基于歸一化光譜指數的土壤含水率反演研究

徐金華

(廣東江河流禹工程設計有限公司，廣東 深圳 518100)

0 前 言

可用水量是全球糧食生產的主要決定因素，其中的關鍵部分是土壤水分。鑒于未來氣候變化的潛在風險，使農業生產系統的管理適應土壤水分將變得越來越重要[1]。土壤水分(SMC)的信息可用于指導一系列管理決策，由其是確定灌溉的水量和時間。在旱地耕作土地中，可以將其與季節預測結合使用，根據來年的水資源利用率確定目標產量，確定肥料用量。在干旱地區的放牧區中，它可以根據儲存的土壤水分確定草料量以此來確定放養率。除了對農業的重要性外，土壤水分在許多學科中是重要的組成部分，例如水文學、氣象學、生態學。因此，有必要快速有效地監測土壤含水率。

近紅外光譜(高光譜)技術是一種快速、經濟高效和生態友好的技術，可以在實驗室和野外提供眾多波段的高光譜數據。高光譜在同時估算各種土壤特性方面具有巨大潛力[2-3]。近年來，雖各種定量方法已應用于高光譜數據以估計SMC含量，例如多元線性回歸(MLR)、主成分回歸(PCR)和偏最小二乘回歸(PLSR)[4-5]。但這些方法往往需要用到許多光譜變量，導致模型具有較多的不確定性。而光譜指數可以從許多光譜數據中提取有效的光譜變量，用此類指數建模既可以簡化模型，也可以得到更為有效的模型。因此，本文利用歸一化光譜指數，結合一元線性回歸建立用于預測土壤含水率的估算模型，以期為精準農業及其他需要快速檢測土壤含水率的工作提供參考。

1 材料與方法

1.1 研究區概況

研究區域為廣東深圳地區，位于廣東省中南沿海地區，珠江入海口之東偏北，所處緯度較低，屬亞熱帶海洋性氣候。年平均氣溫22.4 ℃，雨量充足，每年4—9月為雨季，年降雨量1 933.3 mm，2019年，深圳市農作物播種面積1.23萬 hm2(18.41萬畝)，該地區主要農作物為水稻，因此，有效監測土壤含水率，對該地區的精準農業發展是必要的。

1.2 研究材料采集及土壤樣本含水率的測定

本次研究以深圳地區采集的150個不同含水率的土樣為研究樣本，采樣深度為0～20 cm。收集時剔除浸入體，然后將土樣放入采樣袋中密封、編號、稱重并帶回實驗室。從采樣袋內取40 g左右有代表性的土樣放入鋁盒內，蓋上蓋稱重，并記錄鋁盒的編號和重量。將沒加蓋的鋁盒放入干燥箱內，在105 ℃、24 h恒溫條件下用干燥法測得土壤樣本質量含水率ωm。其中土壤樣本質量含水率ωm的公式為

(1)

式中：M1為土樣質量(含鋁盒)，g；M2為干燥后土樣質量(含鋁盒)，g；M3為空鋁盒質量，g。

1.3 光譜測定

利用ASD FieldSpec 3光譜儀，測量土樣的光譜反射率。該光譜儀的基本數據參數為350～1 000 nm為1.4 nm，1 000～2 500 nm為2 nm，重采樣間隔為1 nm。將150份土壤樣品裝入直徑為10 cm，深度為2 cm的黑色容器中，填充后將表面刮平后，進行光譜測量[6]。

1.4 光譜數據預處理

剔除邊緣波段350～400 nm和2 401～2 500 nm，這部分數據具有較高的噪聲，無法用于土壤含水率的預測。再通過Savitzky-Golay(SG)濾波法對光譜數據(400～2 400 nm)進一步去噪。通過光譜10 nm間隔重采樣，降低光譜數據的冗余，得到400～2 400 nm@10 nm，共201個波長用以分析計算。此外，利用Matlab R2018軟件計算光譜的一階微分(FD)及二階微分(SD)，以此降低基線漂移的影響，突出曲線特征，其公式見(2)、(3)。

(2)

(3)

式中:Rλi-1、Rλi和Rλi+1為400～2 400 nm中3個相鄰波段。

1.5 光譜指數構建

本文選取歸一化光譜指數來嘗試預測土壤含水率[7]。具體公式如下：

(4)

式中:Rλ1和Rλ2為400～2 400 nm中任意兩波段，且Rλ1≠Rλ2。

1.6 建模策略及模型評價

利用K-S算法將150個樣本分為2個樣本集，其中90個樣本用于建模，其余60個樣本用以精度驗證。土壤含水率的特征見圖1。由圖可知，3個樣本集的最大值及最小值接近，平均值在22%左右。從圖中3個小提琴子圖的形狀可以看出3個樣本集之間的樣本分布基本一致，這為后面的分析建模提供了一定的基礎。

圖1 描述樣本特征的小提琴圖

(5)

(6)

(7)

式中:S.D為觀測值的方差；RMSE為均方根誤差。

2 結果與分析

2.1 不同土壤含水率的光譜曲線分析

利用公式(2)、(3)計算一階微分光譜及二階微分光譜，結果如圖。圖2為不同預處理后的光譜曲線，圖a中的原始光譜曲線，具有兩個明顯的吸收谷1 400，1 900 nm[8]。這兩個吸收谷與土壤水分有著相當強的聯系，故這兩個吸收谷也被稱為水分吸收谷。經過一階微分處理后，可以顯著消除光譜曲線的基線漂移現象，即光譜的反射率值逐漸接近于0。此外，一階微分曲線的特征相比于原始的光譜曲線更加豐富，這有利于提取感興趣的光譜信息。同樣的經過二階微分處理后也有類似的效果，不過由于基線漂移的顯著消除，曲線的噪聲也得到凸顯，可能會對后面的建模預測產生影響。

圖2 不同預處理的土壤光譜曲線圖

2.2 光譜指數的構建與分析

利用歸一化光譜指數公式(4)，計算所有光譜指數。并將計算后的光譜指數與對應的土壤含水率進行相關性分析。利用分析得到的相關系數矩陣繪圖，得到圖3～5。這3個圖分別代表基于不同光譜曲線的光譜指數與土壤含水率的相關系數矩陣。由圖可知，不同波段組合而成的光譜指數效果有所不同。基于原始光譜的光譜指數，與土壤含水率的相關性最高可達0.88，該指數由1 420 nm和1 360 nm兩個波段組合；基于一階微分光譜的光譜指數，與土壤含水率的相關性最高可達0.87，該指數由1 900 nm和1 410 nm兩個波段組合；基于二階微分光譜的光譜指數，與土壤含水率的相關性最高可達0.78，該指數由1 890 nm和1 870 nm兩個波段組合；3個指數的具體形式如下：

圖3 基于不同光譜指數建模的預測精度比較圖

(8)

(9)

(10)

這些指數都由于水分吸收波段1 400 nm和1 900 nm附近的波段所組成。這說明本文所構建的光譜指數在機理上是可行的。所以本文利用3個指數分別構建模型。

圖4 基于不同光譜指數建模的預測精度比較圖

圖5 基于不同光譜指數建模的預測精度比較圖

2.3 模型的建立與分析

表1 基于光譜指數的偏最小二乘回歸建模與預測效果表

為了進一步分析比較3個模型的差異，本文繪制了模型實測與預測值的散點見圖6。由圖可知，模型NDI-FD的散點分布更加集中，且其擬合線與1∶1直線的重合度高。綜上分析，NDI-FD模型(y=0.71x+0.49)可以被用于土壤含水率的預測。在實際生產過程中，可以利用光譜儀獲取土樣光譜數據，利用文中所述流程計算NDI-FD光譜指數，將其帶入公式y=0.71x+0.49，即可快速獲得土壤含水率。

圖6 基于不同光譜指數建模的預測精度比較圖

3 結 論

以廣東深圳地區的土壤為研究樣本，用歸一化光譜指數分別構建土壤含水率一元線性模型，通過對模型對比分析，得到以下結論：

(1) 一階微分光譜可以有效去除外界噪聲，降低光譜基線漂移。而基于一階微分光譜提取的歸一化指數對土壤含水率更敏感。

(2) 基于原始反射率的歸一化指數(NDI-R)與土壤含水率的相關性最好，其相關系數值可達0.89，達到極顯著水平。

(3) 由一階微分光譜的歸一化指數(NDI-FD)所構建的一元回歸模型(y=0.71x+0.49)，經驗證明可以有效預測土壤含水率，其RPD值可達3.09，達到定量預測水平。

該模型的建立為水土保持監測及精準農業提供了一定的參考。