中隨機各選取的10個土樣和青白土中隨機選取的15個土樣組成，剩余的樣品都作為驗證集樣品。然后基于建模集數據，采用一元二次方程和多元線性回歸2種方法建模。模型的穩定性由決定系數2判定，2越高，模型越穩定。模型的精度則由均方根誤差(RMSE)、平均誤差(ME)和平均絕對誤差(MAE)判定。

2 結果與分析

2.1 不同土種間土壤光譜反射率的差異

相同含水量下，不同砂姜黑土反射率隨波長的關系如圖1所示。在整個波段中，出現了3個吸收谷，按照吸收谷谷底反射率由小到大排列為：淤黑土<厚淤黃土<青白土<黑土，在2 000 nm附近此規律尤為明顯。土壤光譜反射率由土壤組成及其結構等因素共同影響，有機質和質地是其中兩個重要的影響因素，且有機質含量和黏粒含量都與土壤光譜反射率呈負相關[2]。因此，同等條件下，有機質或黏粒含量較高，土壤的反射率較低。

淤黑土的光譜反射率偏低，可能是因為淤黑土是這3種土壤中有機質和黏粒含量最高的土壤（表1）。在有機質和黏粒含量較高情況下，有機質與黏粒含量是光譜反射率主要的影響因素。另外，青白土和黑土的有機質和黏粒含量相差不大，而光譜曲線差異較大，可能是其他土壤成分或土樣表面粗糙度等其他因素的差異較大造成的[2]。

表1 供試不同砂姜黑土土種的有機質和黏粒含量

2.2 出反射光譜變化形式與土壤含水量的相關關系

本研究根據不同砂姜黑土380 ~ 2 400 nm波段的光譜特征與含水量的相關關系，利用1.3節中的方法對光譜進行分段。將、log、1/方法的研究波段劃分成5個波段：380 ~ 1 110、1 111 ~ 1 340、1 341 ~ 1 560、1 561 ~ 1 870和1 871 ~ 2 400 nm。在表2中，和log與土壤含水量的相關系數均小于0，呈負相關；與之相反，1/與土壤含水量的相關系數大于0，呈正相關。在380 ~ 1 340 nm波段范圍內，的敏感波段的相關系數與其他2種變換形式基本相同。但從1 340 nm以后，其他2種變換形式相關系數絕對值均較的高。在這3種變換形式中，1/在1 931 nm處的相關系數絕對值最高，達到0.79。

′、(log)′ 和c這3種處理形式更能夠突出土壤光譜對水分敏感的波段，顯現出更多的波峰或波谷。與前面3種變換形式不同的是，經′、(log)′和c處理后的光譜被劃分成10個波段范圍：380 ~ 680、681 ~ 750、751 ~ 840、841 ~ 950、951 ~ 170、1 271 ~ 1 460、1 461 ~ 1 680、1 681 ~ 1 920、1 921 ~ 2 210和2 211 ~ 2 400 nm。劃分后的結果見表3。相比于(log)′ 和c，′ 對土壤含水量最為敏感，′ 提取的敏感波長的相關系數絕對值是這3種變換形式中最高的，而且比、log和1/高。

2.3 砂姜黑土土壤含水量預測模型的建立與驗證

采用以及′、log、1/、c、(log)′ 6種反射率變換形式，分段提取水分的敏感波段。然后在相應的波段范圍內選擇相關系數絕對值較大的反射率變換形式分別進行一元二次和多元線性回歸，建立砂姜黑土含水量的預測模型(表4)。除了c，反射率的其他變換形式都能在一定程度上提高光譜模型的決定系數。經過決定系數比較，′ 的非線性和多元線性模型決定系數都是最高的；而′ 的多元線性回歸方程相對于非線性方程更優，因此的多元線性回歸方程是最優的。

表2 土壤R、logR、1/R反射率變換形式與含水量的相關關系

注：表中、log、1/分別表示反射率、反射率的對數、反射率的倒數。

表3 土壤R′、(logR)′和Rc反射率變換形式與含水量的相關關系

注：表中′、c、(log)′分別表示反射率的一階微分、去包絡線后的反射率、反射率對數的一階微分。

表4 基于敏感波段的砂姜黑土水分預測模型精度

在表5中列舉了預測精度較好的模型，分別是、′、(log)′。其中′ 的多元線性方程在檢驗過程中，表現最好，其均方根誤差等都較小。利用1.4所述驗證集的19個樣品進行模型的預測精度驗證。選取決定系數較高的一元二次方程進行檢驗，即驗證′ 建立的水分模型。從圖2可以看出，實測值和預測值的擬合度較高，達到0.89。因此，′ 建立的水分模型適宜預測砂姜黑土含水量。

表5 模型預測精度的比較

3 結論

1) 不同土種的砂姜黑土有機質和黏粒含量等組成物質的不同，導致土種間光譜特征存在一定差異。淤黑土反射率偏低，其原因可能在于有機質含量和黏粒含量較高，且有機質和黏粒含量均與光譜反射率呈反比，從而導致其光譜反射率偏低。

2) 從一階微分建立的多元線性回歸模型可以看出，712、807、1 142、1 570、1 850和2 221 nm是砂姜黑土含水量的敏感波長，水分預測方程為：= 355.28′712- 52.64′807+ 495.61′1142+ 593.96′1570- 161.85′1850- 338.69′2221+ 0.116，以這些敏感波長建立的多元回歸模型，擬合度和精度都較高，可以作為砂姜黑土水分含量預測的理論依據。

[1] 張學禮, 胡振琪, 初士立. 土壤含水量測定方法研究進展[J]. 土壤通報, 2005, 36(1): 118–123

[2] 史舟, 梁宗正, 楊媛媛, 等. 農業遙感研究現狀與展望[J]. 農業機械學報, 2015, 46(2): 247–260

[3] 張娟娟, 熊淑萍, 時雷, 等. 基于近紅外光譜分析的土壤全氮含量估測研究[J]. 土壤, 2015, 47(4): 653–657

[4] 田燁, 沈潤平, 丁國香. 支持向量機在土壤鎂含量高光譜估算中的應用[J]. 土壤, 2015(3): 602–607

[5] 陳頌超, 馮來磊, 李碩, 等. 基于局部加權回歸的土壤全氮含量可見-近紅外光譜反演[J]. 土壤學報, 2015(2): 312–320

[6] Liu W D, Baret F, Gu X F, et al. Relating soil surface moisture to reflectance[J]. Remote Sensing of Environment, 2002, 81(2/3): 238–246

[7] 張俊華, 張佳寶. 長期定位施肥條件下作物光譜特征及養分吸收量預測[J]. 農業工程學報, 2014, 30(7): 173-181

[8] 欒福明, 熊黑鋼, 王芳, 等. 基于小波分析的土壤堿解氮含量高光譜反演[J]. 光譜學與光譜分析, 2013, 33(10): 2828–2832

[9] 蔣阿寧, 黃文江, 趙春江, 等. 基于光譜指數的冬小麥變量施肥冠層光譜特征研究及產量分析[J]. 中國農業科學, 2007, 40(9): 1907–1913

[10] 姚艷敏, 魏娜, 唐鵬欽, 等. 黑土土壤水分高光譜特征及反演模型[J]. 農業工程學報, 2011, 27(8): 95–100

[11] 張俊華, 賈科利. 典型龜裂堿土土壤水分光譜特征及預測[J]. 應用生態學報，2015, 26(3): 884–890

[12] 彭杰, 向紅英, 王家強, 等. 基于野外實測高光譜數據的干旱區耕作土壤含水量反演研究[J]. 干旱地區農業研究, 2013, 31(2): 241–246

[13] Hummel J W, Sudduth K A, Hollinger S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J]. Computers and Electro-nics in Agriculture, 2001, 32(2): 149–165

[14] 何挺, 王靜, 程燁, 等. 土壤水分光譜特征研究[J]. 土壤學報, 2006, 43(6): 1027–1032

[15] 李美婷, 武紅旗, 蔣平安, 等. 利用土壤的近紅外光譜特征測定土壤含水量[J]. 光譜學與光譜分析, 2012, 32(8): 2117–2121

[16] 劉洋, 丁瀟, 劉煥軍, 等. 黑土土壤水分反射光譜特征定量分析與預測[J]. 土壤學報, 2014, 51(4): 1021–1026

[17] 金慧凝, 張新樂, 劉煥軍, 等. 基于光譜吸收特征的土壤含水量預測模型研究[J]. 土壤學報, 2016, 53(3): 627–635

Inversion of Soil Moisture of Shajiang Black Soil by Hyper-spectra

ZHANG Yingdi1,2, ZHANG Jiabao1*, LI Xiaopeng1

(1 State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 2 University of Chinese Academy of Sciences, Beijing 100049, China)

In order to study spectral features of 4 soil species of Shajiang black soil under different water contents, samples were determined by ASD spectrometer in the lab. And the correlation between spectral reflectance and water content was discussed. To improve the accuracy of the model, these models were established with 6 categories of transformations of reflectance using two kinds of methods, such as multiple linear regression and nonlinear regression. The result showed that the correlation coefficient between first derivative differential of reflectance (′) and water content was the highest and its relationship was negative. At the bands of 712, 807, 1 142, 1 570, 1 850 and 2 221 nm , the model established by′ was the fittest.

Shajiang black soil; Spectral feature; Water content; Spectrum reflectance

10.13758/j.cnki.tr.2017.03.029

S127

A

國家自然科學基金面上項目(41471182)和中國科學院戰略性先導科技專項課題(XDB15030302)資助。

(jbzhang@issas.ac.cn)

張穎帝(1990—)，男，四川成都人，碩士研究生，主要從事土壤遙感應用研究。E-mail: ydzhang@issas.ac.cn