土壤含水量（soil moisture content，SMC）是农业部门指导耕作措施和评判土壤属性的重要依据[7]，传统测定SMC的方法精度高，但测定过程较为繁琐[8]，且由于土壤水分存在瞬时的时空变异性，尤其在大尺度和大数量样本条件下，传统测定方法存在一定的局限性[9]。高光谱技术具有信息量大、无破坏、同步监测、时效性强且范围广等特点[10-11]，目前被广泛应用于SMC、土壤有机质及氮素含量的估算研究中[12]。刘焕军等[13]利用黑龙江省的黑土进行室内光谱测定，提取光谱特征参数，并基于土壤水分与光谱特征参数之间的关系建立适宜该地区的黑土土壤水分预测模型。为实现利用高光谱技术对土壤水分进行精准监测的目标，国内外专家学者对土壤水分与光谱信息的定性和定量关系进行了大量研究[14]。Kahaer等[15]在利用分数阶微分优化光谱指数监测盐渍化土壤水分的可行性研究中表明，土壤光谱反射率随水分的增加有明显下降的趋势。李晨等[16]综合分析滨海盐土的SMC与室内土壤表面高光谱反射率的关系，构建基于比值光谱指数的土壤水分预测模型，该模型的决定系数（R2）达到0.780。在大田条件下，土壤高光谱极易受到土壤水汽、土壤粗糙度和秸秆杂物等因子的影响[17]，这对于准确揭示土壤水分的光谱特征及分析二者之间的定量关系增加了难度，所以翟浩然等[18]在研究利用土壤表层含水量估测土壤耕层含水量的可能性时运用室外光谱，利用多元线性回归方法建立的模型R2达到0.886。因室内测的光谱曲线与野外的土壤光谱曲线形状基本相近[19]，为更好地揭示土壤水分与光谱反射率之间的相互关系，本试验选择在室内进行土壤光谱的测定，减少大田试验环境因素对光谱反射率的影响，更好地揭示土壤水分与光谱反射率的相关关系，提升土壤水分预测模型的精度。
在室内条件下，研究随着土壤样本的自然蒸发，获得不同梯度的SMC及相应的光谱数据，之后对土壤光谱数据与SMC进行相关性分析、应用连续投影算法（SPA）提取SMC的高光谱特征波长，并在此基础上运用MLR建立较高精度的土壤水分定量监测模型。为明确土壤水分的高光谱特征，实现SMC的定量监测提供了一定的理论参考。
1 材料与方法
1.1 土壤样品采集与处理
在晋南地区的小麦田选择10个采集点，每个采样点间的距离约20km，取0~20cm的表层土为研究对象，将其放入铝盒中并分别编号，表1为土壤样本的基本理化性质。将土壤样本自然风干后去除秸秆和沙石等杂质，用木棒碾碎，用2mm筛处理碾碎后的土样。选取10个培养皿（直径为10cm，高2cm）并称重（m），将10份过筛土样分别置于培养皿中，并平整样本表面。使用1个直径5mm的中空细管沿着培养皿壁垂直插入培养皿底部，细管上方再放置一个稍细于细管的漏斗，并在漏斗中缓慢注入蒸馏水，直至土壤表面有水分溢出，可避免从上方加水形成的表面不平整问题，以便下一步光谱测定时有较少的误差，最后在室温条件下使其自然蒸发即可。为保证所获取SMC的差异性，前3d和后3d分别进行时间间隔为12和24h的称重（Mi）以及高光谱测定，最后将土样进行80℃烘干后称重（M）。共测定9次，共计90个样本数据，剔除其中2个异常样本数据后进行分析。SMC获取参考如下公式：
SMC（%）=(Mi-M)/(M-m)×100，式中，M代表烘干后土样与培养皿的重量，Mi代表风干过程中土样与培养皿的重量（i=1，2，3，…，9），m代表培养皿重。
表1 土壤样本的理化性质
Table 1
| 编号 Number | 全碳 Total carbon (%) | 全氮 Total nitrogen (mg/g) | 容重 Bulk density (g/cm3) | 黏粒含量 Clay content (%) | 沙粒含量 Sand content (%) |
|---|---|---|---|---|---|
| 1 | 0.583 | 4.318 | 1.293 | 22.875 | 77.125 |
| 2 | 0.236 | 3.669 | 1.167 | 15.376 | 84.624 |
| 3 | 1.084 | 4.081 | 1.268 | 30.112 | 69.888 |
| 4 | 0.897 | 1.395 | 1.574 | 38.163 | 61.837 |
| 5 | 0.806 | 3.268 | 1.292 | 26.084 | 73.916 |
| 6 | 1.293 | 2.328 | 1.394 | 26.829 | 73.171 |
| 7 | 1.303 | 3.421 | 1.343 | 28.107 | 71.893 |
| 8 | 1.491 | 3.192 | 1.387 | 26.884 | 73.116 |
| 9 | 1.397 | 2.464 | 1.480 | 35.202 | 64.798 |
| 10 | 2.955 | 2.828 | 1.467 | 32.694 | 67.306 |
1.2 光谱采集
本试验在暗室内采用美国ASD公司的Field Spec Pro FR型便携式光谱仪（光谱区域为350~ 2500nm）测定2mm过筛土样的光谱。光谱测量时，光源（50W卤素灯）照射方向与垂直方向的夹角为15°，光源距土壤样品表面30cm，探头视场角为10°，传感器探头距土壤样品表面20cm。测量时保持培养皿静止不动，探头随机选取5点，每点采集10条光谱曲线，每次测量前进行标准白板校正，每个样本所得的光谱数据共计50个，剔除异常值后，将所采集到的光谱数据平均值作为该土样实际室内的光谱反射率[20]。
1.3 模型评价指标
研究采用R2、均方根误差（RMSE）及相对分析误差（RPD）3个参数评判模型的预测精度[21]，计算公式如下：
式中，n代表样本个数；Yi′和Yi代表样本的预测值和实测值；是样本实测值的平均值；SD和RMSE分别表示样本标准差和均方根误差。
1.4 数据处理
使用View Spec Pro光谱分析软件对原始土壤光谱数据进行预处理，利用Matlab 2010和SPSS 22.0软件进行特征波段提取及模型的建立，利用Origin 2019b软件制图。
2 结果与分析
2.1 土壤含水量数据分析
由表2可知，总样本共有88个，选择3:1作为校正集和验证集的比值；其中校正集的样本含水量的变化范围为0.022%~106.999%，标准差为33.554%；验证集的样本含水量的样本变化范围为0.021%~91.492%，标准差为31.510%。
表2 土壤含水量的描述性统计分析
Table 2
| 样本数 Sample | 范围 Range | 最小值 Min. | 最大值 Max. | 平均值 Average | 标准差 SD | 偏度 Skewness | 峰度 Kurtosis | |
|---|---|---|---|---|---|---|---|---|
| 总样本Total sample | 88 | 106.978 | 0.021 | 106.999 | 24.981 | 32.899 | 0.968 | -0.487 |
| 校正集Calibration set | 66 | 106.978 | 0.022 | 106.999 | 25.691 | 33.554 | 0.962 | -0.479 |
| 验证集Validation set | 22 | 91.471 | 0.021 | 91.492 | 22.853 | 31.510 | 1.035 | -0.459 |
2.2 土壤含水量与光谱的响应特性
为研究土壤水分与土壤光谱的响应特性，分析了不同土壤含水量梯度下的土壤光谱反射率，结果如图1所示。由图1可知，土壤含水量的光谱反射率可明显分为3组：含水量为0%~20%时，土壤光谱反射率为最大值；含水量为20%~60%时，存在明显的2个水分吸收谷，分别在1400和1900nm附近；含水量为60%~107%时，由于土壤表面存在大量的水分，此时土壤样本的光谱反射率特征表现为水体光谱反射率特征，在1400~ 2450nm的近红外光谱区域，光谱反射率几乎为0%。土壤含水量从0%~107%逐渐上升时，相对应的光谱反射率不断降低。但反射率在可见光波段（380~780nm）变化的幅度明显小于近红外波段（780~2450nm）。且在可见光波段，光谱反射率随波长的增加均有明显升高的趋势，5个分段含水量光谱反射率的增长斜率随土壤含水量的增加而不断降低，依次为0%~20%>20%~40%>40%~ 60%>60%~80%>80%~107%。
图1
图1
不同土壤含水量条件下的高光谱的特性
Fig.1
Hyperspectral characteristics under different levels of the SMC
2.3 土壤含水量与光谱的相关性分析及土壤含水量的高光谱特征
采用相关分析法进一步分析土壤含水量与土壤光谱之间的相关关系，并利用SPA提取土壤水分的光谱波段，结果如图2所示。由图2可得，在波长为380~780nm范围内，相关性开始降低，且在780nm附近土壤含水量与光谱的相关性最弱；在780~1000nm之间相关性开始递增，在1100~1400nm之间相关系数与波长间呈现明显的负相关关系；在1400和1900nm波段附近，土壤光谱反射率与土壤含水量的相关系数出现2个极值，这2个极值的出现是因为该光谱区域的光谱吸收与水分较为密切。曲线上的点为基于SPA提取的10个光谱波段，其中在可见光范围内有2个光谱波段，即422和629nm。近红外短波范围内有817和976nm 2个特征波段，由图1可知当土壤含水量大于60%时，光谱波段817nm附近有明显的波谷，在976nm附近有明显的波峰，说明这2个波段与土壤水分具有重要的关系。在近红外长波范围内有6个特征波段，其中1448和2022nm附近存在强烈的水分吸收谷，是经典的土壤水分特征波段。
图2
图2
土壤含水量与光谱的相关性和土壤水分的高光谱特征波段
Fig.2
Relationship between the SMC and soil spectra and hyperspectral characteristic bands of the SMC
2.4 基于SPA-MLR的土壤含水量光谱监测
图3
图3
土壤水分的光谱监测模型的1:1拟合图
虚线为1:1拟合线，实线为实测值和预测值拟合线
Fig.3
The 1:1 fitting diagram of SMC spectral monitoring model
The dashed line is a 1:1 fitting line, the solid line is a fitting line of predicted and measured values
3 讨论
本研究通过分析土壤含水量与高光谱反射率间的相关性得出，在780nm附近二者的相关性最低，在1448和1900nm附近二者的相关性最高。780nm是可见光波段与近红外波段的分界线，在350~780nm范围内，不同含水量的光谱曲线变化规律基本相似；在780~2450nm范围内，因土壤含水量的不同，5个分段的含水量光谱反射率数值相差较大，土壤含水量对可见光波段光谱反射率的影响要明显小于近红外波段，其原因是随着土壤含水量的逐渐增大，可见光波段的光谱反射率会逐渐趋于饱和[22]。在土壤吸收水分的过程中，首先是土粒的表面吸水形成吸湿水和膜状水，然后水分再增加就会进入土壤的大小孔隙形成毛管水[23]，所以在可见光波段范围内土壤含水量的不同对光谱的反射率基本没有影响[24]。1400和1900nm附近的波段是土壤水分的光谱敏感波段，在这2个波段附近土壤含水量与光谱反射率相关性较高[25]，但在利用遥感反演大田土壤水分时，由于受到大气中水蒸气的干扰，这2个波段没有实际作用[21]。Sun等[26]对土壤样本进行野外光谱数据采集时表明，所获得的光谱曲线在1400和1900nm附近存在明显的光谱数据噪声，不能用于水分的反演。
4 结论
本研究对晋南地区的10份土壤样本分别进行不同土壤含水量的人工模拟，通过对获取的室内土壤光谱及相对应的土壤含水量分析表明，光谱反射率随着土壤含水量的增加而逐渐减小，且在可见光波段反射率的绝对变化小于近红外波段。利用SPA方法，筛选出能反映土壤水分光谱特征的特征波段为422、629、817、976、1121、1258、1359、1448、1830和2022nm。采用MLR方法构建土壤含水量高光谱监测模型，校正模型表现为R2=0.930，RMSE=8.845，RPD=3.794，验证集为R2=0.927，RMSE=8.799，RPD=3.581，表明所构建模型具有较高的准确性和稳健性，在室内实验室条件下可精确地监测土壤水分含量。SPA-MLR模型可以通过特定数量的波长实现对土壤含水量高效率、高精度的预测。
参考文献
Inversion and mapping of the moisture content in soil profiles based on hyperspectral imaging technology
A new method to decline the SWC effect on the accuracy for monitoring SOM with hyperspectral technology
Hyperspectral extraction of soil available nitrogen in nan mountain coal waste scenic spot of Jinhuagong mine based on enter-PLSR
Soil available nitrogen content is an important index reflecting soil fertility. It provides dynamic information for land reclamation and ecological restoration if soil available nitrogen can be monitored and evaluated using hyperspectral technology. Facing the study blank of soil available nitrogen in National Mine Park and the deficiency of poor computational efficiency of partial least squares regression (PLSR) method, the present paper presents the relationship between soil spectrum and soil available nitrogen based on spectrum curves (ranging from 350 to 2 500 nm) of 30 salinized chestnut soil samples, which were collected from southern mountain coal waste scenic spot, located in Jinhuagong mine in Datong city, Shanxi Province, China (one part of Jinhuagong national mine park). Soil reflection spectrum was mathematically manipulated into first derivative and inverse-log spectral curves, then a corresponding estimation model was built and examined by PLSR and Enter-partial least squares regression (Enter-PLSR) based on characteristic absorption. The result indicated that Enter-PLSR corresponding estimation model greatly increased the computation efficiency by reducing the number of independent variables to 12 from 122 in case of a close accuracy of PLS corresponding estimation model. By using hyperspectral technology and Enter-PLSR method, the study blank of soil available nitrogen in National Mine Park was filled. At the same time, the computation efficiency problem of PLSR was resolved.
Research progress of spectroscopy in the detection of soil moisture content
Possibility of zhuhai-1 hyperspectral imagery for monitoring salinized soil moisture content using fractional order differentially optimized spectral indices
DOI:10.3390/w12123360 URL [本文引用: 1]
滨海盐土土壤水分的高光谱参数及估测模型
基于滨海盐土5个试验点的土壤含水量和室内土壤表面高光谱反射率，综合分析了350～2500 nm波段范围内土壤含水量与土壤光谱之间的关系，并基于比值光谱指数(RSI)、归一化光谱指数(NDSI)和差值光谱指数(DI)确定了光谱参数，进而构建土壤含水量估测定量模型.结果表明： 滨海盐土原始光谱反射率与土壤含水量呈显著负相关关系，且最大负相关出现在1930 nm(r=0.86)附近.对RSI、NDSI和DI的直线回归方程、幂函数回归方程进行对比，以RSI(R<sub>1407</sub>，R<sub>1459</sub>)为自变量构建的土壤含水量指数函数线性回归方程决定系数最大(0.780)，标准误较小(0.016)，拟合方程为y=0.00001e<sup>9.72053</sup>x.估测模型能够更好地监测滨海盐土土壤水分状况.基于RSI(R<sub>1407</sub>，R<sub>1459</sub>)构建的模型可实现对江苏省滨海盐土土壤水分的精确监测.
Moisture effects on soil reflectance
DOI:10.2136/sssaj2002.7220 URL [本文引用: 1]
Soil moisture retrieving using hyperspectral data with the application of wavelet analysis
DOI:10.1007/s12665-012-1955-x URL [本文引用: 1]
Modeling soil spectral reflectance with different mass moisture content
Optimization of a soil particle content prediction model based on a combined spectral index and successive projections algorithm using Vis-NIR spectroscopy
Apllication of successive projections algorithm for variable selection to determine organic acids of plum vinegar
DOI:10.1016/j.foodchem.2009.01.073 URL [本文引用: 1]
