基于探地雷达功率谱和雷达波振幅包络估算砂壤含水率

崔 凡，陈柏平，吴志远，聂俊丽，李思远，耿晓航，李 帅



基于探地雷达功率谱和雷达波振幅包络估算砂壤含水率

崔 凡1，陈柏平2，吴志远3，聂俊丽4※，李思远2，耿晓航2，李 帅2

（1. 中国矿业大学（北京）煤炭资源与安全开采国家重点实验室，北京 100083； 2. 中国矿业大学（北京）地球科学与测绘工程学院，北京 100083； 3. 华北科技学院安全工程学院（中心）,廊坊 065201； 4. 贵州大学国土资源部喀斯特环境与地质灾害重点实验室，贵阳 550025）

为实现探地雷达（ground penetrating radar，GPR）技术对中国西部干旱地区浅部砂壤介质含水率分布精确、快速、连续的探测，该文研究了耦合自回归滑动平均功率谱估计方法（auto regressive and moving average，ARMA）和雷达波振幅包络平均值方法（average envelope amplitude，AEA）反演含水率提高反演精度的可行性。首先，使用自回归滑动平均功率谱估计方法（auto regressive and moving average，ARMA）和雷达波振幅包络平均值方法（average envelope amplitude，AEA）分别反演雷达有效探深范围内的砂壤介质体积含水率值。将雷达探测结果分别与取样烘干法在各深度的测试结果进行对比分析，发现针对研究区内的干燥砂壤介质，使用ARMA方法能够有效地反演出地表10 m深度内砂壤介质的体积含水率值，但0～0.5 m范围内含水率值反演结果不准确；而AEA方法可准确反演出该地区0～0.5 m范围内的体积含水率值。根据2种方法的适用性，构建典型干旱地区浅部砂壤介质（0～10 m）含水率的反演模型。实际探测显示，联合模型平均相对误差为5.57%～16.71%、均方根误差为0.62%～2.08%，在0～0.5 m范围内反演的含水率平均相对误差比ARMA方法减少16.81%～41.80%，与AEA方法相比，联合模型能够反演更深地表的含水率。综合表明联合模型能够快速、准确、连续地获得西部干旱区0～10 m范围内浅部砂壤介质的体积含水率值。

土壤；含水率；探地雷达；ARMA；振幅包络平均值法

0 引 言

中国西部地区大多干旱且环境脆弱，地表主要介质为砂壤，其含水率的分布是影响该地区植被生长及生态环境的关键因素。快速、准确地测定砂壤含水率，对环境治理和生态恢复有着重要意义[1-2]。目前，常见的土壤含水率测定方法中，烘干法的测定最为准确[2]，通常作为其他方法的标定值，但其因费时费力并破坏土体本身，不适宜大面积实施。时域反射法（time domain reflectometry，TDR）、中子仪法等能够较精确地探测出土壤的含水 率[3-4]，但因其都以单点探测方式开展，同样不能实现大面积的测量。以整体区域为目标的遥感探测，虽然探测面积大，但因其为大尺度分析，探测精度无法满足指导生态恢复的目的[5-8]。

探地雷达具有探测连续性强、速度快、精度高的特点，是一种向地下介质发射频率为10～103MHz的电磁脉冲，对接收到的回波信号进行处理分析，根据波形、强度、双程走时等参数来推断地下目标体的空间位置、结构及几何形态等的方法[9]。近年来，探地雷达已被应用于介质含水率等物性的探测研究中，其中雷达反射波法、地面波法、钻孔雷达法等，均属于“波速-介电常数”法。这些方法都是通过雷达反射波、直达波计算波速，进而获取介质的介电常数，再由Topp等经验公式计算含水率值[10]。这类方法由于地下介质条件复杂，周围干扰大，较难获得精确的波速，从而影响含水率测量的精度。

相比于在时间域计算雷达信号的“波速-介电常数”方法，自回归滑动平均功率谱估计方法（auto regressive and moving average，ARMA）是一种频率域谱分析方法，根据介质及其物性的不同可引起频域信号在能量、幅值、振幅包络等信息的分布不同，达到反演介质含水率的目的。崔凡等通过构建“功率谱-含水率”模型有效反演出中国西部典型干旱地区10 m深度范围内的砂壤介质含水率值[11-12]。但受算法原理所限，会导致第1个滚动半时窗长度对应的地表深度范围内（一般<1 m）含水率值计算不够精确[13-14]。雷达波振幅包络平均值法（average envelope amplitude，AEA）是在频率域上通过分析、计算雷达早期信号的平均振幅包络建立其与地层浅部介质介电常数的关系，从而计算出介质的介电常数，再由Topp经验公式计算含水率值[14-15]。Elena等验证雷达波早期振幅包络与地层的介电常数存在很高的相关性[16]。Matteo等从理论上验证探地雷达信号第1半周期的振幅包络与介电常数的相关性最好[17]。吴志远等通过对AEA、TDR、钻孔取样烘干3种方法进行对比，表明AEA方法能够快速、精确地反演早期信号对应的浅部地层体积含水率[18]。

ARMA与AEA方法都可以有效避免“波速-介电常数”雷达含水率探测方法中难以获取准确波速的问题。但2种方法虽受各自原理所限，只能分别在一定深度范围内准确反演含水率。本研究根据其各自特点，从理论上构建综合反演地表砂壤介质（0～10 m）含水率的关系模型，以期达到精确、快速、连续反演砂壤体积含水率的目标，为西部地区提供一种精确的砂壤含水率测量方法。

1 含水率测量方法介绍

1.1 ARMA方法测量砂壤含水率

ARMA谱分析基于平稳线性信号过程建立模型来估计功率谱的密度[19-21]。通过将平稳的数字雷达信号进行ARMA谱分析，可以得到谱密度[13,22]，再使用Cadzow谱分析方法进行计算[23-24]，以减少对密度谱参数计算，并采用对数表示谱密度[9]。为获得不同深度位置的含水率，对雷达信号加高斯时间窗口函数[9,25]，选取长度为∆（ns）的滚动时间窗，从信号起点开始向下滚动，将整个雷达时间信号分成若干个时间窗，每个时间窗口对应相应的探测深度，则该深度的雷达反射能量可转换为对应窗口内谱密度能量的均值[26]，其形成的滚动剖面如下[9,26]：

式中()为时间窗内的谱均值；T为选取的滚动时间窗，ns；为时间窗个数。

由于各频率信号对应的功率谱能量值是以各频率为中心，以能量包络的形式分布的，而介质体积含水率值的不同会影响接收到雷达回波信号在不同频率范围内的能量分布，通过计算各时间窗范围内包络的功率谱能量值和高、低频率范围所占整个频谱能量的百分比，由公式（2）获得对应深度的体积含水率[27]：

式中θ为砂壤介质的体积含水率，%；0为低、高频率包络在频率域上的分割点；为连续分布的频率值；为功率谱值；为全部频率的功率谱能量总和，k为含水率模型的修正参数，由于实际采集过程中，使用的天线不同，需要在实际探测前通过选定几个试验样点进行标定以确定k值。

但是，ARMA方法在第1个半滚动时窗范围内不具有重叠性，无法获得被测介质表层极浅范围内精确的体积含水率值。

1.2 AEA方法测量砂壤含水率值

电磁波在地下介质传播时，受介质的电导率、介电常数等参数的影响，振幅会呈指数衰减。试验模拟发现介质的介电常数越小，雷达单道信号的波动会较早起跳且振幅较大[18]，根据此关系建立高拟合度的振幅倒数与介电常数关系模型。

AEA方法基于该关系模型对雷达早期信号振幅包络平均值与浅部介质的相对介电常数进行分析。通过浅地表相对介电常数与雷达信号的振幅包络之间的关系，计算出介质的相对介电常数ε，再利用Topp公式计算含水率[18,28-29]：

该方法能够很好地测量出介质表层的体积含水率，但由于雷达信号在传播过程中的能量衰减，不能准确地建立介电常数与信号振幅包络值倒数的关系，对地表中深部含水率测量效果较差。

1.3 联合模型含水率反演

基于ARMA方法可以探测到砂壤地表中深部的体积含水率[11]，但由于ARMA方法选取的时间窗较大，同时受算法本身所限，在第1个半滚动时窗范围内无法获得精确结果，即第1个半滚动时窗范围内的含水率计算不精确。滚动时窗大小的选取以滚动谱对象不发生奇变为原则，一般选取采样时窗大小的1/10，采样时窗大小可通过式（4）得到：

式中max为探测的最大深度，m；为电磁波在真空中传播的速度，取0.3 m/ns。

在本研究实际探测中，采样时窗设置为200 ns，选取的时间窗为20 ns，再根据被测砂壤的平均介电常数值约为8.5，则第1个半滚动时窗范围对应深度约为0～0.5 m。

而AEA方法虽然因雷达信号能量的衰减，很难达到对一定深度的探测，但对地表极浅层的体积含水率值具有较高的测量准确率[18]。

因此，综合2种方法在含水率值反演上的适用性，本研究提出结合2种方法进行联合含水率反演的构想，并基于雷达信号在时间与深度上的相关性，构建了一个利用探地雷达数据反演砂壤地表体积含水率值θ的联合关系模型，如式（5）所示：

2 研究区及探测仪器

研究区（图1）选择在陕西省与内蒙古自治区交界处伊金霍洛旗乌兰木伦镇大柳塔矿区，该研究区地表主要为砂壤地层，粒径0.3～3.0 mm，有机质质量分数为1.1～7.8 g/kg，厚度为3～13 m，平均为10 m。该地区平均每年的蒸发量是2 000～2 800 mm，而平均年降水量仅131～571 mm，具有典型的西部干旱地区特征。

图1 研究区测线布置示意图

如图1所示，在研究区内布设1条长900 m的测线，并在测线上以25 m为间隔布置采样点共37个。使用中国矿业大学（北京）自主研发的GR型探地雷达系统对测线进行探测。由于研究区地表介质为干燥砂壤，电导率低不易造成雷达信号衰减，利于雷达波能量的传播，故选用中心频率为200 MHz的天线，即可满足10 m的探测深度。对该区域的介质进行电性调查后，取平均相对介电常数为8.7，根据雷达电磁波在地下的传播规律和探测深度要求，将采样时窗设置为200 ns，采样点数为1 024，使用时间触发进行连续探测，系统A/D转换频率为 200 kHz，天线平均移动速度约1 m/s。在天线移动到采样点时，通过仪器标定位置，为后续数据处理分析作备用。

实际探测中，在探地雷达探测后，立即对测线上的每个采样点处使用洛阳铲进行钻孔取样，每个钻孔深度在10 m左右，每隔0.5 m深提钻，用环刀在铲头内取样并密封保存，并在当天采用实验室烘干法（110 ℃、5～24 h）测出样本的质量含水率，并转换为体积含水率值[30]。

3 结果与分析

为验证联合模型测量砂壤介质体积含水率的准确性，对测线上37个采样点以0.5 m为间隔采用取样烘干法测量的含水率作为标定值，和ARMA、AEA方法、联合模型的含水率值测量结果进行对比分析。

3.1 ARMA方法反演含水率结果分析

将取样烘干法和ARMA方法所测量的含水率值进行比较，如图2所示，结果显示ARMA对地层0～0.5 m内深度的含水率反演结果不理想，相对误差范围分别为19.13%～79.10%、9.11%～64.76%，平均相对误差（mean relative error，MRE）分别为47.37%、30.32%，但在1.0、5.0、10.0 m处的地表含水率反演良好，相对误差范围分别为2.67%～19.46%、4.82%～25.96%、5.25%～30.60%，平均相对误差分别为11.2%、14.22%、16.71%。结果表明ARMA方法能够很好地反演出0.5～10 m深度内地表的含水率，但对0～0.5 m内，即第1个半滚动时窗（10 ns）对应的深度范围的含水率值反演不准确。

注（Note）：*，P<0.05

3.2 AEA方法反演含水率结果分析

将取样烘干法和AEA方法获得地表深度在0、0.5、1 m的含水率值进行对比分析，如图3所示，可以看出AEA在0～0.5 m范围内的反演效果较好，与取样烘干法测量的含水率值的相对误差范围分别为2.50%～10.22%、10.00%～17.17%，MRE为5.57%、13.51%，两者间的相关系数分别为0.98、0.99。但随着测量深度的增加，AEA方法反演的含水率值准确程度不断下降，在1 m处AEA反演的含水率与烘干法存在较大差异，相对误差为20.69%～96.60%，MRE为54.15%，相关系数仅为0.07。分析结果表明AEA方法可适用于该研究区的0～0.5 m地表深度的含水率计算，但随着深度加深，雷达信号的振幅衰减严重，已不能建立起振幅包络平均值与介质的介电常数的关系，反演结果准确性低、不可用。

3.3 联合模型含水率反演结果分析

根据构建的联合模型，且由于式（5）中的ARMA选取的滚动时间窗大小为采样时窗的1/10（20 ns），故选择赋值为10 ns。则联合模型成为对0～10 ns对应的地表深度（0～0.5 m）的含水率值，采用AEA方法反演的数值，对10～200 ns对应的地表深度（0.5～10 m）采用ARMA方法反演的数值，从而获得精确、完整的0～10 m深度范围的砂壤介质体积含水率分布值。图4描述的是联合模型方法和取样烘干法在地表0、0.5、1.0、5.0、 10.0 m上体积含水率值的对比情况，结果显示：使用联合模型可以准确地反演出研究区0～10 m的地表含水率值，MRE为5.57%～16.71%、RMSE为0.62%～2.08%，与AEA方法相比，提高了反演的深度，与ARMA方法相比，在0～0.5 m范围内MRE比ARMA方法减少16.81%～41.80%，提高了在地表浅部的反演精度。试验结果综合表明联合模型可以精确反演由浅到深的砂壤体积含水率值。

图3 不同深度上烘干法与AEA体积含水率对比

图4 不同深度上烘干法与联合模型体积含水率对比图

4 结 论

1）在典型砂壤地层中，利用AEA方法能够测量研究区地表浅部（0～0.5 m）砂壤介质的体积含水率，并与烘干法实测数值接近，MRE为5.57%～13.51%，但对更深的地表含水率反演效果不理想。

2）利用ARMA方法能够测量地表中深部（0.5～10 m）的体积含水率，与实测含水率的MRE最大为16.71%，但浅部的地表含水率反演结果与实测数据相差较大，MRE为30.32%～47.37%，其与理论结果相符，表明使用ARMA方法适合反演研究区地表中深部的含水率。

3）利用AEA和ARMA联合反演的模型方法能够弥补ARMA与AEA各自的缺点。联合模型反演方法MRE为5.57%～16.71%、RMSE为0.62%～2.08%，在0～0.5 m范围内反演的含水率MRE比ARMA方法减少16.81%～41.80%，与AEA方法相比，联合模型提高了地表含水率的反演深度。综合表明联合模型能精确、快速、连续地测量出地表深度0～10 m内的含水率，提高ARMA和AEA的适用性。

由于本研究针对的是砂壤介质，该方法对其他介质的含水率测量的适用性以及更深深度的探测还有待进一步研究。

[1] 台晓丽，胡振琪，陈超. 西部风沙区不同采煤沉陷区位土壤水分中子仪监测[J]. 农业工程学报，2016，32(15)： 225－231. Tai Xiaoli, Hu Zhenqi, Chen Chao. Monitoring soil moisture at different subsidence areas of mining in western windy and sandy region with neutron instrument[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(15): 225－231. (in Chinese with English abstract)

[2] 孔祥斌，张青璞. 中国西部区耕地等别空间分布特征[J]. 农业工程学报，2012，28(22)：1－7. Kong Xiangbin, Zhang Qingpu. Spatial distribution characteristics of arable land grade in Western China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(22): 1－7. (in Chinese with English abstract)

[3] 张学礼，胡振琪，初士立. 土壤含水量测定方法研究进展[J]. 土壤通报，2005，36（1）：118－123.Zhang Xueli, Hu Zhenqi, Chu Shili. Methods for measuring soil water content: A review[J]. Chinese Journal of Soil Science, 2005, 36(1): 118－123. (in Chinese with English abstract)

[4] 李子忠，郑茹梅，龚元石，等. 时域反射仪对水分非均匀分布土壤含水率的测定[J]. 农业工程学报，2010，26(11)：19－23.Li Zizhong, Zheng Rumei, Gong Yuanshi, et al. Measurement of soil water content by time domain reflectometry in non-uniformly wetted soils[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 19－23. (in Chinese with English abstract)

[5] 杨德志，李琳琳，杨武，等. 中子法测定土壤含水量分析[J]. 节水灌溉，2014(3)：14－15. Yang Dezhi, Li Linlin, Yang Wu, et al. A study on using neutron method to measuring soil water content[J]. Water Saving Irragation, 2014(3): 14－15. (in Chinese with English abstract)

[6] 丁建丽，陈文倩，王璐. 基于集合卡尔曼滤波的HYDRUS模型与土壤水分遥感数据同化[J]. 农业工程学报，2017，33(14)：166－172. Ding Jianli, Chen Wenqian, Wang Lu. Improving monitoring precision of soil moisture by assimilation of HYDRUS model and remote sensing-based data by ensemble Kalman filter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 166－172. (in Chinese with English abstract)

[7] 卢晓宁，张静怡，洪佳，等. 基于遥感影像的黄河三角洲湿地景观演变及驱动因素分析[J]. 农业工程学报，2016，32(S1)：214－223. Lu Xiaoning, Zhang Jingyi, Hong Jia, et al. Analysis of wetland landscape evaluation and its driving factors in Yellow River Delta based on remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(S1): 214－223. (in Chinese with English abstract)

[8] 王利民，刘佳，高建孟，等. 冬小麦面积遥感识别精度与空间分辨率的关系[J]. 农业工程学报，2016，32(23)： 152－160. Wang Limin, Liu Jia, Gao Jianmeng, et al. Relationship between accuracy of winter wheat area remote sensing identification and spatial resolution[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 152－160. (in Chinese with English abstract)

[9] 杨峰，彭苏萍. 地质雷达探测原理与方法研究[M]. 北京：科学出版社，2010.

[10] 王春辉，刘四新，仝传雪. 探地雷达测量土壤水含量的进展[J]. 吉林大学学报：地球科学版，2006，36(1)：119－125.Wang Chunhui, Liu Sixing, Tong Chuanxue. The development ofmeasuring soil water content using ground penetrating radar[J]. Journal of Jilin University: Earth Science Edition, 2006, 36(1): 119－125. (in Chinese with English abstract)

[11] 崔凡，吴志远，武彦斌. 探地雷达在西部煤矿砂壤地层含水率时空变化中的应用[J]. 煤炭学报，2015，40(10)： 2437－2444. Cui Fan, Wu Zhiyuan, Wu Yanbin. Application of GPR in the spatio- temporal variation of moisture content of sandy loam layer i n Western China[J]. Journal of China Coal Society, 2015, 40(10): 2437－2444. (in Chinese with English abstract)

[12] Cui Fan, Wu Zhiyuan, Wang Lei, et al. Application of the ground penetrating radar ARMA power spectrum estimation method to detect moisture content and compactness values in sandy loam[J]. Journal of Applied Geophysics, 2015, 120: 26－35.

[13] 李志华. ARMA序列及其功率谱估计若干新的理论和方法[J]. 大连海事大学学报，1997，23(4)：93－97.Li Zhihua. Some new theories and approaches of ARMAseries and it's spectral estimation[J]. Journal of Dalian Maritime University, 1997, 23(4): 93－97. (in Chinese with English abstract)

[14] 王凤瑛，张丽丽. 功率谱估计及其MATLAB仿真[J]. 微计算机信息，2006，22(11)：287－289. Wang Fengying, Zhang Lili. Power spectrum density estimation and the simulation in matlab[J]. Microcomputer Information, 2006, 22(11): 287－289. (in Chinese with English abstract)

[15] Nie Junli, Yang Feng, Peng Suping, et al. Geological radar detection algorithm research of water content in the shallow surface layers and its application[J]. Disaster Advances, 2013, 6(4): 44－46.

[16] Elena P, Vannaroni G, Barbara D P, et al. Correlationbetweennear-surface electromagnetic soil parameters andearly-time GPR signals: An experimental study[J]. Geophysics, 2007, 72(2): 25－28.

[17] Matteo A D, Pettinelli E, Slob E. Early-Time GPR signal attributes to estimate soil dielectric permittivity: A theoretical study[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(3): 1643－1654.

[18] 吴志远，彭苏萍，杜文凤，等. 基于探地雷达波振幅包络平均值确定土壤含水率[J]. 农业工程学报，2015，31(12)：158－164. Wu Zhiyuan, Peng Suping, Du Wenfeng, et al. Application of ground penetrating radar power spectrum model in detection of water content and degrees of compactness in sandy loam[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(12): 158－164. (in Chinese with English abstract)

[19] 王振华. 估计ARMA过程功率谱的一个方法[J]. 数值计算与计算机用，1982，4(3)：176－179. Wang Zhenhua.A method of power spectral estimation for ARMA process[J]. Journal on Numerical Method sand Computer Applications, 1982, 4(3): 176－179. (in Chinese with English abstract)

[20] 单东升，张培强，李超. 基于AR模型的功率谱估计[J]. 计算机工程与应用，2012，48(S2)：518－521. Shan Dongsheng, Zhang Peiqiang, Li Chao. Estimation of power spectrum based on AR model[J]. Computer Engineering and Applications, 2012, 48(S2): 518－521. (in Chinese with English abstract)

[21] 陈晓龙，王家礼，孙璐，等. 脉冲调制信号相位噪声测量中的功率谱估计方法[J]. 西安电子科技大学学报，2012，39(4)：138－143. Chen Xiaolong, Wang Jiali, Sun Lu, et al. Method for estimating power spectral density in pulsed carrier phase noise measurements[J]. Journal of Xidian University, 2012, 39(4): 138－143. (in Chinese with English abstract)

[22] 胡广书. 数字信号处理理论、算法与实现[M]. 北京：清华大学出版社，2003.

[23] Cadzow J A. High performance spectral estimation-A new ARMA method[J]. Acoustics Speech & Signal Processing IEEE Transactions on, 1980, 28(5): 524－529.

[24] 张贤达. 现代信号处理[M]. 北京：清华大学出版社，1995.

[25] 程正兴. 小波分析算法与应用[M]. 西安:西安交通大学出版社，1998.

[26] 聂俊丽. 基于地质雷达技术的采煤对浅部地层含水量影响规律研究[D]. 北京：中国矿业大学，2014. Nei Junli. The Law of Soil Water Content Change Caused by Coal Mining Based on The Technology of GPR[D]. Beijing: China University Mining & Technology, 2014. (in Chinese with English abstract)

[27] 崔凡，刘杰，吴志远，等. 探地雷达功率谱模型在砂壤含水率和紧实度探测中的应用[J]. 农业工程学报，2014，30(16)：99－105. Cui Fan, Liu Jie, Wu Zhiyuan, et al. Application of ground penetrating radar power spectrum model in detection of water content and degrees of compactness in sandy loam[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(16): 99－105. (in Chinese with English abstract)

[28] Hahn S L. Hilbert Transform in Signal Processing[M]. Boston: Artech House Publish, 1996.

[29] Topp G C, Davis J L, Annan A P, Electromagnetic determination of soil-water content-measurements in coaxial transmission-lines[J]. Water Resour Res, 1980, 16: 574－582.

[30] 吴存兴，张燕清，吴昌兴，等. TDR技术在高塑性土路基含水率监测中的应用[J]. 公路，2008(11)：43－47. Wu Cunxing, Zhang Yanqing, Wu Changxing, et al. Application of TDR to moisture content monitoring of high-plastic soil subgrade[J]. Highway, 2008(11): 43－47. (in Chinese with English abstract)

Soil moisture estimation based on GPR power spectrum and envelope amplitude in sand loam

Cui Fan1, Chen Baiping2, Wu Zhiyuan3, Nie Junli4※, Li Siyuan2, Geng Xiaohang2, Li Shuai2

(1.100083,;2.100083,;3.065201,;4.550025,)

The soil water is of great significance to the management and restoration of the ecological environment in western China. In order to realize an accurate, rapid and continuous detection of the distribution of water content in the shallow sandy loam by virtue of the ground penetrating radar (GPR) technology, 2 means were thus used including radar wave average envelope amplitude (AEA) and auto-regressive and moving average (ARMA) power spectrum recognition, which were also utilized to invert the water contents of the shallow sandy loam soils. AEA was used to analyze and establish the relationship between the radar early-time average amplitude envelope signal value and the dielectric constants of surface strata with depth less than 1 m. ARMA power spectrum recognition was used to build the relation between power spectrum and water contents of the sandy loam soils with depth range within radar’s maximum detection depth. The sandy loam soils with different water contents could differentiate the distribution of the envelopes of power spectrum. The variation of different frequency spectrum energy was related to the water contents in soil samples, which could be shown by the distribution of the high and low frequency envelopes. After the comparison of the water contents inverted by AEA, ARMA and drilling sampling, it was found that the water contents of the shallow sandy loam soils inverted by ARMA was effectively in the depth of 0-10 m. But the results were inaccurate in the depth of 0-0.5 m. However, the AEA provided accurate water contents of the shallow sandy loam soils in the depth of 0-0.5 m. The correlation coefficients of volumetric water contents derived by drilling sampling and inverted by ARMA were 0.57, 0.62, 0.96 and 0.99 respectively in the depth of 0, 0.5, 1.0 and 10.0 m, with the corresponding mean relative errors of 47.37%, 30.32%, 11.20%, and 16.71%. The volumetric water contents derived by AEA almost equaled the values derived by drilling sampling in the depth of 0-0.5 m. The correlation coefficient of volumetric water contents derived by drilling sampling and AEA were 0.98, 0.99 in the depth of 0-0.5 m respectively, but the correlation coefficient was only 0.07 when the depth was 1.0 m. Based on the applicability of the 2 methods, a joint model was established to invert the water contents of the shallow sandy loam soils in the depth of 0-10 m in the typical arid area of western China. The actual detection showed that the average relative error between the water contents and the drying method of the joint model in the range of 0-0.5 m decreased by 16.81%-41.80% compared to that of ARMA. Compared with AEA, the joint model could invert the water contents of deeper strata. The joint method had the average relative error and root mean square error was 5.57%-16.71% and 0.62%-2.08%, respectively. It indicates that the joint model can quickly, accurately and continuously obtain the volumetric water contents of the shallow sandy soils in the depth range varying from 0-10 m in the arid area of western China.

soils; water content; GPR; auto regressive and moving average; average envelope amplitude

崔 凡，陈柏平，吴志远，聂俊丽，李思远，耿晓航，李 帅. 基于探地雷达功率谱和雷达波振幅包络估算砂壤含水率[J]. 农业工程学报，2018，34(7)：121－127. doi：10.11975/j.issn.1002-6819.2018.07.016 http://www.tcsae.org

Cui Fan, Chen Baiping, Wu Zhiyuan, Nie Junli, Li Siyuan, Geng Xiaohang, Li Shuai. Soil moisture estimation based on GPR power spectrum and envelope amplitude in sand loam[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 121－127. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.07.016 http://www.tcsae.org

2017-10-10

2018-01-10

共伴生能源精准开采北京市重点实验室；国家自然科学基金（41602364）；国家重点研发计划（2016YFC0801404）；煤炭资源与安全开采国家重点实验室（中国矿业大学）（SKLCRSM16KFA06，SKLCRSM16DCB14）；山东省沉积成矿作用与沉积矿产重点实验室（DMSM2017051）；青年人才拖举工程（YESS20150139）；贵州省工业攻关项目：黔科合GZ字[2015]3020;教育部人文社会科学研究青年基金（17YJCZH192）

崔 凡，安徽淮南人，博士，主要从事地球物理探测理论与方法的研究。Email：cuifan@cumtb.edu.cn

聂俊丽，博士，主要从事地球物理探测技术和环境问题的研究。Email：38240493@qq.com

10.11975/j.issn.1002-6819.2018.07.016

S152.7

A

1002-6819(2018)-07-0121-07