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(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室（中國(guó)科學(xué)院南京土壤研究所），南京 210008；2中國(guó)科學(xué)院大學(xué)，北京 100049)

在實(shí)驗(yàn)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(duì)數(shù)(log)、反射率的倒數(shù)(1/)、反射率對(duì)數(shù)的一階微分(log)′和去包絡(luò)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(guān)系。結(jié)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(jiàn)-近紅外波段，以′ 提取的敏感波長(zhǎng)與含水量的相關(guān)系數(shù)最高，敏感波長(zhǎng)集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波長(zhǎng)反射率所建立的土壤含水量預(yù)測(cè)模型的決定系數(shù)達(dá)到了0.89，且其模型檢驗(yàn)的均方根誤差僅為4.6 g/kg，實(shí)現(xiàn)了對(duì)砂姜黑土含水量較為準(zhǔn)確的預(yù)測(cè)。本研究為非接觸、快速地測(cè)定砂姜黑土含水量提供了數(shù)據(jù)基礎(chǔ)。

砂姜黑土；光譜特征；含水量；光譜反射率

實(shí)時(shí)、快速地測(cè)定田間水分是現(xiàn)代化農(nóng)田土壤水分管理的基礎(chǔ)。土壤含水量的測(cè)定方法按照測(cè)定范圍和測(cè)定方式，可分為點(diǎn)位、區(qū)域測(cè)定，以及接觸式和非接觸式測(cè)定等。點(diǎn)尺度的水分測(cè)定的測(cè)量精度雖然較高如烘干稱重法、中子儀法、γ-射線法和時(shí)域反射儀法等[1]，但用于區(qū)域農(nóng)田水分監(jiān)測(cè)，畢竟樣點(diǎn)數(shù)量有限，且費(fèi)時(shí)費(fèi)力成本較高。區(qū)域非接觸式的土壤含水量測(cè)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(xù)，即圖譜合一[2]，且涵蓋紫外、可見(jiàn)光、近紅外和中紅外一個(gè)或多個(gè)常用波段而被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域的土壤屬性預(yù)測(cè)[3-5]、作物長(zhǎng)勢(shì)監(jiān)測(cè)、作物產(chǎn)量與籽粒質(zhì)量反演等[6-8]。高光譜遙感不僅光譜分辨率高，能提高對(duì)目標(biāo)物屬性的預(yù)測(cè)精度，還能快速、實(shí)時(shí)和大面積的對(duì)目標(biāo)區(qū)域進(jìn)行監(jiān)測(cè)，因此高光譜遙感在土壤和植物等特征的研究中表現(xiàn)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(zhǎng)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(shù)據(jù)，反射率曲線經(jīng)對(duì)數(shù)和一階微分處理后，敏感波長(zhǎng)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(guān)系數(shù)最高達(dá)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(duì)象，使用光譜測(cè)量范圍在340 ~ 1 130 nm的光譜儀進(jìn)行測(cè)定，以光譜反射率變換形式提取出土壤水分的敏感波長(zhǎng)，得出408、521、751 nm等為敏感波長(zhǎng)。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(zhǎng)分別為698、702、703、746、747 nm。可見(jiàn)不同土壤的水分敏感波段是有差異的[8]，有必要對(duì)不同類型的土壤進(jìn)行專門研究。此外，國(guó)內(nèi)外學(xué)者對(duì)土壤與水分的關(guān)系的研究通常以多種土類的土壤為研究對(duì)象[13-15]。然而，不同土壤間由于質(zhì)地和成土母質(zhì)等的差異，其光譜特征也存在差異[16]。因此，針對(duì)單一土類的光譜特征研究能有效提高模型的預(yù)測(cè)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(yáng)縣(33°35′ N, 116°19′ E)和太和縣(33°18′ N, 115°28′ E)，共包含了64個(gè)土壤樣品，4種土種。各土種樣品采集情況如下：淤黑土15個(gè)、厚淤黑土15個(gè)、黑土14個(gè)、青白土20個(gè)。土樣的采集深度為0 ~ 20 cm。土壤風(fēng)干后剔除植物殘?bào)w、石礫等雜質(zhì)，研磨后過(guò)2 mm土篩，充分混勻。

1.2 土壤含水量與光譜測(cè)量

將處理過(guò)后的土壤樣品放置于直徑14.3 cm，深度是2.3 cm(光學(xué)無(wú)限厚)培養(yǎng)皿中。先將被測(cè)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(duì)光譜的干擾。然后用滴管沿培養(yǎng)皿壁注入蒸餾水直至土壤處于充分飽和狀態(tài)，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(jìn)行逐步干燥。在干燥過(guò)程中，每隔一定時(shí)間測(cè)定土樣表面的反射率，并同時(shí)稱重測(cè)定土壤實(shí)際含水量。

土壤光譜測(cè)量在暗室中進(jìn)行。所用光譜采集設(shè)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?zé)簟９庾V測(cè)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(chǎng)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(cè)量前進(jìn)行標(biāo)準(zhǔn)白板校正。為了抑制陰影的影響，每個(gè)樣品采集3個(gè)方向(間隔120°角度)的光譜。每個(gè)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(diǎn)跳躍，對(duì)每條光譜曲線進(jìn)行拼接校正。15條光譜曲線反射率算數(shù)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?jī)H對(duì)380 ~ 2 400 nm波段的反射光譜進(jìn)行分析。

1.3 光譜數(shù)據(jù)處理與敏感波段劃分

光譜數(shù)據(jù)處理主要作用在于通過(guò)數(shù)據(jù)變換，消除背景噪聲，突出相應(yīng)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(duì)數(shù)(log)、反射率的倒數(shù)(1/)、反射率的一階微分(′)、反射率對(duì)數(shù)的一階微分(log)′和去包絡(luò)線(c)。

在敏感波段的選擇過(guò)程中，反射率首先經(jīng)過(guò)不同變換形式，然后再計(jì)算6種變換形式下每個(gè)波長(zhǎng)與含水量的相關(guān)系數(shù)，根據(jù)波長(zhǎng)的相關(guān)系數(shù)曲線趨勢(shì)，將研究波段分為若干波段，以波段范圍內(nèi)相關(guān)系數(shù)絕對(duì)值高的作為敏感波段，進(jìn)行方程擬合。

1.4 土壤含水量預(yù)測(cè)模型的建立與驗(yàn)證

64個(gè)樣品被分為建模集(45個(gè))和驗(yàn)證集(19個(gè))。建模集樣品由淤黑土、厚淤黃土和黑土中隨機(jī)各選取的10個(gè)土樣和青白土中隨機(jī)選取的15個(gè)土樣組成，剩余的樣品都作為驗(yàn)證集樣品。然后基于建模集數(shù)據(jù)，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(wěn)定性由決定系數(shù)2判定，2越高，模型越穩(wěn)定。模型的精度則由均方根誤差(RMSE)、平均誤差(ME)和平均絕對(duì)誤差(MAE)判定。

2 結(jié)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(zhǎng)的關(guān)系如圖1所示。在整個(gè)波段中，出現(xiàn)了3個(gè)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(guī)律尤為明顯。土壤光譜反射率由土壤組成及其結(jié)構(gòu)等因素共同影響，有機(jī)質(zhì)和質(zhì)地是其中兩個(gè)重要的影響因素，且有機(jī)質(zhì)含量和黏粒含量都與土壤光譜反射率呈負(fù)相關(guān)[2]。因此，同等條件下，有機(jī)質(zhì)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?yàn)橛俸谕潦沁@3種土壤中有機(jī)質(zhì)和黏粒含量最高的土壤（表1）。在有機(jī)質(zhì)和黏粒含量較高情況下，有機(jī)質(zhì)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(jī)質(zhì)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(jī)質(zhì)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(guān)關(guān)系

本研究根據(jù)不同砂姜黑土380 ~ 2 400 nm波段的光譜特征與含水量的相關(guān)關(guān)系，利用1.3節(jié)中的方法對(duì)光譜進(jìn)行分段。將、log、1/方法的研究波段劃分成5個(gè)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(guān)系數(shù)均小于0，呈負(fù)相關(guān)；與之相反，1/與土壤含水量的相關(guān)系數(shù)大于0，呈正相關(guān)。在380 ~ 1 340 nm波段范圍內(nèi)，的敏感波段的相關(guān)系數(shù)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(guān)系數(shù)絕對(duì)值均較的高。在這3種變換形式中，1/在1 931 nm處的相關(guān)系數(shù)絕對(duì)值最高，達(dá)到0.79。

′、(log)′ 和c這3種處理形式更能夠突出土壤光譜對(duì)水分敏感的波段，顯現(xiàn)出更多的波峰或波谷。與前面3種變換形式不同的是，經(jīng)′、(log)′和c處理后的光譜被劃分成10個(gè)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(jié)果見(jiàn)表3。相比于(log)′ 和c，′ 對(duì)土壤含水量最為敏感，′ 提取的敏感波長(zhǎng)的相關(guān)系數(shù)絕對(duì)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(yù)測(cè)模型的建立與驗(yàn)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(yīng)的波段范圍內(nèi)選擇相關(guān)系數(shù)絕對(duì)值較大的反射率變換形式分別進(jìn)行一元二次和多元線性回歸，建立砂姜黑土含水量的預(yù)測(cè)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(shù)。經(jīng)過(guò)決定系數(shù)比較，′ 的非線性和多元線性模型決定系數(shù)都是最高的；而′ 的多元線性回歸方程相對(duì)于非線性方程更優(yōu)，因此的多元線性回歸方程是最優(yōu)的。

表2 土壤R、logR、1/R反射率變換形式與含水量的相關(guān)關(guān)系

注：表中、log、1/分別表示反射率、反射率的對(duì)數(shù)、反射率的倒數(shù)。

表3 土壤R′、(logR)′和Rc反射率變換形式與含水量的相關(guān)關(guān)系

注：表中′、c、(log)′分別表示反射率的一階微分、去包絡(luò)線后的反射率、反射率對(duì)數(shù)的一階微分。

表4 基于敏感波段的砂姜黑土水分預(yù)測(cè)模型精度

在表5中列舉了預(yù)測(cè)精度較好的模型，分別是、′、(log)′。其中′ 的多元線性方程在檢驗(yàn)過(guò)程中，表現(xiàn)最好，其均方根誤差等都較小。利用1.4所述驗(yàn)證集的19個(gè)樣品進(jìn)行模型的預(yù)測(cè)精度驗(yàn)證。選取決定系數(shù)較高的一元二次方程進(jìn)行檢驗(yàn)，即驗(yàn)證′ 建立的水分模型。從圖2可以看出，實(shí)測(cè)值和預(yù)測(cè)值的擬合度較高，達(dá)到0.89。因此，′ 建立的水分模型適宜預(yù)測(cè)砂姜黑土含水量。

表5 模型預(yù)測(cè)精度的比較

3 結(jié)論

1) 不同土種的砂姜黑土有機(jī)質(zhì)和黏粒含量等組成物質(zhì)的不同，導(dǎo)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(jī)質(zhì)含量和黏粒含量較高，且有機(jī)質(zhì)和黏粒含量均與光譜反射率呈反比，從而導(dǎo)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(zhǎng)，水分預(yù)測(cè)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(zhǎng)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(yù)測(cè)的理論依據(jù)。

[1] 張學(xué)禮, 胡振琪, 初士立. 土壤含水量測(cè)定方法研究進(jìn)展[J]. 土壤通報(bào), 2005, 36(1): 118–123

[2] 史舟, 梁宗正, 楊媛媛, 等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(2): 247–260

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

[4] 田燁, 沈潤(rùn)平, 丁國(guó)香. 支持向量機(jī)在土壤鎂含量高光譜估算中的應(yīng)用[J]. 土壤, 2015(3): 602–607

[5] 陳頌超, 馮來(lái)磊, 李碩, 等. 基于局部加權(quán)回歸的土壤全氮含量可見(jiàn)-近紅外光譜反演[J]. 土壤學(xué)報(bào), 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(zhǎng)期定位施肥條件下作物光譜特征及養(yǎng)分吸收量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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(xué)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(shù)的冬小麥變量施肥冠層光譜特征研究及產(chǎn)量分析[J]. 中國(guó)農(nóng)業(yè)科學(xué), 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(nóng)業(yè)工程學(xué)報(bào), 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(yù)測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2015, 26(3): 884–890

[12] 彭杰, 向紅英, 王家強(qiáng), 等. 基于野外實(shí)測(cè)高光譜數(shù)據(jù)的干旱區(qū)耕作土壤含水量反演研究[J]. 干旱地區(qū)農(nóng)業(yè)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(xué)報(bào), 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(cè)定土壤含水量[J]. 光譜學(xué)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(yù)測(cè)[J]. 土壤學(xué)報(bào), 2014, 51(4): 1021–1026

[17] 金慧凝, 張新樂(lè), 劉煥軍, 等. 基于光譜吸收特征的土壤含水量預(yù)測(cè)模型研究[J]. 土壤學(xué)報(bào), 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(guó)家自然科學(xué)基金面上項(xiàng)目(41471182)和中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)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(yīng)用研究。E-mail: ydzhang@issas.ac.cn