基于地面光譜測量和主動微波遙感的反演土壤水分研究

尹承深，劉全明，王春娟，王福強

(內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018)

【研究意義】傳統的土壤水分監測主要依靠大量野外布點采樣與事后數據處理、分析，但其以點代面、費時費力并且無法代表大面積動態實時監測效果[1]。大面積動態監測灌區土壤水環境對科學指導鹽堿化嚴重的河套灌區農業可持續發展具有重要意義[2]。受植被覆蓋、云層和大氣干擾因素的影響，根據標量輻射方程，僅能記錄較少地面物體信息的反射輻射能量[3]，導致光學遙感反演土壤水分的精度無法達到要求。因為微波波段土壤介電常數和含水量關系密切[4]，主動微波遙感能夠通過后向散射系數反演水分，微波遙感-合成孔徑雷達是對地觀測的主要前沿技術之一[5-7]。【前人研究進展】劉偉[8]運用L波段全極化影像，在有植被土地的一階離散植被模型上把有低矮植物土地的后向散射分為兩塊：地表與植被相關的散射項，結合光學厚度、植被層單散射反照率與裸露地表參數，利用改進的積分方程、Dobson與Ulaby的農作物覆蓋模型，建立后向散射模擬數據庫。在此基礎上應用基于特征根與特征向量的極化分解方法將地表散射項從植被覆蓋區總后向散射中分離出來，利用多時相、多極化數據建立了植被覆蓋的水分反演模型。實測驗證表明：該方法考慮了植被-土壤間的雙次散射，可以較好地反演土壤水分[9]。Bourgeau-Chavez等[10]利用Radarsat-2雷達衛星構建了阿拉斯加地區土壤水分反演算法。李相等[11]通過獲取102個土壤含水率數據和34組植被反射率光譜曲線，運用多元線性回歸法構建了基于遙感影像與田間實測數據的高光譜植被指數土壤含水量反演模型。結果表明實測高光譜植被指數模型較優，判定系數0.668。劉全明等[12]采用野外試驗、數據分析、遙感反演建模相結合的方法定量估計河套灌域表層土壤水鹽含量，但未擴及至多源遙感數據協同模擬研究。郭交等[13]基于哨兵數據，利用廣義神經網絡模型、支持向量回歸、Oh模型定量反演土壤水分，發現加入海拔高度、雙極化雷達后項散射系數、局部入射角等多特征參數組合的支持向量回歸模型反演效果最優，相關系數、均方根誤差為0.903、0.015。劉曉靜等[14]以高光譜數據為基礎建立基于植被指數土壤含水率模型，發現以植被指數為VOG1和mNDVI705的模型估算最佳。張曉光等[15]采用高光譜技術建立與含水率的偏最小二乘回歸模型，發現平滑+變量歸一化后的光譜模型可以直接用于鹽漬土水分的反演。【本研究切入點】現有的土壤水分遙感反演研究大多建立理論、經驗或半經驗的散射模型，模型受極化方式、地表粗超度、波段、入射角和植被覆蓋等因素的限制[16]。為此需要研究如何融合地面高光譜與微波遙感多源數據，創新土壤水分監測應用的新方法和新手段。【擬解決的關鍵問題】采用高光譜土壤水分特征波段，聯合后向散射參數，建立以多源遙感為基礎的水分反演模型及人工智能模型，從而將多源遙感參數轉換為水分值，為反演土壤水分提供科學基礎，以提高土壤水分監測的精度與廣適性[17]。

1 材料與方法

1.1 研究區概況

河套灌區位于40°12′～41°20′N，106°10′～109°30′E。該區地形較為平坦，海拔約1007～1050 m。年降水量為100～250 mm，蒸發量高達2400 mm，溫帶大陸性氣候。灌區灌溉面積5583 km2，不僅降水少而且蒸發量大、土壤次生鹽漬化現象嚴重[18]。

1.2 數據獲取與處理

研究區為巴彥淖爾市的解放閘灌域，試驗時間2016年4月4—8日。遙感數據是2016年4月6日RADARSAT-2雷達衛星拍攝的精細四極化SLC影像[19]，8 m的分辨率。結合土壤鹽分統計資料選取89個采樣點，制定采樣路線，采樣點分布見圖1。實驗過程中通過手持GPS儀測量各采樣點經緯度坐標，利用剖面板上有厘米網格的方法測量地表粗糙度，測量過程詳見王學[9]的方法，在各個取樣點及其左右5 m處共取土壤表層土(0～10 cm)3份土樣裝入編號鋁盒，烘干法測定土壤含水率，取平均值得到最終各點土壤含水率。

在SAR Scape模塊對雷達數據進行如下操作：多視、濾波、地理編碼和輻射定標[20]，在相關影像對雷達數據幾何配準，獲得四極化后向散射系數[21]，研究區部分取樣點后向散射系數、地表粗糙度與含水率值如表1所示。

Field Spec4便攜式光譜儀用于取樣點土壤反射率光譜數據的采集，詳細采樣過程見孫宇樂[22]的方法。在光譜儀本身自帶軟件中將光譜反射率R變換3種不同形式：一階導數、二階導數和以10為底的對數形式，輸入數據是3種變換光譜及地面反射率，后期將4種輸入值與對應取土點位含水率進行相關性分析[23]。

圖1 研究區雷達影像Fig.1 Radar image of experimental area

表1 雷達影像后向散射系數與土壤含水率原始數據

1.3 數學方法

主成分回歸(Principal component regression, PCR)、多元逐步回歸分析法(Multiple stepwise regress, MSR)、偏最小二乘回歸(Partial least squares regression, PLSR)詳見馮雪力等[23]的方法。BP人工神經網絡(Back Propagation Artificial Neural Network, BP ANN)詳見劉全明等[24]的方法。

BP ANN模型綜合土壤含水率、地表粗糙度ZS、高光譜光學特征波段、后向散射系數(SHH、SVV、SHV、SVH)存在明顯響應關系，輸入層由SHH、SVV、SHV、SVH、SHH/SVV、SHV/SVH、地表組合粗糙度和光學特征波段反射率變換值組成；輸出層是1個神經元與各點含水率對應；隱含層神經元個數根據試算法結果來確定。由Matlab中的神經網絡工具箱來完成運算，訓練值70%，驗證值15%，模擬值15%。

前3種方法從眾多波段篩選出特征波段，利用特征波段構建經驗模型和人工智能預測模型，反演土壤水分。

2 結果與分析

2.1 特征波段選取

從圖2可以看出，土壤含水量與光譜的一、二階導數有較高的相關性。發現在一階導數變換的1188～1192、1191～1193、2167～2171和2184～2188 nm相關性較高，為-0.46、-0.46、0.52和0.57。二階導數的450～454、1412～1416、1421～1425、2208～2212 nm的相關系數為0.50、-0.49、0.55和-0.59，4個波段相關性較高，為顯著波段。

圖2 光譜及其變換形式對土壤水分的相關系數Fig.2 Correlation coefficient between soil moisture and 4 forms of spectra

對光譜的一、二階導數特征波段進行主成分分析(圖3)，一階導數的1個特征波段累積貢獻率可達98.32%，二階導數的2個特征波段的累積貢獻率為96.89%；其中，第一主成分一階導數變換特征波段(2184～2188 nm)與二階導數變換特征波段(2208～2212 nm)的特征值為1.19E-5、2.01E-7，因子貢獻分別達到98.32%、90%，皆具有較高代表性，為顯著波段。

逐步回歸分析光譜一、二階導數特征波段，光譜一階導數的2184～2188 nm特征波段與二階導數的450～454、1412～1416、2208～2212 nm特征波段為顯著波段。

偏最小二乘法選擇特征波段及擬合土壤含水率，用波段權重值表示波段對含水率的敏感度。該方法選取的波段不同于前兩者回歸分析方法選擇的波段(圖4)，有極為敏感波段，如一階導數中1800～1870 nm波段權重達1.3，二階導數變換中1835～1839與1870～1874 nm權重分別可達-6.6和-6.2，為顯著波段。

從表2可知，相比一階倒數變換，二階導數擬合度更好，RMSE均有下降，顯示出二階導數變換擬合含水率較合適。對比光譜形式二階導數的3種方法，可見逐步回歸分析法效果最好，R2、RMSE為0.482、0.027，主成分分析法次之，偏最小二乘法最差。因此可以選擇前兩者來建立方程。

2.2 建模

對主成分回歸和逐步回歸分析法選取地表組合粗糙度、特征波段反射率與后向散射系數及其組合值，建立含水率和二階導數的回歸方程。

(1)

式中，X1414、X2210分別為光譜二階導數1412～1416、2208～2212 nm的波段的算術平均數。

圖3 特征波段的主成分分析Fig.3 Principal component analysis of characteristic bands

圖4 土壤含水率和反射率導數變換的偏最小二乘法權重和相關性Fig.4 Analysis of weight between reflectance derivative transformation and soil moisture

表2 相關系數法與偏最小二乘法擬合結果對比

(2)

式中，X452、X1414、X2210分別為光譜二階導數450～454、1412～1416、2208～2212 nm波段的算術平均數。

同時建立神經網絡模型，由圖5-c可知，神經網絡模型R2值為0.792，遠高于上述相關系數法光譜二階導數的回歸方程，體現了神經網絡模型的優越性。

2.3 土壤水分預測

按照土壤含水率(0～50 g/kg)每5 g/kg劃分一類，共劃分10類的分類方法，將河套灌區鹽漬化土壤進行分類。逐步回歸分析法建立的回歸方程模擬的土壤含水率如圖6所示，模擬結果如表3所示。可見，研究區整體土壤含水率較高，主要分布在20～25 g/kg，占全局的70.44%，這可能是研究區內土壤鹽堿化程度較為嚴重的一個主要原因, 在今后的土地治理及農業生產活動中要著力降低土壤的含水率, 以保證農業生產的可持續發展。

圖5 土壤含水實測與模擬值Fig.5 Measured and simulation value of soil moisture

圖6 研究區土壤含水量反演Fig.6 Inversion result of soil moisture image in study area

表3 土壤含水率反演分類占比

3 討 論

在土壤水分反演過程中，相比于多元逐步回歸分析，BP神經網絡方法在精度上更高，其R2為0.792，這與孫宇樂等[25]R2達到0.796及王啟元等[26]R2均值達到0.754的研究結果基本相同。其原因可能是土壤光譜信息與土壤性質之間不是單一的線性關系，SMLR模型只能進行線性回歸預測，而BPNN模型同時具備線性和非線性處理能力，因而模型精度更高。

分析中對光譜反射率做數學形式的變化后，有效地削弱遙感影像中噪聲的影響，提高與土壤含水率的的相關性優于原始數據，這與馬馳[27]、李鑫星等[28]、趙飛飛[29]、Yin等[30]的研究觀點相同。

本研究認為土壤含水量的特征波段為450～454、1412～1416、1421～1425、2208～2212 nm。姚艷敏等[31]認為400～410、1400～1850、2050～2200 nm為吉林黑土含水量敏感波段；張銳等[32]認為原狀水稻土水分敏感波段集中在1450、1950和2220 nm附近；于雷等[33]認為浙江土壤水分敏感波段為443～449、1408～1456、1916～1943、2209～2253 nm；尚天浩等[34]通過逐步回歸分析與灰色關聯度分析法篩選出寧夏銀北地區鹽堿化土壤水分的敏感波段集中在1460、1950和2200 nm附近；韓陳等[35]認為1400、1900、2200 nm為紫色土和黃壤含水率敏感波段。以上研究與本研究水分敏感波段基本一致，其中與姚艷敏等[31]的研究結果更為接近，但在不同土壤類型下，各研究者所提取的具體波段均有所不同。除土壤本身性質影響外，研究區域、采用的分析模型方法、光譜獲取方式及篩選方式等有所差異也有較大影響。

下一步鹽堿地水分遙感預測模型須加強和中高分辨率衛星光學影像的結合，針對植被覆蓋條件下的灌區土壤條件，試驗多尺度、多時相的多源遙感大數據動態監測，能夠對大區域鹽堿地水分的準確反演[36]，以豐富灌區土壤墑情監測的技術手段。

4 結 論

通過不同形式的光譜變換處理可以使光譜反射率與土壤含水量的關系得到提升，相關性較好的是光譜一、二階導數，特別是二階導數的450～454、1412～1416、1421～1425、2208～2212 nm 4個波段相關性高，相關系數分別為0.50、-0.49、0.55和-0.59。PCR二階導數變換的1412～1416、2208～2212 nm 2個特征波段累積貢獻率為96.89%；MSR二階導數的450～454、1412～1416、2208～2212 nm 3個特征波段為顯著影響波段；PLSR篩選的特征波段較主成分分析以及逐步回歸分析法選取的波段有所不同，且存在極為敏感的波段，如二階導數變換中1835～1839與1870～1874 nm權重值較大。

通過協同河套灌區解放閘灌域鹽漬化土壤光譜特征波段反射率二階倒數、雷達后向散射系數及其組合與地表粗糙度，對比含水率的PCR、MSR與PLSR 3種反演模型，發現MSR模型的R2、RMSE為0.482、0.027，優于另外2種模型。而BP神經網絡模型最佳，R2為0.792。