李 相，丁建麗*，黃 帥，陳文倩，王 嬌，袁 澤，陳 蕓

（1 新疆大學資源與環(huán)境科學學院，烏魯木齊 830046；2 新疆大學綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046；3 澳大利亞聯(lián)邦科學與工業(yè)研究組織水土資源研究所，堪培拉 VIC 3169）

實測高光譜和HSI影像的區(qū)域土壤含水量遙感監(jiān)測研究①

李 相1，2，丁建麗1，2*，黃 帥1，2，陳文倩1，2，王 嬌1，2，袁 澤1，2，陳 蕓3

（1 新疆大學資源與環(huán)境科學學院，烏魯木齊 830046；2 新疆大學綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046；3 澳大利亞聯(lián)邦科學與工業(yè)研究組織水土資源研究所，堪培拉 VIC 3169）

基于典型研究區(qū)植被冠層實測高光譜數(shù)據(jù)和HSI高光譜影像數(shù)據(jù)，通過相關(guān)分析選擇與不同深度土壤含水量響應(yīng)敏感波段，建立兩者的土壤含水量反演模型，并用實測高光譜土壤含水量反演模型校正HSI影像土壤含水量反演的模型。結(jié)果表明：土壤含水量響應(yīng)敏感波段區(qū)域為450 ～ 650 nm和850 ～ 920 nm；兩種土壤含水量反演模型對土壤深度為0 ～ 10 cm的土壤含水量估算效果最好，其中實測冠層高光譜土壤含水量反演模型精度高于HSI影像土壤含水量反演模型，判定系數(shù)（R2）分別為0.659和0.557；經(jīng)過校正的HSI影像土壤含水量反演模型精度有了較大的提高，判定系數(shù)（R2）從0.557 提升到0.719，均方根誤差（RMSE）為0.043 5，較好地提高了區(qū)域尺度條件下土壤含水量監(jiān)測精度，因此運用該方法進行土壤含水量遙感監(jiān)測是可行的，為進一步提高區(qū)域尺度下土壤含水量定量遙感監(jiān)測提供參考借鑒。

高光譜；土壤含水量；HSI影像；多元線性回歸

土壤含水量是植物生長發(fā)育的重要因子之一，是監(jiān)測土壤退化程度的關(guān)鍵指標，在氣候、生態(tài)、農(nóng)業(yè)等研究領(lǐng)域被作為主要參數(shù)之一，特別是在干旱、半干旱區(qū)域，土壤含水量對該區(qū)域的生態(tài)健康發(fā)展起著至關(guān)重要的作用［1-2］。同時，作為陸地地表參數(shù)化的一個關(guān)鍵變量，在陸地與大氣的物質(zhì)和能量交換中也起著極為重要的作用［3］，尤其是土壤表層含水量，對于微觀氣象的響應(yīng)更加敏感，是一個重要的能量平衡參數(shù)［4］，也是旱情監(jiān)測的重要指標。

傳統(tǒng)的重力法、張力計等方法雖然可以準確地獲取某點一定深度的土壤含水量，但由于費時費力，因此難以及時、快速、準確地獲取大面積的土壤含水量數(shù)據(jù)。遙感具有觀測范圍大、分辨率高等特點，可以實時高效地獲取大范圍的土壤含水量信息。隨著定量遙感技術(shù)的發(fā)展，尤其是高光譜遙感技術(shù)的不斷成熟和應(yīng)用，使得物質(zhì)組分之間的細微差異能夠被更加精細地表征出來，因此成為了一種實時高效地估算土壤含水量的新手段［5-6］。國內(nèi)外諸多學者對土壤含水量的研究非常重視［7-10］，張莉等［11］通過建立土壤含水量和光譜反射率模式方程，確定了診斷土壤水分狀況的敏感波段，認為在可見光和近紅外部分二者達到極顯著相關(guān)，且近紅外部分較為敏感。顧燕等［12］通過分析不同含水量的土壤光譜特征，建立了TM遙感影像的光譜反射率與土壤含水量的關(guān)系模型。Heike等［13］利用GeoSAIL模型，模擬了不同含水量土壤作為下墊面時，以及不同植物含水量情況下的冠層反射率，發(fā)現(xiàn)植被含水量變化引起的光譜差異不同于土壤含水量變化引起的光譜差異?？梢姡吖庾V遙感能夠有希望區(qū)分兩者帶來的影響。劉培君等［14］通過引入一個“光學植被蓋度”的概念，以此來排除植被對土壤水分的干擾，使復合像元亮度變成了裸土光譜亮度，實現(xiàn)植被覆蓋區(qū)域的土壤含水量監(jiān)測。

當前國內(nèi)外大都是基于土壤光譜對土壤含水量做了大量的研究，實際上由于作物冠層之下的土壤含水量動態(tài)監(jiān)測對植物生長發(fā)育研究意義更為重要［15］，而基于植被冠層下不同深度土壤含水量方面的研究鮮見報道。另外，將實測高光譜數(shù)據(jù)與遙感影像數(shù)據(jù)相結(jié)合，提取土壤含水量信息仍存在困難，尺度間的數(shù)據(jù)轉(zhuǎn)換成為土壤含水量遙感監(jiān)測的關(guān)鍵。因此，本文首先通過實測植物冠層光譜反射率與土壤含水量數(shù)據(jù)的相關(guān)分析，建立實測高光譜與土壤含水量反演模型，然后，以該模型校正HSI影像建立的土壤含水量反演模型，以提高區(qū)域尺度下土壤含水量定量遙感監(jiān)測精度。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選擇在庫車縣境內(nèi)，以研究區(qū)野外實地調(diào)查采樣確定邊界坐標為：82°48′ ～ 83°40′E，41°5′ ～41°56′N，是典型的山前沖積扇平原，屬于溫帶大陸性干旱氣候。年平均蒸發(fā)量為1 991.0 ～ 2 864.3 mm，多年平均降水量僅為51.3 mm，主要集中在5—8月，蒸發(fā)量遠大于降水量，干燥度系數(shù)為44.37，多年平均氣溫10.6 ～ 14.8℃，年極高、極低氣溫分別為41.3℃和 -28.7℃，無霜期為209.7 ～ 226.3 天，屬于干旱與極端干旱地區(qū)［16］。研究區(qū)地形由三部分組成：北部海拔3 000 ～ 5 000 m的天山山脈，是重要的水源地；中部是低山和殘丘；南部是山前平原區(qū)，形成和發(fā)育了較大的綠洲，是庫車河沙雅經(jīng)濟發(fā)展的核心地帶［17］。研究區(qū)植被主要以穂紅柳、鹽木、梭梭、鹽爪爪、駱駝刺、白刺等為主，根據(jù)野外實地植被采樣單元選擇的典型研究區(qū)域如圖1（由分別對應(yīng)于HSI影像紅、綠、藍通道的12、45和90波段合成）所示。

圖1 研究區(qū)地理位置圖及采樣點分布圖Fig. 1 Geographical position map of study area and distribution of sampling sites

1.2 野外實測樣本采集

為提高實測數(shù)據(jù)與影像數(shù)據(jù)在時間上的吻合性，土壤含水量數(shù)據(jù)和高光譜數(shù)據(jù)于2010年10月下旬赴研究區(qū)進行采集，數(shù)據(jù)采集時間與衛(wèi)星掃描過境時間較一致。數(shù)據(jù)采集包括兩部分：①表層土壤含水量數(shù)據(jù)采集：每個樣方大小為30 m × 30 m，每個樣方包含5個土壤采樣單元和9個光譜采樣單元，每個土壤采樣單元分別采集土層深度為0 ～ 10（a）、10 ～ 30（b）、30 ～ 50 cm（c）3層土樣，用烘干箱將土樣烘干并測定土壤含水量，取5個采樣單元的平均值作為本樣方的土壤含水量測定值，最終獲得不同深度土壤含水量數(shù)據(jù)102個；②植被冠層光譜測量：選擇在晴天或云量較少時，采用ASD光譜儀（其波長包括從350 nm的可見光至2 500 nm的近紅外，其中在350 ～ 1 000 nm和1 000 ～ 2 500 nm光譜采樣間隔分別為1.4 nm和2 nm，光譜分辨率分別為3 nm和10 nm；最后對數(shù)據(jù)進行1 nm的重新采樣［19］）于10：00—15：00（北京時間）測定植被冠層光譜，每個植被光譜采樣單元中按五點梅花狀進行測量，取其平均值作為該采樣單元的光譜值，為了客觀實際反映出典型研究區(qū)土壤含水量與植被光譜特征，確保植被冠層光譜采樣單元面積與土壤采樣單元面積基本相同，取9個采樣單元數(shù)據(jù)的平均值作為本樣方光譜數(shù)據(jù)，最終得到了與土壤采樣單元相對應(yīng)的34組植被反射率光譜曲線。在數(shù)據(jù)分析之前，為減少反射率曲線噪音引起的誤差，對反射率曲線進行Savitzky-Golay濾波［20-21］。

1.3 HSI影像數(shù)據(jù)獲取及預(yù)處理

本文使用的HSI影像數(shù)據(jù)來自中國資源衛(wèi)星應(yīng)用中心提供的HJ-1A星攜帶的高光譜成像儀（Hyperspectral imaging spectrometer），獲取時間為2010年10月下旬，空間分辨率為100 m，平均光譜分辨率與ASD光譜儀光譜分辨率較為一致，為4.32 nm。土壤含水量反演之前，首先將HSI影像數(shù)據(jù)進行輻射定標等預(yù)處理；然后，將影像從DN值轉(zhuǎn)化為輻射亮度值；最后，采用FLAASH模型進行大氣校正，從而得到研究區(qū)影像的地表反射率值。

1.4 光譜數(shù)據(jù)處理及相關(guān)分析

在數(shù)據(jù)分析之前，對植被冠層光譜反射率數(shù)據(jù)進行光譜變換，利用相關(guān)分析數(shù)學方法，將光譜變換數(shù)據(jù)與土壤含水量數(shù)據(jù)進行分析，選擇與土壤含水量響應(yīng)敏感的波段，植被冠層的光譜變換包括對數(shù)、倒數(shù)、一階微分等，相關(guān)系數(shù)jR的計算公式為：

式中：Rj為土壤含水量與植被冠層光譜反射率及其光譜變換的相關(guān)系數(shù)，j為波段號，Rij是編號為i的樣方在j波段的反射率及其光譜變換結(jié)果，為總數(shù)為n個的土壤采樣單元光譜反射率及其光譜變換結(jié)果的平均值，SMi是編號為i的采樣單元的含水量，SM為總數(shù)為n的土壤采樣單元的平均含水量。

1.5 模型的建立及檢驗

在植被冠層光譜反射率數(shù)據(jù)及其變換和分析的基礎(chǔ)上，采用多元逐步回歸的數(shù)學方法，構(gòu)建土壤含水量的反演模型。為驗證模型的有效性，分別采用統(tǒng)計量F值和決定系數(shù) （R2）、均方根誤差RMSE （Root mean square error）來評價估算模型的精度。當F值大于理論臨界值Fa時，估算精度較高；決定系數(shù)R2越接近1，估算模型方程的擬合程度越高；均方根誤差用于評價估算模型方程的精度，總均方根誤差越接近0，估算方程精度越高。當統(tǒng)計量F值大于Fa且F值越大，R2越高，RMSE越小，表明模型估算的準確性越高，反之則模型估算的準確性越差。其中，RMSE的計算公式為：

式中：P*（Zi） 表示建立模型的預(yù)測值；Z（Zi） 表示實測值；N表示樣品的數(shù)量。

2 結(jié)果與討論

2.1 不同土壤含水量的植被冠層反射率光譜特征

從采集的植被冠層原始光譜數(shù)據(jù)中剔除由于大氣強吸收、水汽及其他因素干擾引起較大誤差的波段。以蘆葦為例說明不同土壤含水量水平下的植被冠層反射光譜曲線（圖2）?？梢钥闯?，土壤含水量對蘆葦冠層光譜特征有著較為明顯的影響，不同土壤含水量與植被冠層光譜之間具有較高的相關(guān)性，植被冠層光譜反射率在400 ～ 750 nm與750 ～ 2 500 nm之間隨著土壤含水量水平的增高而呈現(xiàn)遞減趨勢；不同土壤含水量水平的植被冠層光譜反射率在各個波段有明顯差別，其中以400 ～ 650 nm附近的可見光反射峰和750 ～ 1 350 nm高反射處最為明顯。

圖2 不同土壤含水量水平下的植被冠層光譜曲線Fig. 2 Spectral curves under different soil moistures

2.2 實測高光譜數(shù)據(jù)分析及模型建立

將植被冠層實測高光譜反射率及其變換結(jié)果與土壤不同含水量數(shù)據(jù)作相關(guān)系數(shù)在0.01和0.05水平上的顯著性檢驗及相關(guān)性分析，如圖3所示。考慮到植被冠層實測高光譜數(shù)據(jù)與HSI影像數(shù)據(jù)的光譜分辨率大致相同（均在3 nm左右），為使得實測高光譜數(shù)據(jù)光譜波長范圍與HIS影像光譜波長范圍相一致，因此從實測高光譜波段中選取400 ～ 1 000 nm范圍進行分析?？梢钥闯?，不同深度的土壤含水量均與光譜反射率、光譜反射率倒數(shù)、光譜反射率倒數(shù)的對數(shù)、光譜反射率對數(shù)、光譜反射率對數(shù)的倒數(shù)、光譜反射率均方根相關(guān)性較小，沒有波段的相關(guān)性通過0.05水平上的顯著性檢驗，因此不適用提取特征波段用于土壤含水量高光譜模型的建立。而除此之外的其他光譜反射率不同變換結(jié)果與土壤含水量的相關(guān)系數(shù)均有提高，部分波段相關(guān)性通過了0.01水平上的顯著性檢驗，可以用于土壤含水量高光譜模型的建立。在此范圍內(nèi)逐波段篩選相關(guān)系數(shù)通過了0.01水平上的顯著性檢驗的最高的2個波段，分別為：

1） 土壤深度為0 ～ 10 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.558 1（波長483 nm）和 -0.586 0（波長911 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 0.512 2（波長633 nm）和0.537 4（波長911 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.576 1（波長643 nm）和0.584 0（波長911 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.576 1（波長643 nm）和-0.584 0（波長911 nm）；⑤光譜反射率對數(shù)的倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.554 2（波長453 nm）和0.556 4（波長483 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.569 3（波長612 nm）和 -0.592 0（波長911 nm）。

2） 土壤深度為10 ～ 30 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.531 2（波長461 nm）和 -0.529 7（波長992 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.621 7（波長459 nm）和0.601 5（波長992 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.599 7（波長461 nm）和0.611 2（波長992 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.599 7（波長461 nm）和 -0.611 3（波長992 nm）；⑤光譜反射率對數(shù)倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.508 5（波長459 nm）和0.545 1（波長461 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.583 6（波長461 nm）和 -0.584 3（波長992 nm）。

3） 土壤深度為30 ～ 50 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為0.499 8（波長412 nm）和 -0.506 8（波長992 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.606 3（波長442 nm）和0.554 4（波長992 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.533 8（波長442 nm）和0.568 8（波長992 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.533 8（波長442 nm）和-0.568 8（波長992 nm）；⑤光譜反射率對數(shù)倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.482 6（波長400 nm）和 -0.476 6（波長411 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.480 5（波長862 nm）和 -0.549 9（波長992 nm）。

圖3 不同土壤含水量與光譜及其變換結(jié)果的相關(guān)性分析Fig. 3 Correlation between soil moistures and spectral radiance and its transformation

以土壤含水量作為因變量，峰值波段數(shù)據(jù)作為自變量，采用多元線性回歸方法，在102個不同土壤含水量數(shù)據(jù)支持下，建立實測冠層高光譜與土壤含水量的反演模型（表 1）。

表1 實測高光譜土壤含水量回歸模型Table1 Soil moisture inversion model（measured hyperspectral）

由表1可以看出，植被冠層光譜反射率一階微分模型最佳（土壤含水量深度為0 ～ 10 cm，組合波段為483 nm和911 nm），模型判定系數(shù)（R2）為0.659，并且通過Person相關(guān)系數(shù)分析，達到0.01的顯著性水平。用其余光譜采樣單元對模型進行檢驗，如圖4，可以看出，驗證樣本判定系數(shù)（R2）為0.735 1，均方根誤差（RMSE）為0.043 3，模型估算精度較好。

圖4 實測土壤含水量與模型預(yù)測值比較Fig. 4 Comparison between measured and predicted values of soil moistures

2.3 HSI影像分析及模型建立

將HSI影像反射率及其變換結(jié)果與土壤不同含水量數(shù)據(jù)作相關(guān)系數(shù)在0.01和0.05水平上的顯著性檢驗及相關(guān)性分析，如圖5所示。可以看出，土壤深度為10 ～ 30 cm和30 ～ 50 cm的土壤含水量均與光譜反射率、光譜反射率倒數(shù)、光譜反射率倒數(shù)的對數(shù)、光譜反射率對數(shù)、光譜反射率對數(shù)的倒數(shù)、光譜反射率均方根相關(guān)性較小，沒有波段的相關(guān)性通過0.05水平上的顯著性檢驗，因此不適用提取特征波段用于土壤含水量高光譜模型的建立。而除此之外的其他光譜反射率不同變換結(jié)果與不同土壤含水量的相關(guān)系數(shù)均有提高，部分波段相關(guān)性通過了0.01水平上的顯著性檢驗，可以用于土壤含水量高光譜模型的建立。在450 ～ 950 nm內(nèi)逐波段篩選相關(guān)系數(shù)通過了0.01水平上的顯著性檢驗的最高的2個波段，分別為：

1） 土壤深度為0 ～ 10 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.558 1（波長552 nm）和 -0.586 0（波長555 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.512 2（波長900 nm）和0.537 4（波長555 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.576 1（波長460 nm）和0.584 0（波長555 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.576 1（波長555 nm）和 -0.584 0（波長552 nm）；⑤光譜反射率對數(shù)的倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.554 2（波長555 nm）和0.556 4（波長552 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.569 3（波長555 nm）和 -0.592 0（波長460 nm）。

2） 土壤深度為10 ～ 30 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.531 2（波長748 nm）和 -0.529 7（波長841 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.621 7（波長841 nm）和0.601 5（波長748 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.599 8（波長841 nm）和0.611 2（波長748 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.599 7（波長841 nm）和 -0.611 3（波長748 nm）；⑤光譜反射率對數(shù)倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.508 5（波長748 nm）和0.545 1（波長841 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.583 6（波長841 nm）和 -0.584 3（波長748 nm）。

3） 土壤深度為30 ～ 50 cm分別為：①光譜反射率一階微分，相關(guān)系數(shù)的兩個峰值分別為0.499 8（波長549 nm）和 -0.506 8（波長496 nm）；②光譜反射率倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.606 3（波長841 nm）和0.554 4（波長652 nm）；③光譜反射率倒數(shù)的對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為0.533 8（波長841 nm）和0.568 8（波長496 nm）；④光譜反射率對數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為-0.533 8（波長841 nm）和-0.568 8（波長496 nm）；⑤光譜反射率對數(shù)倒數(shù)一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.482 6（波長549 nm）和 -0.476 6（波長496 nm）；⑥光譜反射率均方根一階微分，相關(guān)系數(shù)的兩個峰值分別為 -0.480 5（波長549 nm）和 -0.549 9（波長496 nm）。

圖5 植被冠層光譜數(shù)據(jù)與土壤含水量相關(guān)分析Fig. 5 Correlation analysis of vegetation canopy spectral data and soil moisture

同樣以土壤含水量作為因變量，峰值波段數(shù)據(jù)作為自變量，采用多元線性回歸方法，在102個不同土壤含水量數(shù)據(jù)支持下，建立HSI影像與土壤含水量的反演模型（表2）。

表2 HSI影像土壤含水量回歸模型Table2 Soil moisture inversion model （HSI）

由表2可以看出，HSI影像光譜反射率對數(shù)一階微分模型最佳（土壤含水量深度為0 ～ 10 cm，組合波段為555 nm和552 nm），模型判定系數(shù)（R2）為0.557，并且通過Pearson相關(guān)系數(shù)分析，達到0.01的顯著性水平。用其余光譜采樣單元對模型進行檢驗，如圖6，可以看出，驗證樣本判定系數(shù)（R2）為0.623，均方根誤差（RMSE）為0.051 8，模型估算精度較植被冠層光譜模型差。

2.4 模型校正與檢驗

為了提高反演模型精度并且更好地結(jié)合HIS影像數(shù)據(jù)進行分析，尋求實測冠層光譜反射率及其變換結(jié)果數(shù)據(jù)與HSI影像數(shù)據(jù)之間的關(guān)系，將實測高光譜數(shù)據(jù)與HSI影像數(shù)據(jù)之間建立聯(lián)系方程，如圖7所示，用實測高光譜土壤含水量反演模型校正HSI影像土壤含水量反演模型。

經(jīng)過實測高光譜土壤含水量反演模型校正的HSI影像土壤含水量反演模型檢驗結(jié)果如圖8所示，可以看出，模型判定系數(shù)R2得到了較好的提高，由0.549提升到0.719，且通過了0.01的顯著性水平，RMSE值為0.043 5。因此，校正后的HSI影像土壤含水量反演模型能夠較好地提高區(qū)域尺度條件下表層土壤含水量監(jiān)測精度。圖9為典型研究區(qū)土壤深度為0 ～10 cm的土壤含水量空間分布。

圖6 估測值與實測值比較Fig. 6 Comparison between predicted and measured values of soil moistures

圖7 實測高光譜土壤含水量反演模型與HSI影像土壤含水量反演模型散點圖Fig. 7 Scatterplot of measured hyperspectral soil moisture inversion model and HSI soil moisture inversion model

圖8 校正后的模型與實測含水量比較Fig. 8 Comparison between predicted and measured values of soil moistures after calibration

圖9 研究區(qū)0 ～ 10 cm土壤含水量空間分布圖Fig. 9 Soil moisture space distribution of studied area in 0-10 cm layer

3 結(jié)論

1） 土壤含水量的敏感波段區(qū)域為450 ～ 650 nm和850 ～ 920 nm。

2） 實測冠層高光譜土壤含水量反演模型中，以土壤深度為0 ～ 10 cm的冠層光譜反射率一階微分模型最佳，波段組合為483 nm和911 nm，模型通過0.01顯著性水平檢驗，判定系數(shù)R2為0.735，均方根誤差（RMSE）為0.043 3 。

3） HSI高光譜影像土壤含水量反演模型中，以土壤深度為0 ～ 10 cm的冠層光譜反射率對數(shù)一階微分模型最佳，波段組合為552 nm和555 nm，模型通過0.01顯著性水平檢驗，判定系數(shù)R2為0.623，均方根誤差（RMSE）為0.051 8。

4） 校正后的HSI高光譜影像土壤含水量反演模型，模型判定系數(shù)R2得到了較好的提高，由0.549提升到0.719，且通過了0.01的顯著性水平，RMSE值為0.043 5。

以上結(jié)論表明冠層高光譜土壤含水量反演模型和HSI影像土壤含水量反演模型對于0 ～ 10 cm深度的土壤含水量效果較好，30 ～ 50 cm效果最不理想。同時，經(jīng)過校正的HSI 影像土壤含水量反演模型，能夠在一定區(qū)域尺度條件下較好提高模型對土壤含水量的監(jiān)測精度，因此運用此方法進行區(qū)域土壤含水量定量遙感監(jiān)測研究是可行的，這在土壤含水量高光譜估算模型由點及面的尺度轉(zhuǎn)換研究方面做了初步探索研究。由于HSI影像的空間分辨率較低以及限于單一年份的試驗數(shù)據(jù)，因此土壤含水量反演模型具有一定的局限性，必然影響模型的監(jiān)測精度，在以后的研究中采用多年試驗數(shù)據(jù)及更高空間分辨率的高光譜影像進行研究和驗證，將會更好地進行土壤含水量定量遙感監(jiān)測。

［1］ 李玲芬， 延軍平， 劉冬梅， 等. 干旱-半干旱地區(qū)不同植被條件下土壤含水量變化及植被建設(shè)途徑分析［J］. 水土保持通報， 2009， 29（1）： 18-22

［2］ 張素芳， 馬禮. 壩上高原林草地表層土壤含水量對比研究［J］. 干旱區(qū)資源與環(huán)境， 2013， 27（2）： 167-170

［3］ 李萍， 趙庚星， 高明秀， 等. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演［J］. 土壤學報， 2015， 52（6）：1 262-1 272

［4］ Bach H， Mauser W. Modelling and model verification of the spectral reflectance of soils under varying moisture conditions［J］. Geoscience and Remote Sensing Symposium，1994， 4： 2 354-2 356

［5］ Ben-Dor E， Patin K， Banin A， et al. Mapping of several soil properties using DAIS-7915 hyperspectral scanner data —a case study over clayey soils in Israel［J］. International Journal of Remote Sensing， 2002， 23（6）： 1 043-1 062

［6］ Lu N， Zhang Z， Gao Y. Recognition and mapping of soil salinization in arid environment with hyperspectral data［J］. Geoscience and Remote Sensing Symposium， 2005， 6： 4 520-4 523

［7］ 張繼光， 陳洪松， 蘇以榮， 等. 喀斯特山區(qū)洼地表層土壤水分的時空變異［J］. 生態(tài)學報， 2008， 28（12）： 6 334-6 343

［8］ 趙純， 袁國富， 劉曉， 等. 宇宙射線土壤水分觀測方法在黃土高原草地植被的應(yīng)用［J］. 土壤學報， 2015， 52（6）：1 439-1 444

［9］ 曹麗花， 劉合滿， 趙世偉. 當雄草原不同退化草甸土壤含水量及容重分布特征［J］. 草業(yè)學報， 2011， 19（5）： 746-751

［10］ 劉凱， 高磊， 彭新華， 等. 半干旱區(qū)科爾沁沙地土壤水分時空特征研究［J］. 土壤， 2015， 47（4）： 765-772

［11］ 張莉， 孫虎. 黃土高原地區(qū)土壤含水量與反射光譜關(guān)系研究［J］. 土壤通報， 2009， 40（6）： 1 255-1 258

［12］ 顧燕， 張鷹， 李歡， 等. 基于實測光譜的潮灘土壤含水量遙感反演模型研究［J］. 濕地科學， 2013， 11（2）： 167-172

［13］ Bach H， Verhoef W. Sensitivity studies on the effect of surface soil moisture on canopy reflectance using the radiative transfer model GeoSAIL［J］. IEEE International Geoscience & Remote Sensing Symposium 2003， 3：1 679-1 681

［14］ 劉培君， 張琳， 艾里西爾·庫爾班， 等. 衛(wèi)星遙感估測土壤水分的一種方法［J］. 遙感學報， 1997， 1（2）： 135-138

［15］ 徐希孺， 周蓮芳， 朱曉紅. 混合像元的因子分析方法及其在大范圍冬小麥播種面積估算中的應(yīng)用探討［J］. 科學通報， 1989， 34（12）： 946-949

［16］ 張飛， 塔西甫拉提特依拜， 孔祥德， 等. 干旱區(qū)綠洲土地利用景觀空間格局動態(tài)變化研究：以渭干河-庫車河三角洲綠洲為例［J］. 資源科學， 2006， 28（6）： 167-174

［17］ 滿蘇爾·沙比提， 楚新正. 新疆渭干河一庫車河三角洲綠洲土地利用時空變化特征分析［J］. 干旱地區(qū)農(nóng)業(yè)研究，2007， 25（4）： 12-18

［18］ 彭杰， 王家強， 向紅英， 等. 土壤含鹽量與電導率的高光譜反演精度對比研究［J］. 光譜學與光譜學分析， 2014，34（2）： 510-514

［19］ 劉煒， 常慶瑞， 郭曼， 等. 不同尺度的微分窗口下土壤有機質(zhì)的一階導數(shù)光譜響應(yīng)特征分析［J］. 紅外與毫米波學報， 2011， 30（4）： 316-321

［20］ Savizky A， Golay M J E. Smoothing and differentiation of data by simplified least squares procedures［J］. Analytical Chemistry， 1964， 36（8）： 1 627-1 639

［21］ 朱西存， 趙庚星， 雷彤. 蘋果花期冠層反射光譜特征［J］.農(nóng)業(yè)工程學報， 2009， 25（12）： 180-186

Study on Soil Moisture Monitoring Base on Measured Hyperspectral and HSI Data

LI Xiang1，2， DING Jianli1，2*， HUANG Shuai1，2， CHEN Wenqian1，2， WANG Jiao1，2， YUAN Ze1，2， CHEN Yun3
（1 College of Research and Environment Science， Xinjiang University， Urumqi 830046， China； 2 Key Laboratory of Oasis Ecology， Ministry of Education， Xinjiang University， Urumqi 830046， China； 3 CSIRO Land and Water of Australia， Canberra VIC 3169， Austrilia）

Based on measured vegetation canopy hyperspectral data and HSI hyperspectral image data in a typical region，sensitive bands to soil moisture in different soil depths were selected by correlation analyses to establish the optimal inversion model of soil moisture by HSI image data， and the inversion model was calibrated by HSI inversion model based on the measured soil moisture. The results showed that： the sensitive bands to soil moisture were in 450 - 650 nm and in 850 - 920 nm； the two soil moisture inversion models showed that： the estimation effect for soil moisture in 0 - 10 cm depth was the best， and the accuracy of the inversion model based on HSI image data was higher than the inversion model based on the measured hyperspectral data， and the coefficients of determination （R2） were 0.659 and 0.557， respectively； the accuracy of soil moisture inversion model was improved better after calibration， the coefficient of determination （R2） raised to 0.719 from 0.557， and root mean square error （RMSE） was of 0.043 5， which indicated that the improvement of monitoring accuracy on soil moisture at the regional scale and proved this technique is feasible to monitor soil moisture， and provided helps to further improve soil moisture monitoring by remote sensing at regional scale.

Hyperspectral； Soil moisture； HSI image； Multiple linear regression

S127；S152.7

10.13758/j.cnki.tr.2016.05.027

自治區(qū)科技支疆項目（201591101）、國家自然科學基金項目（U1303381、41261090、41161063）、教育部促進與美大地區(qū)科研合作與高層次人才培養(yǎng)項目和2015年新疆維吾爾自治區(qū)研究生科研創(chuàng)新項目（XJGRI2015018）資助。

*通訊作者（ding_jl@163.com）

李相（1991—），男，河南永城人，碩士研究生，主要研究方向為生態(tài)與遙感。E-mail： lixiang91526@163.com