耦合高光谱数据估算土壤含水率的方法

2017-06-01朱亚星周桢津洪永胜刘目兴

华中师范大学学报（自然科学版） 2017年1期

关键词：原状土样土壤水分

朱亚星，周桢津，洪永胜，周勇，刘目兴，于雷*

(1.华中师范大学地理过程分析与模拟湖北省重点实验室，武汉 430079； 2.华中师范大学城市与环境科学学院，武汉 430079； 3.南京大学地理与海洋科学学院，南京 210023)

耦合高光谱数据估算土壤含水率的方法

朱亚星1，2，周桢津2，3，洪永胜1，2，周勇1，2，刘目兴1，2，于雷1，2*

高光谱；土壤含水率；标准光谱；耦合光谱；偏最小二乘回归；潮土

土壤水分是作物获取水分的直接来源和汲取养分的载体，它影响作物的产量和品质形成，土壤含水率(Soil Moisture Content，SMC)的高低对反映和判断农业墒情具有重要意义[1].但是，土壤水分易受到污染，SMC易发生变化，而且SMC传统的测定方法(如烘干称重法、中子仪法、张力计法、时域反射法等)监测周期长、成本高、难度大，难以实现田间实时观测，也难以满足实施精准农业管理对土壤水分监测的需求[2].因此，迫切需要探索一种高效可靠的SMC估算方法.

近年来，土壤高光谱技术逐渐成为获取土壤主要属性(土壤水分、土壤有机质、土壤盐分等)信息的新手段，其具有信息量大、无破坏、非接触、零污染、快速易行等优点，为高效获取农业墒情变化趋势提供一种新的技术手段[3].国内外学者对不同SMC条件下的土壤高光谱反射率变化特征进行研究[4-5]，建立了SMC估算模型，为研发SMC测定传感器提供了理论基础[6-7].目前，利用可见光/近红外高光谱数据估算SMC的方法主要包括：1)在农田采集原状土壤反射光谱，实现农田原位估测SMC[8-9]；2)在实验室内采集经制备后的土壤样品的反射光谱，揭示SMC变化过程中的高光谱响应规律，确定土壤水分的特征波段[10-11]，实现SMC的高精度估算.

然而，原位观测所获得的高光谱数据易受土壤颗粒组成、表面粗糙度以及侵入体等条件的影响，导致SMC估算模型精度较低[8]；室内试验得到的SMC估算模型精度较高，但是通过对土壤样本进行研磨、过筛、水分配比等制备处理之后破坏了土壤结构，供试土壤样品与田间原状土壤之间差异明显，SMC估算模型的适用性和可推广性较差.

鉴于此，本文提出一种耦合土壤原状和标准光谱数据估算SMC的方法.选择江汉平原潮土环刀样为研究对象，采集土样原状和烘干两种SMC状态的高光谱数据，以土样烘干光谱数据为基础确定标准光谱数据，将土样原状光谱和标准光谱进行差值、比值和归一化计算，得到耦合光谱，以有效地削减土壤水分以外其它因素对土壤高光谱数据的干扰，建立基于耦合光谱的SMC估算模型.旨在寻求一种简单易行的方法，为提高SMC估算效率和精度提供一种新思路.

1材料与方法

1.1土壤样本采集

本文选取湖北省潜江市竹根滩镇作为试验区，该地区位于江汉平原腹地，地势平坦；属于亚热带季风性湿润气候，四季分明，雨量充沛；主要分布的土壤类型为潮土，是江汉平原最常见的土壤类型之一；主要种植棉花、黄豆和花生等旱生作物.2015年7月，选取试验区内面积约为600×400 m田块(112°54′22.78″E～112°54′45.83″E，30°31′8.07″N～30°31′21.32″N)，布设96个样点，东西向4行，南北向24列，相邻样点的东西间距约为25 m，南北间距约为75 m；用直径和深度分别为7.5 cm、5.5 cm的环刀采集土壤表层以下10 cm处的土壤，取得农田原状土样，再将环刀置于塑料盒中封存、编号并称重后带回实验室.

1.2土壤含水率SMC的测定

本文选用土壤质量含水率表示SMC，采用称重法获取.公式为：

(1)

其中，w1为采样前称取环刀的重量；w2为原状土样(含环刀)的重量；w3为将原状土样置于105℃恒温箱烘干48 h后土样的重量.

1.3土壤光谱数据测定

土样高光谱数据的测定采用美国AnalyticalSpectralDevices公司生产的ASDFieldSpec3地物光谱仪，其波谱范围为350～2 500nm，采样间隔为1.4nm(350～1 000nm)和2nm(1 000～2 500nm)，数据输出重采样间隔为1nm.光谱测量在暗室内进行，光源为能够提供平行光线的50W卤素灯.采用5°视场角光纤探头，光源到土壤表面距离(L)为50 cm，光源入射角度(A)为30°，探头到土壤表面距离(H)为15 cm.每次采集光谱前，用白板(反射率100%)对光谱仪进行优化和标定.每个土样测量4个方向(转动3次，每次90°)，每个方向上保存5条光谱曲线，共20条，作算术平均后得到土样的最终反射光谱数据[12].先后测得土样的原状光谱反射率Rund和土样的烘干光谱反射率Rdry.

每条Rund和Rdry去除噪声较大的边缘波段350～399 nm和2 401～2 500 nm.采用Savitzky-Golay平滑算法[13](简称SG算法)对Rund和Rdry平滑和校正，消除光谱测试环境、光谱高频随机噪声、杂散光等干扰因素引起的噪声，提高光谱数据信噪比.SG算法在The Unscrambler 9.7软件中完成.

1.4土壤样本集的建立

采用蒙特卡洛(Monte Carlo)算法[14]对SMC和Rund的组合矩阵进行概率计算，检验和剔除光谱矩阵和SMC性质矩阵方向上的异常点.通过Rund与SMC建立PLSR，在确定最佳主成分个数之后，采用蒙特卡洛采样法取 80% 的样本作为校正集，剩余 20% 样本作为预测集；基于已确定的主成分数利用校正集样本建立PLSR模型，利用预测集样本来预测每一样本的预测残差；计算各样本预测残差的均值(mean，M)和标准差(standard deviation，SD)，获取样本预测残差的均值-标准差分布[15](图1)，从而剔除误差较大的8个离群样本(根据样本分布的离散程度，以横坐标值≥0.035，纵坐标值≥0.01为样本剔除的阈值范围，即虚线以外样本)以此来优化样本质量，降低对后续研究结果准确性的影响，最终确定88个有效样本进行分析(图1).蒙特卡洛样本筛选方法通过MATLAB 2012a(The MathWorks，USA)软件完成.

注：图中数值为样本号.图1 蒙特卡洛样本筛选示意图Fig. 1 Sketch of Monte Carlo sample selection

本研究总体样本为88个.按照SMC的高低升序排列，排在奇数位的样本归入建模集，共44个样本；排在偶数位的样本归入验证集，共44个样本.各样本集的SMC统计特征见表1.

表1 土壤含水率统计特征

1.5土壤标准光谱的确定

(2)

(3)

其中，a为400，b为2 400，f(λ)为光谱曲线，波长λe对应的反射率为f(λe)，n为2 000，Si为小曲边面积，△λ最小值为1.

(4)

(5)

1.6土壤耦合光谱的确定

分别采用3种方法将Rund和Std-R相同波长对应的光谱反射率进行耦合：1)差值耦合法(公式6)，该方法能有效获取因SMC变化而引起的光谱变化结果，Cpl-RS表示差值耦合光谱；2)比值耦合法(公式7)，该方法可减少观测环境微小变化等对光谱采集造成的干扰，弱化背景信息的影响，Cpl-RD表示比值耦合光谱；3)归一化耦合法(公式8)，该方法可消除基线干扰，将所有原状光谱归一化到统一的标准光谱背景上，利于特征光谱信息的提取，Cpl-RN表示归一化耦合光谱.

Cpl-RS=Rund-Std-R，

(6)

(7)

(8)

1.7土壤水分敏感波段耦合光谱的确定

各耦合光谱的波长反射率，反映SMC变化引起光谱变化的程度，反射率的绝对值越大，表明该光谱受SMC变化的影响越剧烈，反之，则表明受SMC变化的影响越轻微.其中反射率的最大绝对值为Rmax，以Rmax的5%为标准(记为R5%)，假设某波长反射率的绝对值小于R5%，则认为该波段受水分影响微小；若大于等于R5%则认为该波段受水分影响较大，称该波段为水分敏感波段(记为Moe-R)，将R5%依次与全波段耦合光谱比较，最终确定所有水分敏感波段的耦合光谱.3种水分敏感波段耦合光谱分别为Moe-RS、Moe-RD、Moe-RN.

1.8模型建立与检验

2结果与分析

2.1土壤标准光谱的特征分析

Rdry积分排序后获取四分位数对应的光谱，进而通过计算四分位光谱的算术平均值得到标准光谱Std-R.将Std-R与四分位光谱对比，Std-R的光谱曲线处于第一四分位光谱曲线与第三四分位光谱曲线之间，与3条四分位光谱的形状特征具有较高的相似性(图2a).这表明Std-R有效地对总体样本的Rdry实现了中心化，具有良好的代表性.

将Std-R与Rund的算术平均光谱(记为Ra)对比，两者的光谱曲线在可见光波段基本保持平行，且非常接近，变化趋势基本一致；但是，在近红外波段的形状特征差别增大，Std-R明显高于Ra，尤其在1 400 nm、1 900 nm附近存在较为明显的光谱吸收特征差异，Std-R在这两处仅存在较为微弱的吸收谷，而Ra则呈现出非常明显的吸收谷(图2b).Std-R可以为确定SMC不同而引起的光谱差异提供统一的背景值.

图2 土壤光谱均值曲线Fig.2 The curves of soil spectral reflectance mean value

2.2土壤耦合光谱形状特征分析

通过差值耦合法、比值耦合法和归一化耦合法计算所得的耦合光谱具有相似的形状特征：波长约400～450 nm的光谱曲线在反射率零值线(R=0)以上有一定程度地波动，变化较为明显；波长约450～1 300 nm的光谱反射率值约等于0，光谱曲线较为平稳，无明显变化特征；波长约1 300 nm以后的光谱曲线在零值线以下变化突出，光谱反射率整体降低，光谱形状特征出现较大波动，1 400、1 900 nm附近出现明显的吸收谷(图3).结果表明，经3种光谱耦合方法处理后，得到的耦合光谱曲线能够清晰地呈现各个波段对SMC变化的响应效果，为定量提取水分敏感波段提供了可靠的数据基础.

2.3土壤耦合光谱水分敏感波段的确定

建模样本的Cpl-RS、Cpl-RD、Cpl-RN的算术平均值的Rmax分别为0.183 8、0.559 4、0.388 5，R5%分别为0.009 2、0.027 9、0.019 4，以R5%为标准，分别移除Cpl-RS、Cpl-RD、Cpl-RN中受水分影响微小的波段为409～1 355 nm、441～1 359 nm、434～1 370 nm，剩余保留波段光谱即为水分敏感波段的耦合光谱Moe-RS、Moe-RD、Moe-RN(图3)，三者水分敏感波段的波段个数分别占全波段的52.7%、54.1%、53.2%，较大程度地减少模型输入量，简化模型复杂度(表2).

图3 土壤耦合光谱Cpl-RS、Cpl-RD、Cpl-RN(a、b、c)均值曲线Fig.3 The curves of soil coupled spectral reflectance mean value

λmaxRmaxR5%移除波段水分敏感波段水分敏感波段个数(2001)/%Cpl⁃RS19350183800092409～1355nm400～408、1356～2400527Cpl⁃RD19340559400279441～1359nm400～440、1360～2400541Cpl⁃RN19340388500194434～1370nm400～433、1371～2400532

注：λmax是Rmax对应波长；Rmax是反射率最大值的绝对值．

2.4土壤含水率估算模型建立与验证

图4 基于Rund(a)及Moe-RS、Moe-RD、Moe-RN(b、c、d)模型SMC实测与预测值的关系Fig.4 Relationship between measured and predictive SMC based on Rund (a)and coupled spectral reflectance(b、c、d)

表3 对比基于光谱参数的土壤含水率PLSR结果

3结论

本文选取田块尺度单一土壤类型的土样为研究对象，提出了耦合土样原状光谱和标准光谱信息估算SMC的方法，为实现农田SMC的长期实时监测提供了新的途径.具体结论如下.

1) 标准光谱可代表某地区同一土壤类型烘干状态下(SMC为0%)的光谱信息，具有稳定性和普适性，为光谱耦合提供统一的背景值.

2) 将土样的原状和标准光谱进行耦合能够有效降低水分以外其它因素对土壤高光谱的干扰，凸显出SMC变化对光谱的影响，利于确定水分敏感波段.

[1] 李晨，张国伟，周治国，等. 滨海盐土土壤水分的高光谱参数及估测模型[J]. 应用生态学报， 2016， 27(2)：525-531．

[2] 孙越君，郑小坡，秦其明，等. 不同质量含水量的土壤反射率光谱模拟模型[J]. 光谱学与光谱分析， 2015， 35(8)：2236-2240．

[3] 宋韬，鲍一丹，何勇. 利用光谱数据快速检测土壤含水量的方法研究[J]. 光谱学与光谱分析， 2009， 29(3)：675-677．

[4] 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 Electronics in Agriculture， 2001， 32:149-165.

[5] 朱永豪，邓仁达，卢亚非，等. 不同湿度条件下黄棕壤光谱反射率的变化特征及其遥感意义[J]. 土壤学报， 1984， 21(2)：194-202．

[6] YIN Z，LEI T W，YAN Q H，et al. A near-infrared reflectance sensor for soil surface moisture measurement[J]. Computers and Electronics in Agriculture， 2013， 99:101-107．

[7] MOUAZEN A M，BAERDEMAEKER J D，RAMON H. Towards development of on-line soil moisture content sensor using a fibre-type NIR spectrophotometer[J]. Soil & Tillage Research， 2005， 80:171-183．

[8] 武永峰，董一威，胡新，等. 基于近红外漫反射光谱的农田原位表层土壤含水量定量建模方法比较[J].光谱学与光谱分析， 2015， 35(12)：3416-3421．

[9] MOUAZEN A M，MALEKI M R，BAERDEMAEKER J D，et al. On-line measurement of some selected soil propertiesusing a VIS-NIR sensor[J]. Soil & Tillage Research， 2007， 93(1)：13-27．

[10] 刘洋，丁潇，刘焕军，等. 黑土土壤水分反射光谱特征定量分析与预测[J]. 土壤学报， 2014， 51(5)：1021-1026．

[11] 刘秀英，王力，常庆瑞，等. 利用包络线消除法反演黄绵土水分含量[J]. 武汉大学学报(信息科学版)， 2016， 41(1):1-8.

[12] 洪永胜，于雷，耿雷，等. 应用DS算法消除室内几何测试条件对土壤高光谱数据波动性的影响[J]. 华中师范大学学报(自然科学版)， 2016， 50(2)：303-308．

[13] 于雷，洪永胜，耿雷，等. 基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 农业工程学报， 2015， 31(14)：103-109．

[14] 李水芳，单杨，范伟，等. 基于MCCV奇异样本筛选和CARS变量选择法对蜂蜜pH值和酸度的近红外光谱检测[J]. 食品科学， 2011， 32(8)：182-185．

[15] 于雷，朱亚星，洪永胜，等. 高光谱技术结合CARS算法预测土壤水分含量[J]. 农业工程学报， 2016， 32(22)：138-145．

[16] 夏巧生. 非线性偏最小二乘建模方法及在近红外光谱建模上的应用[J].计算机与应用化学， 2014， 31(1)：109-112．

[17] 徐涵秋. 基于谱间特征和归一化指数分析的城市建筑用地信息提取[J]. 地理研究， 2005， 24(2)：311-320．

Prediction of soil moisture content based on coupled hyperspectral data

ZHU Yaxing1，2， ZHOU Zhenjin2，3， HONG Yongsheng1，2， ZHOU Yong1，2， LIU Muxing1，2， YU Lei1，2

(1.Key Laboratory for Geographical Process Analysis & Simulation， Hubei Province， Central China Normal University， Wuhan 430079； 2.College of Urban & Environmental Science， Central China Normal University， Wuhan 430079；3.School of Geographic and Oceanographic Sciences， Nanjing University， Nanjing 210023)