基于分光测色原理的土壤水分快速测定方法研究

宰松梅，高亚楠，仵 峰，楚运旺，刘生东

（1.华北水利水电大学，郑州450046；2.河南省节水农业重点实验室，郑州450046）

0 引 言

土壤含水率是农学、地质学、工程学、生态学、水文学和生物学等研究的重要依据[1-5]，对指导农业生产、工程建设、水土保持和防治地质灾害等具有重要意义[6，7]。土壤水是作物生长重要的调节因子[8]，适宜的农田土壤水分状况，可达到节水增产的功效。因此，掌握农田土壤水分时空分布特征，对实现农田土壤精确管理具有指导意义[9]，土壤含水率的测定如今已成为农业生产不可或缺的一项关键技术[10]。半个多世纪以来，对土壤水分测量方法的探索一直没有停止，科技的进步促进了土壤水分测量仪器和方法的改进，使得各种测量技术层出不穷。传统的测量方法有烘干法和张力计法，专用测量仪器主要有射线法和介电法等[11]。根据测量原理和实现途径的不同，介电法又可分为时域反射法(TDR)、时域传输法(TDT)、相域反射法( PDR)、频域反射法(FDR)[12]、驻波率法( SWR)和探地雷达法(GPR)等，其精度与适用范围也各不相同，这些方法有适用于实验室的，也有用于田间条件的。但由于土壤性质千差万别，且田间变异性也很大，以上各技术在普适性和便捷性等方面仍存在不少的争论。

土壤含水率受很多因素的制约，精准测量土壤含水率需要考虑土壤的孔隙率、饱和度和矿物质百分比等因素[13，14]。在提出用中子法测量土壤含水率之后，电阻法基本上被淘汰[15]。但中子法在测定土壤浅层含水率时具有较大误差，当遇到土壤有机质含量高、层状土壤或处于干燥或湿润周期时，也会影响中子法的检测结果[16]；且中子仪产生的辐射会影响身体健康，同时也会污染环境。介电法对土壤质地的变化并不是很敏感[17]，在使用前需要对土壤水分传感器进行率定。目前，TDR 和FDR 在国际上的应用比较广泛[12]，但其计算公式对土壤的饱和度、矿物质百分比和孔隙率等不敏感，且TDR 对于盐碱土的含水率测量有一定的局限性。新兴的宇宙射线快中子法，能够实现区域土壤水分观测[18]，在生态系统条件稳定的情况下，宇宙射线法的估算结果与浅层土壤水分观测值最为接近[19]。根据电磁波频谱可对波段进行划分，不同波段的微波遥感可结合相关模型反演出土壤含水率。C波段数据可通过模拟土壤介电特性反演土壤水分[20]，基于L 波段利用主被动协同的方法可提高裸土土壤水分的反演精度[21]。在小范围内测量时，对于不同质地的土壤，目前还没有一种方法可以完全精准测量土壤含水率。

土壤水分含量影响土壤的光谱特征[22]，借助无人机遥感等技术可反映土壤光谱特性从而反演出土壤含水率[23，24]。目前，已有研究证明，基于光学影像颜色提取的土壤有机质含量预测是可行的[25]，利用土壤颜色量化土壤含水率的研究，也证明了土壤光谱反射特性在测量土壤水分时的实用性[26]，并且通过构建模型，可实现对不同质量含水率的较高精度的模拟[27]。Gadi等研究了在6种不同土壤容重下红壤颜色（灰度）与土壤率（含水率都偏大）的变化特征[26]；研究证明，利用土壤颜色可以量化土壤水分梯度，Yoshimoto[28]等对不同粒度分布的两种土壤进行了测试，结果可行。利用土壤颜色量化土壤含水率的研究，主要通过采集土壤数字影像，采用RGB 值以及灰度值来表示土壤颜色[29，30]；由于土壤质地的色差和含水率梯度均可以引起土壤的颜色变化，所以采用影像法测定土壤含水率不仅过程复杂且易产生误差。CIELAB 色彩空间是由国际照明协会（法语：Commission Internationale de l′Eclairage，采用法语简称为CIE）提出的用来描述人眼可见的所有颜色最完备的色彩模型。采用CIELAB 色彩空间描述土壤颜色时，可以进行色差的计算，且无需采集影像。本文拟利用分光测色仪测定的土壤颜色L、a、b 值来率定土壤含水率，分别对沙壤土、砖红壤、沙姜黑土、火山灰土和壤土这5种不同质地的土壤进行试验，通过观察不同含水率梯度下5种土壤的颜色变化，以期找到一种快速测定土壤含水率的测量方法，为农田干旱监测、土壤侵蚀、农作物产量预测以及地表温度研究提供参考，促进精准农业的实施以及对生态系统的保护，实现农业的绿色发展。

1 材料与方法

试验于2019年10-11月在华北水利水电大学河南省节水农业重点实验室（34°47′5.91″N，113°47′20.15″E）进行。该地属温带季风气候，试验期间平均气温18 ℃，湿度14%～26%。实验室有大田试验区及24个测坑，分别装填8种采自河南省不同区域的土壤，经过多年的沉实作用，土层稳定。选择沙壤土、砖红壤、沙姜黑土、火山灰土和壤土这5种不同质地的土壤进行试验。

不同于电磁波段中的L 波段，CIELAB 色彩空间中L 值表示颜色的亮暗，它的变化范围是从0（理想黑）到100（理想白），接近人眼的评价效果，a 和b 值代表色度尺寸，a 是正值，代表物体是红色，a 是0，代表物体是灰色，a 是负值，代表物体是绿色；b是正值，代表物体是黄色，b是0，代表物体是灰色，b是负值，代表物体是蓝色。

试验中测定土壤颜色的仪器为杭州彩谱便携式CS-650 分光测色仪（见图1）。为了检验该仪器对同一土样测定结果的重现性，测定时，同一土样随机选取6 个不同位置的观测点，将观测点1的数据作为标准，其他观测点的颜色数据与标准观测点作差值，用ΔL、Δa、Δb分别表示三颜色值的区别，采用ΔE表示色差。

ΔE计算公式为：

ΔE 越接近于0 表示颜色差别越小，各观测点之间的颜色差别越小，说明测量值的重现性越好。0＜ΔE＜0.25属于理想匹配，表示各观测点色差非常小或者没有；0.25＜ΔE＜0.5 时，表示各观测点存在微小误差，属于可接受的匹配。使用分光测色仪进行测量时，仪器自动显示ΔE，可舍去ΔE＞0.5 的观测点。经检验，各观测点土壤颜色特征值的重现性较好，试验中对于同一个土样的土壤颜色特征值取5个观测点的平均值。

试验前，采用灌水的方法创造不同的含水率梯度，先灌水至田间持水量，待土壤水分再分布达到充分后，选取5种不同质地的土壤挖开剖面进行取样。采集土样时，由湿润峰以外区域依次靠近湿润区中心取样，每种土壤各取8个不同梯度的含水率。将土样放在分光测色仪的配套容器中，压制成容积一定、容重相同的饼状土样，再用分光测色仪进行测色，用烘干法测定的土壤含水率作为标准。

根据测量的土壤颜色L、a、b 值与烘干法得到的含水率，直观分析同种土壤不同含水率以及相同含水率条件下不同土壤的色度差别，利用统计软件，分析不同含水率梯度与三颜色L、a、b的相关性，再通过显著性检验和误差分析，分析其可靠性。选取与土壤含水率相关性较高的颜色变量，通过回归分析建立含水率预测模型，并从模型的稳定性和准确性两方面对模型进行评价，采用相关系数R2和均方根误差RMSE(root mean square error)作为检验指标。

RMSE计算公式为：

式中：yi为含水率实测值，%；为预测值，%；n为样本数。

从原始采样数据中，选取一部分土样作为建模数据库，剩下的土样作为检验数据库。选取不同的土样作为建模数据，比较分析模型预测效果及其稳定性。建模时选取不同颜色作为自变量，进行单变量、双变量、多变量回归分析，并研究对其它土质的适用性。

使用Microsoft Excel 2019 软件进行数据处理和绘图；用IBM SPSS Statistics 25 软件对试验数据进行相关性分析、显著性检验、主成分分析以及线性回归分析。

2 结果与分析

在不同含水率条件下各土样的土壤颜色对比见图2。由图2可见，同种土壤的颜色随含水率升高而逐渐加深，肉眼可见其光学差异明显。这也佐证了通过土壤颜色特性快速测定土壤含水率的可行性。

2.1 不同含水率条件下5种类型土壤的光学特征

人工采集土样时，不同土质土样的含水率梯度不尽相同。选取几组不同土壤在含水率相同条件下的光学特征值进行对比，结果如表1所示。

由表1可以看出，在含水率相近时，壤土、火山灰土与沙壤土的L值相差不大，说明其颜色深浅程度相似，而砖红壤与沙姜黑土的L值较小，说明其颜色较深，色度偏黑；a值都为接近于0 的正值，说明几种土壤的颜色是红色，色度偏灰；b值为较a 大的正值，说明5 种土质颜色都偏黄色。与图2 的直观效果一致。

每种土质分别选取含水率低、中、高3个水平的颜色值进行分析，由表1可以看出，随着土壤含水率的增加，L值总体呈下降趋势，在光学上表现为越来越接近理想黑，也就是肉眼可见的颜色逐渐加深；a、b 值均没有明显的变化趋势，但一直是正值。

每种土质分别选取含水率低、中、高3个水平的颜色值进行分析，由表1可以看出，随着土壤含水率的增加，L值总体呈下降趋势，在光学上表现为越来越接近理想黑，也就是肉眼可见的颜色逐渐加深；a、b 值均没有明显的变化趋势，但一直是正值。

分别对5 种土质的L、a、b 值与含水率进行拟合，拟合相关程度R2及光学特征变化情况如表2所示。

可见，土壤颜色的变化因土壤类别表现出不一样的规律，说明土壤颜色同时能显现出土质以及含水率的差别，为此，进行相关性检验和主成分分析作进一步深入研究。

2.2 模型建立的相关分析

2.2.1 相关性分析及显著性检验

以沙壤土为例，不同样本数条件下，沙壤土三颜色值与含水率的皮尔逊相关性及显著性分析结果见表3。

由表3 可以看出，沙壤土的三颜色L、a、b 值与其含水率之间具有一定的相关性，其中L值与含水率的相关性最高，其显著性水平为0.01，且随着样本数的增加，相关系数的绝对值越来越接近于1，说明沙壤土在含水率变化时，土壤的亮暗程度会受到较大影响，这与相关图片的视觉效果吻合，即含水率越大，土样颜色越深。随着样本数的增加，a值与含水率的相关性一直不显著。b值在样本数增大为40时提升为显著性水平。

表1 不同含水率条件下5种土壤的光学特征值

表2 不同土壤的颜色变化初步分析

表3 沙壤土颜色相关性检验

2.2.2 主成分分析

相关性分析结果表明，L与含水率的皮尔逊相关值并没有达到0.85，故单独用L值来描述土壤含水率并不可行。以沙壤土为例，对40 个土样的颜色参数L、a、b 进行主成分分析，得到相关性矩阵、KMO 和巴特利特检验、总方差解释等信息。变量间的相关性越高，越适合做主成分分析。当KMO＞0.5，P＜0.05时，则适合做主成分分析。

主成分分析结果表明，在相关性矩阵中，变量a 与b 的相关性高达0.862，适合做主成分分析，且L 与a 两者总共可以解释总变异的99.14%。故沙壤土含水率可用L、a值作二元回归分析。

其余4种土质也采用同样的分析方法，结果不尽相同。由于篇幅所限，不再一一列举。

2.3 沙壤土含水率与L、a二元线性回归分析

在选取部分数据作为建模样本时，可根据土样采集的时间先后选取，这样可以减少外界温度湿度等对土样的影响，且这样的建模样本中含水率分布比较均匀，含水率梯度从大到小都有。

以沙壤土为例，在不同样本数下，含水率与L、a 的二元线性回归结果如表4所示。

表4 沙壤土二元线性回归模型检验参数

由表4可知，随着样本数的增加，建模数据集的R2越来越接近于1，且RMSE 越来越小，说明拟合程度更高。同时验证数据集的检验参数也更稳定。样本数选取为40 时所做的二元线性回归总体效果最好，其预测模型检验参数R2和RMSE分别为0.87和5.17。

图3为二元回归时含水率预测值和实际值的散点图，可见图中散点分布在对角线两侧，预测值和实际值的拟合程度R2为0.978，进一步说明了线性回归的合理性。

2.4 不同类型土壤光学特征含水率分析

火山灰土、壤土、沙姜黑土和砖红壤等4种土壤的分析结果见表5。

表中主成分分析的结果为线性回归分析所选择的参数。可见土壤质地不同时，主成分提取的参数也不同，提取的参数即为线性回归分析的两个自变量。使用2个颜色值描述土壤含水率时可以达到较好的拟合效果，但是每种土壤的选择参数和回归方程都不同。

表5 不同类型土壤颜色-含水率分析结果

2.5 不同类型土壤含水率预测结果

基于不同的土壤类型其水分梯度与颜色L、a、b的相关性不尽相同，且图3也验证了线性回归的合理性。

故为了检验所建回归方程对于其他土类的拓展性，选取沙壤土40 个土样与含水率做三元（L、a、b）线性回归分析，其线性回归方程如下：

常量与变量a、b 的系数处于极显著水平(P＜0.001)，R2=0.866，RMSE=4.230。该回归方程对其他4 种土壤的检验结果如表6所示。

通过表6 可以看出，根据沙壤土建立的模型对于其他4 种土壤具有一定的适用性，也具有较好的预测效果。由于试验中对砖红壤、沙姜黑土、火山灰土、壤土4种土壤的样本数不如沙壤土的多，增加一定的样本数量可进一步验证模型的预测效果。在测试时要注意保证含水率具有均匀的变化梯度，以及建模时仍要比较分析如何选取样本作为建模数据集。总的来说，分光测色仪作为获取土壤颜色的工具，具有快速测定土壤含水率的潜力。

表6 沙壤土模型对其他土类的检验参数

3 结论与展望

利用分光测色仪测定了5种土壤在不同含水率条件下的三颜色值L、a、b，并进行了相关性及回归分析和验证，得出如下主要结论：

（1）土壤颜色L、a、b值与其含水率之间具有一定的相关性。随土壤含水率升高，L值总体呈下降趋势，表现为土壤颜色逐渐加深；a、b值均为正值，但变化规律不明显。

（2）土壤的L、a、b值与土壤含水率的相关程度随土壤质地变化而不同。沙壤土、沙姜黑土、火山灰土和壤土的L值随含水率变化有明显改变，但砖红壤的L值改变不明显。沙壤土的L 值与其含水率的相关系数在0.77 以上，土壤含水率对L 值的影响达极显著水平，但其皮尔逊相关值并没有达到0.85；a值与含水率的相关性不显著；在样本数增大为40 时其b 值与含水率的相关性提升为显著。

（3）主成分分析结果表明，沙壤土、沙姜黑土、火山灰土的L、b 值与含水率相关度高，而砖红壤和壤土则为a、b值。采用二元线性回归进行拟合时，5种土壤均可以达到较好的拟合效果，而采用L、a、b值共同描述时仅能使拟合程度提高0.006。故仅对1 种土壤进行拟合时，建议采用二元线性回归。

（4）沙壤土含水率与三颜色值的三元线性回归方程对砖红壤、沙姜黑土、火山灰土、壤土4 种土壤具有一定的适用性，其相关系数R2均大于0.81，RMSE均小于14。

利用土壤三颜色值L、a、b可以快速判断土壤含水率。由于土壤的颜色信息受有机质、孔隙率、土壤容重等诸多因素的影响，量化后的数据存在一定波动。如何分析这些因素的影响，更加全面的对模型进行优化，有待进一步研究。已有研究通过量化数码照片中颜色信息来估算土壤pH 值，这表明数字照片具有提取土壤碱化信息的潜力；也有通过Photoshop软件提取土壤相片RGB 值来构建土壤颜色和土壤有机质的量化关系的研究表明，对土壤颜色的现场快速提取有利于对土壤有机质含量等相关研究提供基本资料和数据支撑[31]。目前，在选取获取土壤颜色信息的工具时，也可以考虑数码相机和手机等摄影设备，再结合Photoshop 软件分析土壤颜色图像，将土壤表面颜色信息量化。

分光测色仪携带方便，价格适中，利用分光测色仪获取土壤颜色信息，不仅可以节省人力，还易于操作；利用SPSS进行统计分析易于学习；两者的结合有望为快速测定土壤含水率提供一种可选途径。利用分光测色原理快速测定土壤含水率的方法，在多次数测定小范围土壤含水率时具有较大的应用价值，可为评价不同灌溉方式的灌水效果提供依据，大量节省人力物力，且经济性高，易于操作，在农学、地质学、工程学、生态学、水文学和生物学等相关研究中具有重要意义。