土壤含水量预测模型研究范文

本站小编为你精心准备了土壤含水量预测模型研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《土壤学报》2015年第七期

摘要

为了定量分析土壤含水量与反射光谱特征之间关系，并为土壤含水量速测提供理论依据。以黑土作为研究对象，测定实验室光谱反射率，利用去包络线方法提取反射光谱特征指标，建立土壤水分含量高光谱预测模型。结果表明：黑土含水量与1420nm、1920nm附近吸收谷的主要光谱特征（吸收谷深度、宽度、面积）呈显著正相关；1920nm附近吸收谷可作为黑土土壤水分的特征吸收谷，由其光谱特征参数预测黑土含水量；以1920nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高，输入量少，可以作为土壤含水量速测仪器研制的理论依据。

关键词

反射光谱；土壤水分；去包络线；吸收特征

含水量是土壤理化特性的一个重要指标。就农业而言，土壤水分是农作物生长发育的基本条件，也是灌溉管理和产品预报中的重要参数，尤其在精准农业中是极为关键的参数。因此，土壤水分监测一直是人们关注的问题[1]。高光谱遥感具有较高的光谱分辨率[2]，能够快速获取土壤反射光谱信息，其在土壤理化参数预测及相关研究中应用广泛[3-5]。高光谱遥感可探测表层土壤含水量细微差异的变化，为动态监测区域或地块尺度土壤含水量提供了一种新的技术手段[6]。对于土壤含水量与土壤反射光谱特征的关系，国内外学者已经进行了大量的研究[7-11]，并得到了较为一致的结论：在一定的土壤含水量范围内，土壤光谱反射率随土壤水分的增加而降低；在土壤含水量达到阈值后，土壤光谱反射率随土壤水分的增加而增加。已有土壤含水量高光谱预测模型，多以反射率及其数学变换形式作为输入量，但缺少对反射光谱特征机理的定量分析。土壤吸收谷光谱特征参数在土壤理化参数高光谱预测[12-13]、土壤盐碱化评价[14-15]等方面被普遍使用，并取得了较好的效果。但关于其在土壤含水量预测中应用的文献较少，Bowers和Hanks[16]认为土壤反射光谱在1400nm、1900nm、2200nm处为土壤水分吸收带；何挺等[17]提取了黄绵土、绵砂土和风砂土在1450nm和1925nm两个吸收谷的光谱特征参数，并建立了土壤含水量预测模型。但以上研究以不同土壤类型为研究对象，而土壤光谱是土壤内在理化特性的综合反映[18]，不同类型的土壤由于其理化特征不同，光谱特征存在差异，将不同类型土壤作为一个整体、研究其光谱特性而得到的土壤含水量预测模型，在预测某一特定类型土壤含水量时，所得的结果与实际情况存在误差[19-20]。因此，本文以单一土壤类型——黑土为研究对象，精细调配不同含水量，以获得含水量间隔更小的土壤样本。测定黑土实验室光谱反射率，利用去包络线方法提取土壤反射光谱吸收谷特征参数，分析土壤含水量与光谱特征参数的关系，建立黑土含水量高光谱预测模型，以探讨运用光谱特征参数预测土壤含水量的潜力，为土壤水分含量的快速测定提供新方法。

1材料与方法

1.1样本采集与含水量调配试验2009年5月22—26日，于作物播种后、出苗前，在黑龙江典型黑土区采集不同有机质含量的8个土样（有机质含量分别为30.6、31.8、32.6、36.9、39.2、39.5、50.0、51.8gkg-1）各15kg。采用新的土壤水分调配方法，精细调配不同含水量，共得到土壤样本102个。含水量调配试验具体过程如下：首先确定8个土样各自的饱和含水量，将各风干土样分成含水量调配所需的个数（各土样需要调配不同含水量的个数等于各自土样的饱和含水量除以含水量间隔）；为保证土壤与水充分混合，将土样置于密封效果好的塑料袋中，对土样采用喷壶喷蒸馏水，边喷边搅拌；为使土壤充分均匀吸收水分，喷水过后，将每个土样在4~5℃的环境下密封放置24h；随后对其进行光谱测试，然后取每个土样容器中部的土壤，装入已经称重的小烧杯，称重，随后将其在烘箱105℃的环境下放置8h，确定土样为恒重后，计算各土样土壤含水量[21]。

1.2土壤反射光谱测定对102个土壤样本进行反射光谱测定，样本的高光谱反射率采用美国分析光谱仪器公司生产的野外便携式高光谱仪ASDFieldSpec®3在暗室内测定，每个土壤样本采集10条光谱曲线，取平均得到土壤的实际反射光谱数据。

1.3数据处理高光谱反射数据预处理：采用9点加权移动平均法对光谱曲线进行平滑去噪处理。利用高斯模型对光谱数据进行5nm光谱重采样。去包络线与光谱特征参数计算：对于同一种土壤，光谱反射率的差异相对较小，而包络线消除法可以有效突出反射光谱曲线特征，并将反射率归一化到0～1之间，光谱的吸收特征也归一化到一致的光谱背景上[15]，在去包络线的基础上发展了一些光谱吸收特征参数[22]，主要有吸收谷左右肩与谷底值及相应的波长位置（Ll、Lv、Lr）、吸收深度（D）、吸收宽度（W）、吸收谷总面积（A=A1+A2，其中，A1和A2分别是吸收谷左/右半部分的面积）和对称度（S，S=A1/A），见图1。在遥感软件ENVI4.6环境下，建立土壤光谱数据库；利用ContinuumRemoved功能对土壤光谱数据进行去包络线处理，利用VisualC#语言编写程序计算得到各土壤样本的光谱特征参数[23]。

1.4模型建立与验证为准确评价模型精度与稳定性，并保证样本之间的含水量间隔，将102个样本分为两部分，以固定的含水量间隔，挑出68个样本作为建模样本，其余的34个样本作为验证样本。分别采用一元线性回归法、多元线性逐步回归法、偏最小二乘法，以反射率、去包络线值、光谱吸收特征参数作为输入量，建立黑土含水量高光谱预测模型。模型精度由决定系数（R2）和均方根误差（RMSE）进行综合评价，模型的决定系数（R2）越大，模型越稳定；RMSE越小，模型预测能力越好[24-25]。

2结果与讨论

2.1不同含水量黑土反射光谱特征图1为有机质含量31.8gkg-1、不同含水量土样的反射光谱曲线及对应去包络线。随着土壤含水量的增加，光谱反射率逐渐减小。包络线去除后的曲线使可见光近红外波段的吸收特征显著增强。由去包络曲线可以看出，黑土光谱反射率在400~2500nm范围内主要有5个光谱吸收谷，吸收谷最小值的波长位置分别大致位于510、615、1420、1920和2210nm（命名为G1、G2、G3、G4和G5）。随着含水量的增加，前四个吸收谷的深度逐渐增加，G1和G2吸收谷的形状变化较大，但变化不像1420nm和1920nm附近吸收谷那么规律；1420nm附近的吸收谷谷底的波段位置随着土壤水分含量的增加有向右偏移的迹象，但1920nm附近的吸收谷谷底波段位置随着土壤水分含量的增加无明显变化，而1920nm附近吸收谷的深度、面积等特征随着土壤水分含量的增加有明显变化；2210nm附近的吸收谷特征随含水量的变化不明显。通过对土壤含水量与土壤光谱吸收特征之间的相关性及显著性进行分析（表1）进一步证明了上述现象，可以看出，前四个吸收谷的绝大多数光谱特征参数与土壤含水量呈正相关；从显著性水平来看，除G4左肩位置仅达到显著水平外，其余的均达到极显著水平。而G5的绝大多数光谱特征参数与土壤含水量呈负相关；仅有两处特征参数达到极显著水平，其余特征参数为显著水平。G1、G2光谱特征参数与含水量的相关系数相对偏小，土壤水分对前两个吸收谷的作用较小。G1和G2的光谱特征主要受土壤有机质及机械组成的影响。G3谷底波段位置与含水量的相关系数高于G4，而G4附近的深度、宽度、面积与含水量的相关系数，均高于G3；G3、G4主要光谱特征参数与含水量均呈显著正相关，且相关系数高，表明其与土壤含水量有着较大的相关性，可以将其作为输入量，建立预测模型。而G5各参数与含水量相关系数低，表明其与土壤含水量的相关性较小，G5特征是土壤水分和矿物组成共同作用的结果。

2.2土壤含水量高光谱预测模型本文选取了三种方法（一元线性回归法、多元线性逐步回归法、偏最小二乘法）建立黑土含水量预测模型。三种建模方式有其各自的优势，一元线性回归法建立模型输入量少，计算量小，适合用于作为便携式土壤水分测试仪的理论基础[26]；多元线性逐步回归法在光谱分析中应用广泛，其建立的模型简单直观、容易理解，该方法在可控条件下可靠性较高；偏最小二乘法采用对数据信息进行分解和筛选的方式，有效提取对系统解释性最强的综合变量，剔除多重相关信息和无解释意义信息的干扰[27]。

2.2.1一元线性回归模型选取与土壤含水量相关系数高于0.9的光谱吸收特征参数建立一元线性回归模型（表2），除1420nm附近吸收谷谷底波长位置外，其他各光谱特征参数建立的预测模型建模决定系数均达到0.921以上，以1920nm附近吸收谷面积建立的预测模型效果最佳，建模决定系数达到了0.946。选择土壤含水量与敏感波段处（1420nm、1920nm、2210nm）光谱反射率建立一元线性回归模型，由表2可以看出，由敏感波段处反射率建立的一元线性回归模型的建模决定系数低于由光谱特征参数（除1420nm附近吸收谷谷底波长位置外）建立的一元线性回归模型，建模RMSE高于由光谱特征参数（除1420nm附近吸收谷谷底波长位置外）建立的一元线性回归模型，说明利用光谱特征参数建立的一元线性回归模型的稳定性更好、精度更高，这表明可以将光谱吸收特征参数运用于土壤含水量预测，对于黑土来说，1920nm附近的吸收谷光谱特征参数建立的一元线性回归预测模型效果最好。

2.2.2多元线性逐步回归模型选择与土壤含水量相关系数最大的波段作为敏感波段，分别以反射率与去包络线后的敏感波段的值、吸收谷光谱特征参数作为输入量，建立土壤含水量多元线性逐步回归预测模型（表3）。结果显示，以去包络线后的值和光谱特征参数作为输入量的模型，预测效果和稳定性更好。

2.2.3偏最小二乘回归模型分别以反射率、去包络线后的值、吸收谷光谱特征参数作为输入变量，建立黑土含水量偏最小二乘回归模型，模型之间的差别不大（表4）。其中，以反射率为输入变量建立的模型精度最高，稳定性最好。

3讨论

本文采用三种方法建立的黑土含水量预测模型效果较为理想。建模结果表明：运用土壤吸收谷光谱特征参数预测土壤含水量具有可行性。由三种模型的建模效果可以看出，虽然运用吸收谷光谱特征参数建立的一元线性回归模型的精度和稳定性与运用多元线性逐步回归、偏最小二乘法建立的模型相差不大，但是一元线性回归模型的输入量远少于多元线性逐步回归和偏最小二乘法的输入量，且一元线性回归模型计算量小、操作简捷。反射率、去包络线后的值与土壤含水量的最大相关系数所在的波段位置，不同地域、不同样本，差异较大，模型普适性较差。而由去包络线得到的吸收谷光谱特征参数只与光谱吸收谷的形状特征有关，对于特定的土壤类型，吸收谷的位置是相对固定的[15]；并且土壤反射光谱特征是土壤有机质、水分、机械组成等综合作用的结果，基于去包络线法提取的吸收谷光谱特征参数降低了对上述影响因素的敏感性[23]，因此，以吸收谷光谱特征参数作为输入量建立的土壤含水量预测模型具有更强的稳定性和普适性。

1920nm附近吸收谷的光谱特征参数与黑土含水量显著正相关，以其作为输入变量建立的一元线性回归预测模型精度较高。以1920nm附近吸收谷面积建立的预测模型效果最佳，建模决定系数达到了0.946，建模RMSE达到了2.225，其建模效果远好于利用敏感波段处反射率建立的一元线性回归模型。Bowers和Hanks[16]认为1900nm是土壤水分的特性波段，提出可由土壤反射光谱在这一波段值的大小推算土壤含水量，但未给出具体的模型。本文通过统计分析与建模得出：1920nm附近的吸收谷是黑土土壤水分的特征吸收谷，可由该吸收谷的光谱特征参数预测黑土含水量，并给出了具体的一元线性回归预测模型和多元线性逐步回归预测模型。何挺等[17]建立了光谱数据和相应土壤含水量之间的定量关系，得到在预测土壤含水量时，1450nm吸收谷较1925nm吸收谷更为有效。本文结论与之存在差异，这可能与二者所研究的土壤类型不同有关。

值得注意的是，偏最小二乘回归模型虽然输入波段较多，但预测精度和稳定性均与1920nm附近吸收谷的面积为自变量的一元线性回归模型相差不大（表2和表4），这可作为土壤含水量速测仪器研制的依据。4结论1420nm和1920nm附近的反射光谱吸收谷特征参数与黑土含水量的相关性较好；采用土壤光谱吸收谷特征参数建立的黑土含水量高光谱预测模型，精度较高，稳定性较好；1920nm附近的吸收谷可作为黑土土壤水分的特征吸收谷，由该吸收谷的光谱特征参数预测黑土含水量；以1920nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度与以多变量为输入量建立的偏最小二乘回归模型相差不大，可以作为土壤含水量速测仪器研制的依据。本研究建立的模型精度高、稳定性好，这与采用了单一的土壤类型和改良的土壤水分调配方法有很大的关系。相关结论对于不同土壤类型的效果如何，需要进一步的研究来明确。

作者：金慧凝 张新乐 刘焕军 康苒 付强 宁东浩 单位：东北农业大学资源与环境学院