采用探地雷达频谱分析的复垦土壤含水率反演

程 琦，叶回春，董祥林，崔红标，易齐涛，徐云飞，孙立颖，张世文

采用探地雷达频谱分析的复垦土壤含水率反演

程 琦1，叶回春2，董祥林3，崔红标4，易齐涛5，徐云飞1，孙立颖1，张世文4※

（1. 安徽理工大学空间信息与测绘工程学院，淮南 232001；2. 中国科学院空天信息创新研究院，北京 100094；3. 淮北矿业（集团）有限公司，淮北 235001；4. 安徽理工大学地球与环境学院，淮南 232001；5. 烟台大学土木工程学院，烟台 264010）

快速、准确、无损获取采煤塌陷区复垦土壤含水率分布情况是实现精准灌溉的基础和关键。该研究以安徽省淮北市某塌陷复垦区土壤为研究对象，借助探地雷达系统对试验区土壤进行探测，并对周围未复垦区域设置对照组，通过线性调频Z变换频域细化法（Chirp-Z-Transform，CZT）寻找特征频率，结合瑞利散射原理分析不同土壤体积含水率（Volumetric Water Content，VWC）下雷达信号特征频谱响应关系，并分别采用不同回归方法建立了VWC反演模型。结果表明：频谱峰值频率分量（Frequency of Peak，FP）与复垦土壤VWC具有很强的相关性；基于CZT算法可以在不改变原有频谱的基础上，有效的寻找到特征频率，FP与VWC的相关系数较快速傅里叶变换（Fast Fourier Transform，FFT）从0.77提高到0.93；对比复垦与非复垦区域雷达信号频谱发现，复垦区频谱信号较非复垦区“漂移”现象明显，采用不同回归方法所建立的模型中，指数回归模型精度最高，验证集2达到0.84，RMSE达到1.97%，表明采用频谱分析方法可以有效地反演复垦土壤VWC，研究结果以期为复垦土壤质量快速监测以及复垦区农业精准灌溉提供理论依据与技术支撑。

土壤；含水率；探地雷达；土地复垦；频谱分析；CZT

0 引 言

矿产资源的开发和利用促进了人类生产生活的发展，但是随着矿产资源的开采也暴露出了诸多的问题[1-3]。矿产资源开采量较大导致土地损毁严重、矿地矛盾突出，如今又面临资源枯竭、景观生态环境严重破坏等问题[4-5]。随着十九大报告将“坚持人与自然和谐共生”作为新时代坚持和发展中国特色社会主义的基本方略重要内容，提出了“生态文明建设是中华民族永续发展的千年大计”“人与自然是生命共同体”“必须树立和践行绿水青山就是金山银山的理念”等重要论断[1]。土地复垦是实现“坚持人与自然和谐共生”的有效途径，而复垦区域土壤含水率的分布是影响该地区复垦质量、农作物生长以及生态环境的重要因素。目前含水率测量的方法中烘干法最为准确，但因其费时费力并破坏原有土体结构，不适宜大面积实施[6]。中子射线法和γ射线法等操作较为复杂且需要标定后才能使用[7]。探地雷达作为新型的近地微波遥感技术，具有大范围连续探测、快速、无损、低成本等优点，可以弥补传统测量方法效率低且对土体造成破坏的不足[8-11]。

国内外学者早期研究中探地雷达主要用于工程勘察方面，近年来，探地雷达在含水率探测方面的研究越来越多，大多倾向于“波速-介电常数”法，但由于该方法常常受限于地下反射层难以确定以及雷达波速计算误差大等原因。频谱分析法是将雷达数据从时域转换到频域，从频域的角度分析信号变化的特征，以此分析不同介质下信号频率域的能量分布等信息，从而避免了“波速-介电常数”法中波速误差大等缺点。吴志远等[12]构建探地雷达早期信号振幅包络值与黏性土壤含水率间的响应关系，并对比其他常规雷达测量方法，结果表明雷达波早期信号与黏性土壤表层含水率具有很强的相关性，并且常规探地雷达方法难以应用到黏性土壤含水率探测。Liu等[13]将现有探地雷达测量土壤含水率方法一一对比后，表明频谱分析方法避免了常规方法需要通过土壤介电常数与土壤含水率间的转换计算，同时也不需要进行校准等前期复杂准备工作，具有很广阔的应用前景。崔凡等[14]通过不同砂壤含水率与探地雷达电磁波信号功率谱分布特征，建立了砂壤含水率探测的最优拟合模型，平均相对误差为11.93%。宋文等[15]借助探地雷达对夹黏型和底漏型2种土壤层次探测试验，提取雷达波形数据进行土壤层次识别，分析出了土壤层次的介电常数变化主要受土壤含水量和土壤机械组成变化的影响。Ciampoli等[16]利用探地雷达探测不同直径铁路道砟，分析了雷达波信号频谱与道砟直径的关系，结果表明频率峰值与铁路道砟直径在0.04 ～0.09 m范围内成反比。Tosti等[17]利用探地雷达反演土壤中黏土含量，通过试验揭示了土壤中黏土含量与雷达信号间具有很强的相关性，黏土含量的变化会导致频谱峰值的位移，随着黏土含量的增加，频率峰值逐渐减小。目前研究都是基于自然土壤下的均质土体，而复垦重构土壤因其受到人为干预导致其土体构型以及土壤属性的变化，使得复垦重构土壤含水率的探地雷达分析方法研究较少。

在前人研究的基础上，本文以安徽省淮北市某塌陷复垦区土壤为研究对象，基于探地雷达电磁波信号数据与瑞利散射原理，结合线性调频Z变换频域细化法（Chirp-Z-Transform，CZT）探寻雷达信号特征频率，分析不同复垦土壤含水率与电磁波频谱间的响应关系，并结合野外试验分析复垦与非复垦区域下雷达信号的频谱特征。研究结果以期为复垦土壤质量快速监测以及复垦区农业灌溉管理提供理论依据与技术支撑。

1 材料与方法

1.1 研究区概况

研究区位于安徽省淮北市海孜煤矿（116°32′～116°39′E，33°36′～33°42′N），地处中纬度地区，属暖温带半湿润季风气候区，四季分明，气候温和，雨水适中。由于长期的地下开采造成土地塌陷与土地损毁，矿地矛盾突出，因此采煤塌陷区域进行复垦修复成为解决问题的主要手段之一。复垦前研究区地表最大塌陷深度约为7.0 m，积水区面积合计约为7.9 hm2，积水深度约0 ～5.0 m，复垦模式采用客土回填方式，土源来自于周围未塌陷地块土壤，其土壤类型以砂姜黑土为主，研究区内客土覆土厚度约为1.0 m，并于2019年完成复垦，实施复垦工程时曾有大型机械设施推土及碾压，因此复垦区土壤容重约为1.56 g/cm3，非复垦区土壤容重约为1.36 g/cm3，复垦后海拔标高约为+20.78 ～+28.58 m，研究区农作物种植方式主要为小麦-玉米轮作。

1.2 数据获取

探测仪器采用瑞典MALA公司PRO EX专业型探地雷达对复垦区内浅层含水率进行探测，在详细分析复垦设计资料的基础上，于研究区内布置雷达测线5条，分别为L1、L2、L3、L4、L5，其中L5测线属于未复垦区域，测线均长约10 m，复垦区测线间距约5 m，测线布置图如图1所示。考虑研究区内土壤介电性质、土壤内水分影响与探测时能量的损耗，选择天线中心频率为500 MHz，时窗设置为60 ns，采样点数512个，测量方式使用固定偏移距方法，天线平均移动速度0.1 m/s，当GPR每移动1 m时进行数据标定，仪器标定位置方便后期雷达数据处理分析，并在标定位置采集土壤样品。考虑研究区属于重构土体，试验前在研究区进行雷达探测并查看有效振幅时间，如图2所示。由图可知在去除直达波后有效雷达振幅双程走时约10 ns，以此判断GPR的有效测深约50 cm，因此在试验时对标定位置采用环刀法采集深度约为30 cm处土样，并在当天测出土样的含水率以保证测量结果的准确性。试验完毕时复垦区内地表沉陷处于稳定阶段，坡度约为2°，室外温度约为20 ℃，为减少表层杂物的影响，对雷达测线的地面进行了简单清理。

1.3 雷达数据预处理

电磁波在重构土体介质传播中发生衰减、色散等各种干扰，对雷达数据进行频谱分析的准确性将降低，需要对雷达数据进行预处理来提高数据的准确性[18]。探地雷达数据预处理主要包括去直流漂移、去直达波、信号滤波以及背景去除处理，处理工具为雷达自带数据处理平台Reflexw软件。首先对采集的雷达数据进行去除直流漂移处理，其目的是为了使有效信号不受漂移现象的影响；去直达波处理，主要是去除雷达数据中由于收发天线距离较近以及地面波与空气波产生的低频信号，从而消除感应现象的失真，它可以在保留高频信号的同时，移除不需要的低频信号；而后进行滤波处理，经过比较最后选择Blackman-Nuttall滤波，它采用了一个多阶余弦渐变移动平均值，提供最均匀的高频信号抑制；最后进行背景去除处理，由于带通滤波整体上改善了信号的信噪比，但在某些特定情况下，雷达回波剖面信号中包含呈水平线的“背景”干扰，这些掩埋了有效反射信号，因此对信号进行背景去除处理[19]。

1.4 土壤含水率测定方法

1.4.1 烘干法测量含水率

当天取出在研究区密封的土样后，在实验室内利用烘干法测试土壤样品质量含水率，利用公式（1）计算出样品的体积含水率。

式中θ、θ分别为土壤样品中水的体积含水率与质量含水率，%。为土壤样品的容重，g/cm3。

1.4.2 基于瑞利散射原理频谱反演方法

瑞利散射是指具有电磁阻抗的非均匀性粒子远小于电磁波波长时所发生的散射现象[20]。当电磁波在土壤传播过程中，电磁波信号被土壤内水分子所散射，导致接收到的电磁波反射信号中心频率发生偏移。瑞利散射法的优点在于其不考虑介质中三相的体积分数，可以直接通过探地雷达的频谱分析对土壤含水率的直接估计，从而避免了原先需要通过电磁波反射信号估算土壤介电常数后通过经验公式反演含水率的复杂性[21]。该方法最早是由Benedetto提出的一种基于频域信号处理的方法，其避免了其他方法需要通过室内实验进行参数校准的缺点，能够直接利用探地雷达信号进行频谱分析，后逐渐被学者用于铁路道砟介电性能研究中[18]。

Benedetto等[22]对三相多孔介质性质的几个假设和简化物理公式后推导出以下公式

式中是观察者和粒子之间的距离，m；0()是电磁波的入射强度；θ为散射角，(°)；是电磁信号的频率，Hz；0为自由空间的速度，m/ns；u为介质的磁导率；ε全极化介质在无限频率电磁场的介电常数；Δstatic-ε是在稳定和无限频率的电磁场中介电常数的差异值；是弛豫时间，ns；代表粒子的直径，m。

由式（2）可知，雷达电磁波在土壤内部散射程度是频率和介电常数的非线性函数，同时说明了频率峰值是一个综合指标，因此在土壤类型相同的前提下与土壤水分含量呈负相关。而土壤的介电常数主要由土壤内部水分子的状态以及数量决定，因此随着含水量的增加，散射的程度也会逐渐升高。Mitchell等[23]在干土颗粒体系中开始加水时，研究发现土壤会出现几个过渡水分状态，即紧密结合和松散结合的吸附水、毛细管水和自由水，而土壤中水分子形式会影响偶极子发生不同的极化率。Dobson等[24]根据土壤内自由水与结合水含量等提出土壤介电常数模型，而随着含水饱和度的增大，土壤介电常数也随之增大，雷达电磁波能量衰减明显，峰值频率分量（Frequency of Peak，FP）“漂移”现象也将显现。

为此，在研究区内选取体积含水率（Volumetric Water Content，VWC）为15%、20%、25%、30%、35% 5个梯度下对应的雷达信号数据，对其进行频域转换后分析它们间FP的变化情况。由于绝对反射强度受土壤中水分能量吸收的显著影响，导致谱峰高低起伏并不均一，这使得频谱“漂移”在图中不那么明显，故对其进行频谱幅值进行归一化处理，如图3所示。可以看出不同VWC所对应的FP存在明显的偏移现象，当VWC逐渐增大时，FP逐渐向低频移动，这可能由于土壤内水分子吸收了部分电磁波能量导致接收到低频能量，早先Pettinelli等[25]通过研究也曾发现反射探地雷达信号的振幅强度随着土壤湿度的增加而减小。

1.5 CZT方法

CZT是一种特殊的Z变换，当信号长度受限时，通过FFT处理雷达信号会存在关键特征频率丢失，因此其效果可能不是很好，而CZT算法可以在较窄的频带内给出高精度、高效率的频率估计[26]。在实际应用中，信号频谱通常采用FFT实现，由于FFT的最大分析频率仅为信号采样频率的一半，因此信号中频谱分辨率过大的离散采样会造成栅栏效应。为了准确寻找特征频率并分析其与VWC间关系，运用CZT算法进行频谱细化能够准确定位特征频率所在的频率分量。CZT变换相比于传统的离散傅里叶变换（Discrete Fourier Transform，DFT）更广义，CZT计算在单位圆内或外的螺旋上，螺旋可以调整通过或接近信号的极点，从而频谱分辨率被提高[27-28]。

对已知信号长度为的信号序列()（1≤≤-1），其Z变换的定义为

对于任意给定的0000，当=0,1,…,∞时，可得到平面上的点

最终(z)为经过CZT变换后的频谱。CZT可以根据实际需要选择合适的频谱分析范围，有效地减少了由于频谱泄漏带来的误差[29]。

1.6 评级指标

对精度检验指标选取均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（2）指标和皮尔森相关系数（）。其中决定系数表示模型的预测值与实测值间的拟合程度，2越接近于1，说明模型效果愈佳；均方根误差用于模型验证，表示模型预测值于实测值的偏离程度，其值越小，模型的精度越高；皮尔森相关系数用来反映两个变量间的线性相关程度，当的绝对值越大则表明两个变量间的相关性越强。

2 结果与分析

2.1 CZT处理

在实际应用过程中，由于获得的雷达信号不够长，由于频谱分辨率差导致雷达关键频率信号丢失，因此引入CZT来代替传统方法的FFT，有助于提高关键频率的选取。在研究区内选取30个样点，经过预处理后提取出其中雷达波形数据，通过利用MATLAB 2018b平台将时域信号参数、采样频率等相关参数对雷达数据实现FFT与CZT处理，并分析不同方法下的频谱峰值频率与体积含水率的相关性，结果如表1所示。

表1 CZT与FFT后频谱峰值频率与体积含水率相关系数

注：**为在0.01水平（双侧）上显著相关。

Note: ** expresses very significantly correlated (<0.01).

从表中可以发现，当直接进行FFT时，雷达电磁波频谱峰值频率与体积含水率的相关系数为0.77，经过CZT算法处理后雷达电磁波频谱峰值频率与体积含水率的相关系数为0.93。因此在数据长度有限的情况下，直接经过FFT的处理方法较CZT算法的探测精度明显降低。

为对比CZT与FFT后数据变化情况，在研究区探测数据中选择一组雷达数据进行CZT处理，如图4所示。从图中可以看出，CZT优化后的频谱与FFT后的频谱大致相似，说明CZT算法在不改变原有频谱的基础上对频谱进行细化，但由于FFT频谱分辨率受到采样长度的限制，经过CZT算法后频谱分辨率明显提高，CZT算法优化后所得到的频谱峰值频率位于435 MHz处，而直接进行FFT的频谱峰值频率位于444 MHz处，结果表明CZT较FFT避免了因分辨率不够而丢失特征频率的缺点。

2.2 各测线频谱分析

2.2.1 各测线雷达频谱漂移规律

将各测线内的采集的土壤样品的体积含水率与其雷达波形数据提取后，结合瑞利散射法对不同体积含水率下频谱峰值频率“漂移”分析。因雷达信号反射强度受土壤中水分能量吸收的显著影响，这使得频移在图形中不那么明显，为凸显体积含水率与频谱峰值频率间的响应关系，对频谱幅度进行归一化处理，如图5所示。由图5可以明显地看出当复垦土壤体积含水率不同时，频谱峰值频率发生了系统性的位移。根据瑞利散射原理推断出可能与土壤水分含量的变化有关，将测线内50个样本点的FP与对应含水率进行相关性分析，达到0.90，可以看出VWC与雷达信号FP间相关性较高。

2.2.2 复垦土壤与非复垦土壤雷达信号频谱对比

为更加直观反映复垦土壤与非复垦土壤的对探地雷达信号的影响，将样本划分为复垦区域与非复垦区域，提取VWC为15%～25%区间内的雷达频谱信号，如图6所示。在复垦与非复垦的样品中，考虑土壤质地一样，VWC变化区间一致，尽管频谱中几个频率成分存在一些无序性，但FP与VWC总体呈现负相关。由于复垦区与非复垦区容重的不同，两者表现出的频谱“漂移”程度也不尽相同，复垦区样点间线性趋势斜率为-2.74，而非复垦区线性趋势斜率为-2.20，可以明显看出复垦区的频谱“漂移”程度大于非复垦区域。王金满等[30]和胡振琪等[31]研究发现复垦区域重型工程器械碾压土壤后导致土壤内大孔隙量减少、土壤紧实度与容重增大。Wang等[32]研究发现土壤容重与介电常数呈正相关，容重的改变也会影响电磁波信号的衰减程度。因此推断可能是由于复垦区年限较短，复垦区土壤容重较大成为影响雷达信号主要的原因。针对于客土回填的复垦模式，通过试验发现大型施工器械对重构土壤压实会成为影响到未来土壤含水率分布以及复垦土壤肥力的关键因素。

2.3 复垦土壤含水率反演模型构建与验证

为建立最佳的反演模型，将复垦区内40个样本点的雷达信号经过预处理后利用CZT算法得到细化后的频谱，提取样本的频谱峰值频率与体积含水率，按体积含水率分层随机抽取12个样本作为验证集，剩下的28个样本作为建模集。通过线性回归、指数回归、多项式回归等多种回归方法进行模型建立FP-VWC关系模型，不同回归模型在建模及和验证集的预测结果如表2所示。

从表2可以看出，基于不同回归方法FP-VWC关系模型中，指数回归所构建的模型精度较其他回归方法高，建模集决定系数2和均方根误差RMSE分别为0.88和2.06%。将不同回归模型下体积含水率的预测值与复垦土壤体积含水率的实测值进行比较，当样点值均接近1∶1线，说明模型反演效果较好，结果如图7所示。可以看出指数回归模型下的决定系数2、均方根误差RMSE以及平均绝对误差MAE分别为0.84、1.96%和1.28%，均为所有回归模型中的最优值。最终表明指数回归所构建的关系模型更适用于体积含水率的估算。

表2 不同回归方法FP-VWC关系模型反演结果对比

Table.2 Comparation of FP-VWC model by different models

2.4 研究区实测含水率与频谱分析法反演含水率效果对比

根据对所建立不同回归模型的优选，选取指数回归模型作为矩形区域雷达数据反演模型，为突出反演与实测的对比效果，将体积含水率实测值与体积含水率预测值进行归一化处理，并结合MATLAB 2018b软件进行普通克里金网格插值得到该区域的含水率平面分布图[12,33]，如图8所示。图中分别为烘干法实测含水率分布图和雷达信号反演含水率分布图，图中黑色虚线代表测线位置，从总体上看，两者分布较为一致，模型反演效果较好，但部分区域仍然出现了一定的偏差。同时可以看出由于L1测线靠近塌陷积水区，也能够看出土壤内水分正由近向远逐渐渗透。

3 讨 论

土壤含水率作为土壤墒情的重要指标之一，目前大多采用的传统方法往往具有成本高、过程繁琐等缺点，而新兴的TDR、γ射线法都无法做到无损、连续等特点，利用探地雷达对土壤含水率进行探测，显示出近地微波遥感在土壤含水率探测中准确、快速、无损且连续探测等特点。本文以采煤沉陷区复垦与非复垦农田为研究对象，考虑雷达数据进行FFT后频谱分辨率受到数据长度的影响，利用CZT算法在不改变原有频谱的基础上进行频谱细化，大大降低了由于FFT后频谱分辨率较低所导致响应峰值频率分量带来的影响，结合瑞利散射原理的频域分析方法，分析了复垦土壤下不同体积含水率对探地雷达信号频谱的响应关系，并通过指数回归建立了FP-VWC回归模型，获得了较好的反演效果，为复垦区农业精准灌溉提供技术支持与理论支撑。

文中运用CZT算法优化后较FFT变换在保持原有频谱的基础上提高了频谱分辨率。当信号不够长时，CZT变换可以在较窄的频带内给出高精度、高效率的频率估计。用FFT处理短时间信号可能效果不是很好，雷达信号频谱峰值频率可能在频率间隔之间，因为分辨率不高。这也是FFT的固有限制，CZT较直接FFT后频谱峰值频率与体积含水率的相关系数由0.77到0.93，提高了23%。这与Ma等[28]通过CZT算法细化频谱提高频率分辨率，从而获得精确的特征频率分量，大大提高了图像检测的精度的结果相一致。

本文结合瑞利散射原理分析在不同体积含水率下雷达信号特征频谱响应关系，基于不同回归方法，建立了最优指数反演模型，验证集2达到0.84，RMSE为1.97%，证明此方法运用在复垦土壤体积含水率监测方面具有很好的应用前景。通过复垦区与非复垦区的雷达探测，由于未复垦土壤中内部结构未被破坏，土壤内大孔隙量与孔隙度较高，使得未复垦区域雷达信号频谱漂移量的表现较复垦土壤强，而复垦区由于覆土后由重型机械压实后且复垦年限较短，导致土壤大孔隙量减少、土壤紧实度与容重增大。因此对于复垦区而言，土壤容重越大则孔隙的空气越少，信号传播过程中损耗也增多，而在同样提及含水率变化的情况下，复垦区雷达信号频谱“漂移”程度较非复垦区大。这与罗古拜[34]与王萍[35]通过研究发现土壤容重影响着电磁波能量衰减的结果一致。试验结果论证了应用探地雷达对于复垦土壤含水率监测的准确性，为今后复垦农业监测提供新的方向。

在进行土壤深部范围的含水率反演时，由于雷达电磁波在复杂的重构土体下传播时能量衰减较大，Wu等[36]通过增益以及频谱补偿等处理方法对电磁波深层信号进行还原，并通过不同时窗下功率谱大小与分层含水率建立关系。借此，下一步同样可以采用增益等信号处理方法对深层电磁波信号进行补偿，同时对雷达电磁波信号进行不同时窗下的分层选取，并结合频谱确定分层下电磁波能量的大小，以此利用不同雷达信号处理方法反演土壤剖面含水率。此外，由于土壤成分的复杂性，雷达信号影响因素只单一考虑土壤内水分的影响，未考虑到土壤内黏土含量等其他方面对雷达信号的影响，因此模型反演是否能够通过校正参数来提高精度也是下一步需要继续研究的内容。今后研究也将考虑多种影响因素，以期界定不同环境变量下雷达电磁波与其响应关系。

4 结 论

本次研究基于探地雷达对不同含水率重构土壤进行探测，研究结论如下：

1）基于瑞利散射原理的峰值频率分量与复垦土壤体积含水率具有较好的相关性，相关系数达到0.90，说明通过雷达信号峰值频率分量反演复垦土壤体积含水率是可行的。

2）通过线性调频Z变换频域细化法对所获得的雷达信号进行频谱细化后，能够在不改变原有频谱的基础上提高了频谱分辨率，获得精确的特征频率分量，较快速傅里叶变换后峰值频率分量与体积含水率相关性提高到0.93，提高了23%。

3）基于不同回归方法建立反演模型，最终指数回归精度最高，验证集2为0.84，RMSE为1.97%，矩形区域通过反演所获得的水分分布图与实测分布图具有较高的相似性，说明指数回归模型能够对含水率进行有效解译。

4）对比分析复垦区与非复垦区雷达信号频谱，在含水率变化区间一致的情况下，复垦区雷达信号频谱较非复垦区其“漂移”程度更大，容重也是影响雷达信号的因素之一，同时大型施工器械对重构土壤压实会成为影响到未来土壤含水率分布以及复垦土壤肥力的关键因素。

[1]夏可，张世文，沈强，等. 基于熵值组合模型的矿业复垦土壤重金属高光谱反演[J]. 发光学报，2019，40(12)：1563-1573. Xia Ke, Zhang Shiwen, Shen Qiang, et al. Heavy metal hyperspectral inversion in mining reclamation soil based on entropy value combination model[J]. Chinese Journal of Luminescence, 2019, 40(12): 1563-1573. (in Chinese with English abstract)

[2]张世文，卜中原，沈强，等. 粤北南岭大宝山矿流域山水林田湖草修复阻力与优先级分析[J]. 生态学报，2019，39(23)：8920-8929. Zhang Shiwen, Bu Zhongyuan, Shen Qiang, et al. Resistance and priority analysis of landscape forest fields, lakes, and grass restoration in Dabaoshan mining basin[J]. Acta Ecologica Sinica, 2019, 39(23): 8920-8929. (in Chinese with English abstract)

[3]沈强，张世文，葛畅，等. 矿业废弃地重构土壤重金属含量高光谱反演[J]. 光谱学与光谱分析，2019，39(4)：224-230. Shen Qiang, Zhang Shiwen, Ge Chang, et al. Hyperspectral inversion of heavy metal content in soils reconstituted by mining wasteland[J]. Spectroscopy and Spectral Analysis, 2019, 39(4): 224-230. (in Chinese with English abstract)

[4]Xia K, Xia S S, Shen Q, et al. Optimization of a soil particle content prediction model based on a combined spectral index and successive projections algorithm using Vis-NIR spectroscopy[J]. Spectroscopy, 2020, 35(12): 24-34.

[5]Shen Q, Xia K, Zhang S W, et al. Hyperspectral indirect inversion of heavy-metal copper in reclaimed soil of iron ore area[J]. Spectrochimica Acta Part A: Molecular & Biomolecular Spectroscopy, 2019, 222: 117191.

[6]邵明安，王全九，黄明斌. 土壤物理学[M]. 北京：高等教育版社，2006：14-17.

[7]陈本华. 中子仪室内外标定曲线误差成因略析[J]. 仪器仪表与分析监测，2000(3)：56-60.

[8]Zheng J, Teng X, Liu J, et al. Convolutional neural networks for water content classification and prediction with ground penetrating radar[J]. IEEE Access, 2019, 185(7): 385-392.

[9]Stéphane Garambois, Pascale Sénéchal, Hervé Perroud. On the use of combined geophysical methods to assess water content and water conductivity of near-surface formations[J]. Journal of Hydrology, 2002, 259(1): 32-48.

[10]Bannawat L, Boonpoonga A, Akkaraekthalin P. Permittivity estimation of a shallow-layered medium using high-resolution ground-penetrating radar[J]. International Journal of Remote Sensing, 2020, 41(12): 4624-4641.

[11]Chantasen N, Boonpoonga A, Athikulwongse K, et al. Mapping the physical and dielectric properties of layered soil using short-time matrix pencil method-based ground-penetrating radar[J]. IEEE Access, 2020, 105(8): 610-621.

[12]吴志远，杜文凤，聂俊丽，等. 基于探地雷达早期信号振幅包络值的黏性土壤含水率探测[J]. 农业工程学报，2019，35(22)：115-121. Wu Zhiyuan, Du Wenfeng, Nie Junli, et al. Detection of cohesive soil water content based on early signal amplitude envelope of ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 115-121. (in Chinese with English abstract)

[13]Liu X B, Chen J, Cui X H, et al. Measurement of soil water content using ground-penetrating radar: A review of current methods(Review)[J]. International Journal of Digital Earth, 2019, 12(1): 95-118.

[14]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)

[15]宋文，张敏，吴克宁，等. 潮土区农田土体构型层次的探地雷达无损探测试验[J]. 农业工程学报，2018，34(16)：129-138. Song Wen, Zhang Min, Wu Kening et al. Test on nondestructive detection of farmland solum structure in fluvo-aquic soil area using ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 129-138. (in Chinese with English abstract)

[16]Ciampoli L B, Tosti F, Brancadoro M G, et al. A spectral analysis of ground-penetrating radar data for the assessment of the railway ballast geometric properties[J]. NDT and E International, 2017, 90: 39-47.

[17]Tosti F, Patriarca C, Slob E, et al. Clay content evaluation in soils through GPR signal processing[J]. Journal of Applied Geophysics, 2013, 97: 69-80.

[18]Tosti F, Luca B C, Alessandro C, et al. An investigation into the railway ballast dielectric properties using different GPR antennas and frequency systems[J]. NDT and E International, 2018, 93: 131-140.

[19]Anbazhagan P, Marco B, Rao R P, et al. Comparison of soil water content estimation equations using ground penetrating radar[J]. Journal of Hydrology, 2020, 588: 125039.

[20]张妍玮，张记龙. 巷道内粉尘对特高频电磁波传播特性的影响[J]. 煤炭学报，2009，34(11)：1554-1557. Zhang Yanwei, Zhang Jilong. Influence of mine dust on propagation characteristic of UHF electromagnetic wave in tunnel[J]. Journal of China Coal Society, 2009, 34(11): 1554-1557. (in Chinese with English abstract)

[21]Benedetto A. Water content evaluation in unsaturated soil using GPR signal analysis in the frequency domain[J]. Journal of Applied Geophysics, 2010, 71(1): 26-35.

[22]Benedetto A, Benedetto F. Remote sensing of soil moisture content by GPR signal processing in the frequency domain[J]. IEEE Sensors Journal, 2011, 11(10): 2432-2441.

[23]Mitchell J K. Fundamentals of Soil Behavior[M]. New York: John Wiley &Sons Inc, 1993.

[24]Dobson M C, Ulaby F T, Hallikainen M T, et al. Microwave dielectric behavior of wet soil-Part II: Dielectric mixing models[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985, 23(1): 35-46.

[25]Pettinelli E, Vannaroni G, Pasquo B D, et al. Correlation between near-surface electromagnetic soil parameters and early-time GPR signals: An experimental study[J]. Geophysics, 2007, 72(2): 25-28.

[26]Sarkar I, Fam A T. The interlaced chirp Z transform[J]. Signal Processing, 2006, 86(9): 2221-2232.

[27]Kaffanke J, Dierkes T, Romanzetti S, et al. Application of the chirp z-transform to MRI data[J]. Journal of Magnetic Resonance, 2006, 178(1): 121-128.

[28]Ma S H, Ma Q S, Liu X B. Applications of chirp Z transform and multiple modulation zoom spectrum to pulse phase thermography inspection[J]. NDT & E International, 2013, 54: 1-8.

[29]陈书恒，李猛，刘恒，等. 采用频谱细化的超声法在线测量滚动轴承保持架转速[J]. 西安交通大学学报，2020，54(7)：139-145. Chen Shuheng, Li Meng, Liu Heng, et al. On-line rotational speed measurement of rolling bearing cage based on ultrasonic measurement with spectrum refinement[J]. Journal of Xi'an Jiaotong University, 2020, 54(7): 139-145. (in Chinese with English abstract)

[30]王金满，郭凌俐，白中科，等. 基于CT分析露天煤矿复垦年限对土壤有效孔隙数量和孔隙度的影响[J]. 农业工程学报，2016，32(12)：229-236. Wang Jinman, Guo Lingli, Bai Zhongke, et al. Effects of land reclamation time on soil pore number and porosity based on computed tomography (CT) images in opencast coal mine dump[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 229-236. (in Chinese with English abstract)

[31]胡振琪，李玲，赵艳玲，等. 高潜水位平原区采煤塌陷地复垦土壤形态发育评价[J]. 农业工程学报，2013，29(5)：95-101. Hu Zhenqi, Li Ling, Zhao Yanling, et al. Morphology development evaluation of reclaimed soil in coal-mining subsidence areas with high groundwater levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 95-101. (in Chinese with English abstract)

[32]Wang P, Hu Z Q, Zhao Y L, et al. Experimental study of soil compaction effects on GPR signals[J]. Journal of Applied Geophysics, 2016, 126: 128-137.

[33]杨雨亭，尚松浩，李超. 土壤水分空间插值的克里金平滑效应修正方法[J]. 水科学进展，2010，21(2)：208-213. Yang Yuting, Shang Songhao, Li Chao. Correcting the smoothing effect of ordinary Kriging estimates in soil moisture interpolation[J]. Advances in Water Science, 2010, 21(2): 208-213. (in Chinese with English abstract)

[34]罗古拜. 基于探地雷达的矿区重构土壤典型物理性质探测[D]. 北京：中国地质大学(北京)，2020. Luo Gubai. Detection of Typical Physical Properties of Reconstructed Soil in mining Area Based on ground Penetrating Radar[D]. Beijing: China University of Geosciences (Beijing), 2020. (in Chinese with English abstract)

[35]王萍. 探地雷达检测土壤紧实性的实验研究和信号反演[D]. 北京：中国矿业大学(北京)，2010. Wang Ping. The Experimental Study and Signal Inversion of ground Penetrating Radar for Soil Compaction Detection[D]. Beijing: China University of Mining &Technology (Beijing), 2010. (in Chinese with English abstract)

[36]Wu Z Y, Xia T X, Nie J L, et al. The shallow strata structure and soil water content in a coal mining subsidence area detected by GPR and borehole data[J]. Environmental Earth Sciences, 2020, 79(22): 500-513.

Inversion of reclaimed soil moisture based on spectrum analysis of ground penetrating radar

Cheng Qi1, Ye Huichun2, Dong Xianglin3, Cui Hongbiao4, Yi Qitao5, Xu Yunfei1, Sun Liying1, Zhang Shiwen4※

(1.,,232001,; 2.100094,; 3.(),235001,; 4.,232001,; 5.,264010,)

Precise irrigation has been a highly urgent need to realize a quick, accurate, and non-destructive acquisition for the distribution of moisture content in reclaimed soil, particularly in coal mining subsidence areas. Consequently, traditional measurement can be replaced with Ground-Penetrating Radar (GPR), a new type of near-earth microwave remote sensing with large-scale continuous detection, fast, non-destructive, and low-cost. GPR has also been widely used in the detection of water content in soil. However, GPR is rarely used in the detection of water content in reclaimed soil, due to the complex composition of reclaimed soil and the fast attenuation of electromagnetic waves in cohesive soil. Fortunately, spectrum analysis can convert the radar data (signal change) from the time domain to the frequency domain. Energy distribution of signal frequency can be used to alleviate a large wave speed error under different media. In this study, the soil of a subsided reclamation area in Huaibei City, Anhui Province of China was taken as the research object. A control group was set up in the surrounding normal areas. The Chirp-Z-transform (CZT) was used to find the characteristic frequency. Rayleigh scattering was selected to analyze the characteristic spectrum response of radar signals under volumetric water content in soil. Various regressions were used to establish inversion models of water cut. The results showed that the frequency of peak (FP) using the Rayleigh scattering had an excellent correlation with the volumetric water content of reclaimed soil, where the correlation coefficient reached 0.90, indicating that the radar signal FP was feasible to invert the soil volumetric water content of the reclaimed area. Moreover, the CZT effectively identified the characteristic frequency in a higher resolution without changing the original frequency spectrum. The correlation coefficient between FP and soil moisture content was improved from 0.77 to 0.93, compared with the fast Fourier transform (FFT). In addition, the spectrum of radar signal in the reclaimed area demonstrated a greater drift than that in the non-reclaimed area under the same change of water content. The bulk density was also one of the factors that affect the radar signal. The highest accuracy was achieved in the exponential regression, where the verification precisions were2=0.84, and RMSE=1.97%, showing that the frequency spectrum analysis was an effective way to invert the moisture content of cultivated soil. When large construction equipment was used to compact the reconstructed soil, there will be a larger influence on the distribution of soil moisture content and the fertility of reclaimed soil. The findings can provide an insightful theoretical basis and technical support for rapidly monitoring the soil quality and precision irrigation in reclaimed areas.

soils; water content; GPR; land reclamation; spectrum analysis; CZT

程琦，叶回春，董祥林，等. 采用探地雷达频谱分析的复垦土壤含水率反演[J]. 农业工程学报，2021，37(6)：108-116.doi：10.11975/j.issn.1002-6819.2021.06.014 http://www.tcsae.org

Cheng Qi, Ye Huichun, Dong Xianglin, et al. Inversion of reclaimed soil moisture based on spectrum analysis of ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 108-116. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.014 http://www.tcsae.org

2020-12-23

2021-03-10

安徽省自然资源科技项目（2020-K-8）；国家重点研发计划项目（2020YFC1908601）；淮北矿业集团科技研发项目（No.2020-113）；安徽理工大学研究生创新基金（2020CX2094）

程琦，研究方向为近地微波遥感定量反演。Email：18605595396@163.com

张世文，博士，教授，研究方向为土壤定量化。Email：mamin1190@126.com

10.11975/j.issn.1002-6819.2021.06.014

S152.7

A

1002-6819(2021)-06-0108-09