枸杞土壤含水量間接光譜估測模型

2023-07-06 07:12:27吳娟何月紅黃濤呂林濤劉自增

安徽農業科學 2023年11期

吳娟　何月紅　黃濤　呂林濤　劉自增

摘要為定量分析葉片高光譜不同波段反射率特征值與土壤含水量之間關系，并為構建枸杞作物土壤含水量快速、高效、準確的預測模型提供理論依據。以銀川市試驗基地枸杞為試驗對象，測定實驗室葉片光譜反射率，利用多元線性回歸和多元逐步回歸方法提取反射光譜特征指標，建立土壤水分含量的高光譜預測模型。結果表明，基于754、1 844、1 855和1 900 nm波段反射率特征值的多元線性回歸模型對土壤水分的反演準確性較低，R²=0.326；以673、1 893、1 872 nm波段反射率為特征值的多元逐步回歸分析法可以較好地預測土壤含水量，R²=0.716，模型方程為Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X₁₈₇₂，該模型在預測土壤含水量方面具有較好的準確性且輸入量少的優點，可以為土壤含水量預測模型提供參考。

關鍵詞土壤水分；高光譜數據；線性回歸；逐步回歸

中圖分類號X833文獻標識碼A

文章編號0517-6611（2023）11-0171-03

doi：10.3969/j.issn.0517-6611.2023.11.041開放科學（資源服務）標識碼（OSID）：

Indirect Spectral Estimation Model of Wolfberry Soil Water Content

WU Juan HE Yue-hong HUANG Tao et al（1.Ningxia Institute of Remote Sensing Survey & Mapping（Ningxia Remote Sensing Center）， Yinchuan，Ningxia 750001;2.Zhongning County Wolfberry Industry Development Service Center， Yinchuan，Ningxia 750001）

AbstractIn order to quantitatively analyze the relationship between leaf hyperspectral reflectance characteristics of different bands and soil water content， and provide a theoretical basis for constructing a fast， efficient and accurate prediction model of soil water content of wolfberry crops. In this paper， the experimental base of Yinchuan wolfberry as the experimental object， laboratory spectral reflectance was determined， using multiple linear regression and multiple stepwise regression method to extract reflectance spectral characteristics， hyperspectral prediction model of soil moisture content was established. The results show that the multiple linear regression model based on reflectance characteristic values of 754，1 844，1 855 and 1 900 nm bands has low inversion accuracy for soil moisture，R2=0.326; the multiple stepwise regression analysis method with 673， 1 893 and 1 872 nm band reflectance as characteristic values can better predict soil water content， R2=0.716. The model equation is：Y=25.001-56.485X673-115.923X1 893+100.631X1 872.The model has good accuracy and less input in predicting soil water content， which can provide reference for soil water content prediction model.

Key wordsSoil moisture;Hyperspectral data;Linear regression;Stepwise regression

土壤水分是土壤一項重要的理化性質，直接影響土壤中的物質和能量運移以及地表作物的水、肥、氣、熱等條件的變化，是作物生長狀況監測的重要指標，在作物生長發育中起著不可替代的作用［1-3］。因此，快速、準確、高效地監測農田土壤水分一直是研究的重點。

傳統的土壤水分監測方法主要包括烘干法、中子水分儀法、張力計法和時域反射儀（TDR）法等［4-6］，上述方法普遍以人工單點測定為基礎，盡管具有測定精度高和操作簡單的優點，但是數據范圍有限、工作量大、時效性差，難以滿足大范圍﹑實時的土壤水分監測需求［7］。近年來，隨著遙感技術飛速發展，通過遙感技術獲取植被和土壤的光譜反射特性，使大范圍、高精度的快速監測土壤水分動態成為可能，彌補了傳統土壤水分監測方法的缺點，成為研究的熱點［8］。隨著高光譜與土壤水分關系的研究，光譜數據處理技術日趨成熟。研究表明，350～2 500 nm波長范圍內的高光譜反射率可以反映土壤水分特征值的細微差異，進而反演土壤水分含量。國內外學者［9-11］已得出較為一致的結論，在一定的土壤含水量范圍內，土壤光譜反射率隨著土壤水分的增加而減小；當土壤水分達到閾值時，土壤光譜反射率隨土壤水分的增加而上升。金慧凝等［12］以黑土作為研究對象，利用去包絡線方法提取反射光譜特征指標，得到以1 920 nm波段反射率為自變量建立的一元線性回歸模型；何挺等［13］基于1 450和1 925 nm黃土和沙子的光譜特征參數，建立了相應的土壤水分預測模型。目前，基于高光譜數據的土壤水分預測已經取得了顯著的成果，但仍有許多問題需要進一步研究。現有的光譜-土壤濕度預測模型大多基于單一的特征參數，參與變量較少時不能充分反映全局變量，建立多參數譜-土壤水分預測模型已成為必然趨勢。

該研究以銀川枸杞試驗基地土壤樣品為研究對象，設置了不同等級的土壤水分含量，獲得了4個土壤水分區間的樣品。測定實驗室葉片光譜反射率，采用多元線性回歸和多元逐步回歸方法提取光譜反射率特征值，分析土壤水分吸收谷和光譜特征波段，建立土壤水分和高光譜預測模型之間的關系，以期研究利用光譜特征參數預測土壤水分潛力，為快速測定土壤水分提供新的方法。

1材料與方法

1.1試驗區概況試驗在銀川市郊區蘆花臺花園試驗基地的溫室內進行。該地區屬中溫帶干旱氣候區，年平均氣溫8.5 ℃，有效積溫3 135～3 272 ℃≥10 ℃，晝夜溫差10～15 ℃，日照時數3 032 h，日照度67%，年降水量180～200 mm，無霜期180 d。棚內施肥、修剪等管理措施與田間管理一致。該區域枸杞田屬于鹽堿地，地下水位為1.2～1.8 m， pH 8.67～8.84，土壤總鹽為0.72～1.90 g/kg，土壤有機質為8.37 g/kg，土壤總氮為0.34～0.52 g/kg，水解氮為9.92～47.70 mg/kg，全鉀19.70 g/kg，速效磷和速效鉀含量分別為2.30～44.20和18.60～37.90 mg/kg。該試驗采用盆栽枸杞，試驗品種為“寧杞1號”，樹齡為4 a。試驗時間為2020—2021年，2020年4月上旬，選擇12株生長相同的枸杞樹進行裸根移植，每個花盆里裝16 kg土壤用于栽培。

1.2試驗設計田間滴灌的最佳灌水量為4 kg/株為中等灌水量，設4個處理，過度灌溉（中灌125%）、中灌、輕度干旱（中灌75%）、中度干旱（中灌50%），每個處理重復3次，灌水頻率為7 d。為了保證數據的代表性，選擇枸杞盆栽植物進行統一生長。每盆施肥時間和施肥量相同，各枸杞樹的管理措施相同。光譜數據、土壤水分和土壤溫度在整個生育期進行測量，每個生育期測量2～3次。為了保證數據的準確性，選擇枝干上健康的葉片來測量光譜數據。

1.3監測指標

1.3.1光譜測量儀器和方法。采用美國ASD公司生產的便攜式野外監測儀對溫室枸杞冠層進行光譜測定。該檢測儀的波段范圍為350～2 500 nm，光譜分辨率為3 nm。選擇晴朗無風的天氣，在10：00～14：00進行光譜測量。探針距離樣品15 cm。每個樣品以3°視場角垂直照射5次，平均后得到樣品的光譜反射率。在光譜采集過程中，每測試9個樣品用白板進行校準。選取發育完全葉片上、中、下3部分的光譜反射率，取其平均值作為測量組的光譜反射率。在測量過程中，葉片室放置刀片夾，然后刀片夾緊以確保葉片水平和測量區域是相同的，以消除背景反射造成的影響以及光譜波動引起的葉片表面彎曲和葉片的內部變化。

1.3.2土壤水分測定。采用便攜式土壤溫度、水、鹽、pH測速儀測定枸杞樣品植株的土壤含水量。該儀器通過測量土壤的介電常數來反映真實的土壤含水量，測量精度為±2%。

1.4數據處理利用ViewSpecPro光譜數據處理軟件對每個土壤樣品的光譜曲線斷點進行修正，然后通過Microsoft Office Excel 2010求算出5條光譜曲線平均值，作為對應樣品的光譜反射率。由于受多種人為及外界因素的影響，光譜曲線存在大量噪聲。為了減少毛刺噪聲的影響，使光譜曲線更加平穩，采用5點加權移動平均方法對光譜曲線進行降噪處理。

1.5土壤含水量光譜特征分析為了防止異常樣本對試驗結果造成影響，葉片的光譜反射率數據樣本分類根據含水量的順序從小到大，通過繪制散點圖觀察光譜反射曲線的趨勢并消除異常樣本。將剩余72個土壤樣品按含水量分為4個等級：5%～10%、10%～15%、15%～20%、＞20%，樣本數分別為10、14、32、16個。計算各等級樣品的平均光譜反射率，繪制葉片光譜曲線，如圖1所示。

從圖1可知，在350～1 400 nm波段，土壤含水量在15%～20%的葉片光譜反射率最高，其余等級的光譜反射率隨土壤含水量的增加而下降，即土壤含水量與葉片光譜反射率在一定波段之間呈負相關性，這與現有的研究一致［3］。不同土壤含水量的葉片光譜曲線有3個較大的吸收峰，分別位于900、1 100和1 250 nm附近；在670～720 nm波段中反射率急劇上升，相反在1 340～1 460 nm波段間光譜急劇下降；且由于大氣水汽吸收的強烈影響，在1 800～1 960和2 334～2 500 nm波段光譜曲線變動劇烈，而在720～1 340 nm波段光譜曲線變動平緩。在整個350～2 500 nm波段中可以明顯看出土壤含水量的變化會造成葉片光譜反射率大小的變化，但并不會引起趨勢性變化。

2結果與分析

2.1選取特征因子利用SPSS軟件對4種等級的土壤含水量和350～2 500 nm波段的葉片光譜反射率進行顯著性分析，最終選出下列31個土壤含水量光譜特征因子（表1）。其中754、1 844、1 855和1 900 nm波長與土壤含水量的顯著性均低于0.05，754和1 844 nm波長的顯著性最低，達到0.042。

2.2土壤含水量多元線性回歸反演模型多元線性回歸方法（REG）的主要思想是根據預測時間前一定時期模型的預測效果，總結出預測值與實測值之間的函數關系，不同的訓練次數校正具有不同的預測效果［14］。該研究選用72個樣本進行訓練，可以更好地構建回歸模型。多元線性回歸方程的整合中，需要有多個關鍵參數，根據表1選取754、1 844、1 855和1 900 nm波長的特征因子為關鍵參數，利用SPSS軟件進行回歸計算，構建土壤水分估測模型，公式如下：

Y=21.508-3.167X₇₅₄+0.375X_{1 844}-9.34 X_{1 855}-19.47X_{1 900}（1）

式中：Y為土壤含水量的估測值，%；X₇₅₄為光譜在754 nm波長處的光譜特征因子， nm；X_{1 844}為光譜在1 844 nm波長處的光譜特征因子， nm；X_{1 855}為光譜在1 855 nm波長處的光譜特征因子， nm；X_{1 900}為光譜在1 900 nm波長處的光譜特征因子， nm。

根據72個樣品的光譜特征因子，利用公式（1），計算樣品的土壤含水量，進而得到實測土壤含水量與多元線性回歸估值的組合圖，如圖2所示。結合4種光譜特征值的多元線性回歸模型的R²為0.326，相關性較低。這說明利用多元線性回歸模型高光譜信息對土壤含水量進行間接估測的效果較差。

2.3土壤含水量多元逐步回歸分析反演模型多元逐步回歸分析（SMLR）是一種選擇回歸變量的數學方法。按照一定的顯著性水平篩選有統計學意義的波長，然后進行多元線性回歸計算。具體操作是逐個選擇回歸變量，選擇條件是偏回歸平方和顯著。每選取一個新變量后，對所選取的所有變量逐一進行顯著性檢驗，剔除不顯著的變量。引入或拒絕變量的過程不斷重復，直到引入的變量不能被消除，不能引入新的參數為止，逐步回歸的過程結束［15］。

利用多元逐步回歸分析方法對350～2 500 nm波段的葉片光譜反射率數據進行計算和處理，建立土壤含水量預測高光譜模型。所選特征值均在0.05水平通過顯著性檢驗?；诜瓷渎使庾V反射率，利用SMLR擬合，模型中選取了3個變量，分別為673、1 893、1 872 nm波長，所獲得模型精度較高，R2為0.716，公式如下：

Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X_{1 872}（2）

式中：Y為土壤含水量的估測值，%；X₆₇₃為光譜在673 nm波長處的光譜特征因子， nm；X_{1 893}為光譜在1 893 nm波長處的光譜特征因子，nm；X_{1 872}為光譜在1 872 nm波長處的光譜特征因子，nm。為進一步檢驗模型的可靠性以及預測精度，利用15個測試樣本的葉片高光譜數據對基于光譜反射率的最佳模型進行了驗證。利用公式（2）計算土壤樣本含水量的預測值，繪制土壤含水量的實測值與預測值的散點圖，其擬合方程為y=0.872 7x+1.349 9，方程R²為0.765 3，說明利用高光譜反射率間接預測土壤含水量是可行且有效的（圖3）。

3結論

該研究通過探討不同波段葉片光譜反射率土壤含水量之間的關系，采用多元線性回法和多元逐步回歸分析法實現了對土壤含水量的間接預測，旨在為土壤含水量預測提供一種新方法。

（1）基于葉片光譜反射率的多元線性回歸反演模型對于間接預測土壤含水量效果較差，決定系數僅為0.326。

（2）基于葉片光譜反射率的多元逐步回歸分析法可以較好地預測土壤含水量，決定系數達到0.716，模型方程為：Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X_{1 872}，該模型在預測土壤含水量方面具有較好的準確性，可為準確、快速的土壤含水量估算技術提供參考。

（3）土壤水分的高光譜間接預測模型受數據獲取時段以及土壤類型影響。該研究僅在寧夏銀川對該方法的可行性和有效性進行了初步探討，未在其他區域驗證方法。因此，有必要對不同土壤類型和不同時期的數據進行深入研究，進一步驗證該模型的適用性。

參考文獻

［1］王啟元，趙艷玲，房鑠東，等.基于多光譜遙感的裸土土壤含水量反演研究［J］.礦業科學學報，2020，5（6）：608-615.

［2］馮珊珊，梁雪映，樊風雷，等.基于無人機多光譜數據的農田土壤水分遙感監測［J］.華南師范大學學報（自然科學版），2020，52（6）：74-81.

［3］翟浩然，李西燦，鐘浩，等.耕層土壤含水量間接光譜估測模型［J］.中國農學通報，2020，36（11）：86-91.

［4］趙宇飛，王長沙.常用土壤含水量測定方法的原理及比較［J］.園藝與種苗，2017，37（10）：70-73.

［5］潘寧，王帥，劉焱序，等.土壤水分遙感反演研究進展［J］.生態學報，2019，39（13）：4615-4626.

［6］馬春芽，王景雷，黃修橋.遙感監測土壤水分研究進展［J］.節水灌溉，2018（5）：70-74，78.

［7］劉影，姚艷敏.土壤含水量高光譜遙感定量反演研究進展［J］.中國農學通報，2016，32（7）：127-134.

［8］崔兆韻，吳茜.山東潮鹽土土壤含水量高光譜特征分析及預測方法［J］.農技服務，2020，37（11）：117-121.

［9］ LOBELL D B，ASNER G P.Moisture effects on soil reflectance［J］.Soil science society of America journal，2002，66（3）：722-727.

［10］ 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.