基于高光谱成像技术的土壤水分机理研究及模型建立

吴龙国， 王松磊,2， 何建国,2*， KAZUHIRO Nakano

(1. 宁夏大学 土木水利工程学院， 宁夏 银川 750021; 2. 宁夏大学 农学院， 宁夏 银川 750021; 3. Graduate School of Science and Technology in Niigata University, Niigata 950-2181, Japan)

基于高光谱成像技术的土壤水分机理研究及模型建立

吴龙国1， 王松磊1,2， 何建国1,2*， KAZUHIRO Nakano3

(1. 宁夏大学 土木水利工程学院， 宁夏 银川 750021; 2. 宁夏大学 农学院， 宁夏 银川 750021; 3. Graduate School of Science and Technology in Niigata University, Niigata 950-2181, Japan)

为了研究宁夏地区土壤的水分迁移机理以及对土壤水分快速无损检测，利用高光谱成像(光谱范围900～1 700 nm)技术对土壤的含水率进行了研究。通过高光谱成像系统采集了208个土样，比较了不同天数下土壤含水率与光谱的变化、不同质量含水量光谱的差异。对采集到的土样进行PLSR模型建立，对比分析不同光谱预处理方法、不同方法提取特征波长(UVE、CARS、β系数、SPA)、不同建模方法(MLR、PCR、PLSR)建立的模型，优选出最佳模型。结果表明：在一定的土壤含水量范围内，光谱曲线的反射率与土壤含水率成反比；当增大到超过田间持水率时，光谱曲线的反射率与土壤含水率成正比。对比分析了不同预处理方法，优选出单位向量归一化预处理方法。对比不同的模型，优选出SPA提取的特征波长的MLR模型。最优的特征波长为987，1 386，1 466，1 568，1 636，1 645 nm，最优模型的预测相关系数Rp=0.984，预测均方根误差RMSEP为0.631。因此，今后可采用不同波段对土壤含水率进行定量分析。

高光谱成像； 土壤； 水分含量； 无损检测

Abstract: By using the near-infrared(spectral range of 900-1 700 nm) hyperspectral imaging technique, the soil moisture movement mechanism and non-destructive determination of the moisture content of soil in Ningxia Hui Autonomous Region were studied. A total of 208 soil samples were collected by hyperspectral imaging system. The differences among soil water content, spectral changes, and spectra of different water contents were compared. The best model was chosen by different spectral pretreatment manners, different extraction manners of the characteristic wavelengths(UVE, CARS,βcoefficient, SPA), and different building model manners(MLR, PCR, PLSR). The results show that the changes of spectra are inversely proportional to the changes of soil water content within the moisture limits. When the moisture content of soil is beyond the field water holding capacity, the changes of spectra are directly proportional to the changes of soil water content. The unit vector normalized preprocessing method is optimized. The best model is MLR method based on the characteristic wavelength of SPA extraction. The optimal characteristic wavelengths are 987, 1 386, 1 466, 1 568, 1 636, 1 645 nm, and the value of optimal correlation coefficient and RMSE are 0.984 and 0.631, respectively. Therefore, the soil moisture content can be quantitatively analyzed using different wavelengths.

Keywords: hyperspectral imaging; soil; moisture content; non-destruction

1 引 言

水资源的短缺、供需矛盾的尖锐、农业用水浪费严重以及水污染等突出问题，已成为制约我国经济可持续发展的重要因素之一。据统计，我国多年平均水资源总量为2.8万亿立方米，位列世界第6位[1-2]。宁夏回族自治区地处我国西部的黄河上游，属于典型的大陆性半湿润、半干旱气候，具有冬季寒冷漫长、夏季炎热周期短、降雨降雪量较少、气候比较干燥、南寒北暖等特点。水已成为宁夏经济社会发展和生态环境演变的关键因素[3]。

随着我国经济、文化、科技水平的快速发展，在农业发展进程中，人们提出了精准农业的设想，以达到降低投入、增加作物产量、减少环境污染等目的[4]。土壤的水分含量是农作物生长发育的基本条件和产量预报模型中的重要参量，其含量的多少直接对作物的生长产生影响，并且对农田局部气候以及土壤特性等也具有一定的影响[5]。在土壤-植物-大气(Soil-plant-atmosphere continuum，SPAC)循环系统中，水分作为其中的传递物质，连接着大气与土壤。水分作为天然土壤的重要组成部分之一，表层含水量的测定对农业生产的指导作用极大。尤其是在我国的西北干旱和半干旱地区，农民习惯了漫灌的方式对农田进行灌溉，同时可以达到淋洗盐分的作用[6]。然而，漫灌的形式对水资源的浪费比较严重且灌溉效率低。长期进行这种灌溉方式，使得农田容易产生次生盐渍化现象[7]，对后期作物生长影响严重。因此，对于农业生产管理方面来说，土壤表层土壤含水量的监测对于制定合理的灌溉方案、减少土壤次生盐渍化现象的发生具有十分重要的实际意义。

传统的土壤水分含量检测方法通过野外定点调查方式，不仅耗时耗力而且对土壤的破坏性强，测点少，代表性差，从而无法实现快速、精准、动态获取大面积土壤水分的实时动态监测。目前，土壤含水率是通过物理的方式利用水分子的特性进行定量检测，主要有微波监测[8-11]、热红外监测[12]、光学监测[13-17]等。由于不同监测方法反演土壤含水率的原理不同，土壤含水率的反演效果也有很大差异。

高光谱成像是新一代的光谱检测技术，通过机载或星载的遥感技术，获取的遥感数据有AVIRIS、Hymap、Hyperion[18-20]等。张婷婷[21]、吴见等[22]通过Hyperion技术对土壤信息进行了研究。国内外学者利用高光谱成像技术对土壤中水分含量做了大量研究[23-28]，结果发现水分的变化对土壤光谱有着强烈的影响。正是由于这个原理，土壤反射光谱特性[29-32]使得定量反演不同程度的盐渍化土壤的含水率受到了限制。上述研究均体现了应用高光谱成像技术对土壤的含水率信息的获取与预测具有实际的可行性，并对不同含水量土壤与光谱之间存在的关系进行了研究，取得了较好的结果，为本文土壤水分监测提供了方法指导与技术支持。因此，本文开展土壤水分动态定量检测的研究，对田间水肥管理的可持续发展、加强水资源的集约管理、提高水分利用效率的科学管理具有重要的现实意义和指导作用。

2 实验材料与方法

2.1 实验区概况

实验的研究区域为银川市周边地区。银川的地理位置优越，主要由山地和平原组成，呈现西高东低、南高北低的地形。年降水量平均为200 mm，属典型的大陆性半湿润半干旱气候，土地总面积达9 491.0平方公里。可耕作土壤的土质适中，土壤肥沃，适于发展农业生产和多种经济作物生长。

2.2 仪器

北京卓立汉光仪器有限公司的HyperSIS-NIR高光谱成像系统(900～1 700 nm，光谱分辨率5 nm，256个波段)由高光谱成像光谱仪(Imspector N17E, Spectral Imaging Ltd., Oulu, Finland)、CCD相机(Zelos-285GV，Kappa optronics GmbH, Gleichen, Germany)、4个35 W卤钨灯(HSIA-LS-TDIF, Zolix instruments Co.,Ltd., Beijing,China)、电控位移平台(PSA200-11-X, Zolix Instruments Co.,Ltd., Beijing, China)、计算机 (Lenovo Inter(R) Core i7-2600CPU@3.40 GHz, RAM 4.00G)和数据采集软件(ENVI4.7, Zolix Instruments Co., Ltd., Beijing, China) 5部分组成(见图1)。其他仪器还有WY 105W水分测定仪(上海婉源电子科技有限公司)和JA3102电子天平(上海海康电子仪器厂)。

图1 高光谱成像系统

2.3 高光谱成像的采集

经过预实验确定最佳的图像采集的参数如下：光源的稳流设置为6 A,物距为385 mm，输送装置的步距为14 mm/s，成像光谱仪的曝光时间为10 ms。在采样之前，为减弱成像光谱仪暗电流和室内照明对图像的影响，需对仪器进行黑白校正[33]，公式如下：

(1)

式中：RO是样本原始的漫反射光谱图像，W是白板的漫反射图像，D是暗图像，R是校正后的漫反射光谱图像。

在实验过程中，每组取5个土壤样本，标号,按照一定的顺序摆放在载物台上，关闭暗箱门，连接位移平台控制电机，开始扫描，获取所有样本的高光谱图像数据。图像数据处理之前，采用系统自带的Envi 4.7软件分割高光谱图像，得到208个土壤样本的单个图像。

2.4 分析方法

2.4.1 样本含水量计算方法

采用重量含水率对土壤样品进行研究，重量含水量表示待测土壤中水分的质量与烘干后土壤的比值，量纲为一。先在测试点对土样进行采集，并将土壤样品装入铝盒中，用直尺刮平，然后进行高光谱图像扫描。扫描结束后立即使用卤素快速水分仪测量。从铝盒中称取10 g左右的表层土壤放入卤素快速水分分析仪中，设置温度为110 ℃，仪器自动烘干到样品恒重，记录数据。采用重量含水量公式计算土壤含水率(η)。计算公式如下:

(2)

式中，m1为土样质量，单位为g；m2为烘干后土样质量，单位为g。

2.4.2 数据分析方法

(1)特征波长提取

特征波长提取也叫数据降维，是指通过线性或非线性映射方法将高维数据投影到低维数据空间，在保留或者增强原始信息的前提下尽可能多地去除大量的冗余信息，从而找到能够表征高维数据空间的低维分量的过程。常见的有主成分分析、连续投影算法(SPA)[34]、竞争自适应法、无信息变量选择等方法。

(2)模型建立方法

定量模型指的是将光谱信息与被测样本的化学指标建立联系，往往通过化学计量学的方法进行实现。常用的定量化学计量学方法有多元线性回归、主成分回归、偏最小二乘回归等。

2.4.3 模型构建与评价

为准确评价模型精度与稳定性并保证样本之间的含水量间隔，预先将208个样本分为校正集与预测集两部分，选择3/4样本作为建模集，1/4样本作为预测集。以土壤的反射率和含水量作为输入量，采用多元线性回归法、主成分回归法、偏最小二乘法等方法建立土壤含水率高光谱预测模型。模型精度由相关系数(R)和均方根误差(RMSE)进行综合评价，模型的相关系数(R)越大，模型越稳定；RMSE越小，模型预测能力越好。

3 结果与讨论

3.1 不同天数土壤含水率与光谱变化

为了得到具有一定梯度的土壤含水率样本，通过人工配制11组土壤初始含水率为30%的样本进行平行实验。选取11个已称重的250 mL烧杯，在其中添加风干后的土样100 g，其中1个为对照组，未做处理，其余10组进行加水处理。加水量根据田间持水率为30%进行计算，加蒸馏水30 mL后称重，记录数据。整个实验过程均在实验室内进行，使其测试条件统一。为了使烧杯中的土壤充分接触水分，静置2 h后进行高光谱图像采集，作为第1天的数据。依次类推，测定第1、2、3、4、5、12天样本的含水量变化情况与高光谱成像光谱，结果如图2、图3所示。

图2 不同天数的土壤含水率变化曲线图

由图2可知，随着时间的延长，土壤含水率逐步减少，直至达到风干土壤的含水率。第1天土壤的含水量下降速率比其他天数大，主要原因是从第1天到第2天，土壤含水率主要为自由水，水分蒸发主要从土壤表层直接进入大气，不存在水分运移情况。而从第2天到第5天，土壤水分蒸发主要从深层土壤到表层土壤，然后才进入大气。

图3 同天数的土壤光谱曲线(900～1 700 nm)

由传质理论可知，空气与表层土壤之间存在一个气膜，具有一定的阻力，这在传质过程中不可忽略。因此，该阶段的水分蒸发速率较慢，平均以2.6%/天下降。从第5天到12天，土壤水分从17.7%下降到0.3%。

由图3可知：在900～1 700 nm波段，不同天数土壤光谱曲线差异明显，造成这一现象的主要原因是水分吸收的作用。第1～5天的土壤样本光谱曲线比较相似，主要是因为第1～5天的土壤含水率变化较小。光谱在1 424 nm处有显著的吸收峰，主要是由于1 446 nm附近为水分子的OH—基团的二倍频吸收。第12天与对照组则因含水量较低，光谱未能显示出水分吸收。在1 500 nm附近有较强的反射峰，主要是由于土壤的固有特性所致，并且含水量低的土壤具有较高的波峰。

3.2 不同质量含水量光谱

为了得到一定梯度的土壤含水率样本，分别称取30 g风干土装满在干燥的铝盒中。按照1，2，3，4，5，6，7，8，9，10，11，12，13，14 mL的注水梯度，配比了3%、6%、10%、13%、16%、20%、23%、26%、30%、33%、37%、40%、43%、46%的土壤含水率样本进行实验。为了避免偶然性，每个加水梯度设置为2个平行样本，共计28个样本。每天进行定期扫描土样和称重。结果如图4所示。

由图4可知：随着土壤含水率的增加，不同含水率土壤的光谱反射率呈现先减小后增大的规律。在900～1 000 nm与1 200 nm之后波段，14种含水量土壤的光谱反射率差异显著；37%的含水量土壤具有较低的土壤反射率，可认为该土质的田间持水率为37%。3%、6%、10% 的低含水量土壤与37%、40%、43%、46%的高含水量土壤光谱曲线差异较大，这也为土壤含水率光谱定性建模提供了理论依据。

图4 不同含水量土壤的高光谱曲线(900～1 700 nm)

Fig.4 Spectra for different soil moiture content (900-1 700 nm)

3.3 光谱曲线提取与分析

为了建立快速检测土壤水分含量的预测模型，分别采集不同区域的干土与壤土，选择不同采样点进行原状土采集，共采集土样208个，利用不同波段的高光谱成像系统对干土与壤土土样进行扫描并测其含水率。图5为干土与壤土原状土的平均光谱图，图6为干土与壤土原状土光谱图。表1为208个样本的含水量实测值，按照土壤含水率的高低进行排序，通过Envi软件对原始样本间隔选取校正集与预测集。选择3/4样本作为校正集，1/4样本作为预测集，并保证预测集在校正集范围内。

表1 土样含水量测定值

图5 干土与壤土原状土平均光谱图

由表1可知：预测集的最大值与最小值都在校正集的范围之内，并且二者平均值都是5.98%，方差也特别接近。

图6 干土与壤土全部样本光谱曲线

由图5可知：不同波段下的干土与壤土的反射光谱差异显著，这也与魏娜[23]得出的结论相一致。由图6可知：在900～1 700 nm波段，原始光谱曲线两端噪音干扰较大，并存在基线漂移的现象，因此需要对光谱数据进行预处理。

3.4 谱预处理建模

由于获得的土壤光谱曲线是一个复合光谱，从表2可以看出，原始光谱与不同预处理光谱的PLSR模型差异显著。对比分析原始光谱与22种预处理光谱的PLSR模型，综合主成分数、校正以及预测相关系数和均方根误差因素，单位向量归一化方法成为优选出的光谱处理方法。

表2 不同预处理光谱的PLSR模型

表2(续)

3.5 特征波长提取

为了降低数据的冗余，需对高光谱数据特征波长提取。利用Unscrambler 10.4软件对900～1 700 nm单位向量归一化预处理光谱建立PLSR模型，选择第四主成分为最优主成分数，在β系数图上基于局部绝对值最大的原则，提取了6个特征波长(1 029，1 258，1 419，1 446，1 625，1 652 nm)。

利用Matlab2014a软件进行编程，采用UVE法提取特征波长。在选择m_max=10时，获得最大的t-value值，模型拟合效果最佳，选取了118个特征波段数。在此基础上进一步进行SPA，选择m_max=11时，获得最小的RMSECV值为0.623 42，模型拟合效果最佳，选取了11个特征波段数。

采用CARS法提取特征波长，最大主成分数A=15，交互验证分组数fold=156，数据方法 method=“center”。在筛选中，蒙特卡洛采样次数设定为200次。在选择主成分数为12时，获得最小的RMSECV值为1.955 8，模型拟合效果最佳，选取了32个特征波段数。在此基础上进一步进行SPA，选择m_max=11时，获得最小的RMSECV值为0.561 5，模型拟合效果最佳，选取了11个特征波段数。

采用SPA法提取特征波长，在选择m_max=6时，获得最小的RMSECV值为0.780 3，模型拟合效果最佳，选取了6个特征波段数。结果如图7所示。

图7 不同特征波长提取方法

3.6 不同建模效果对比分析

为了优选最佳模型，选用MLR、PCR、PLSR方法分别对提取的特征波长进行模型对比，结果如表3所示。

由表3可知：(1)在MLR模型中，与UVE、CARS、β系数方法提取特征波长所建立的模型相比，SPA提取的特征波长所建立的模型具有高相关性、低均方根误差的优点；(2)在PCR模型中，与其他5种特征波长建立的PCR模型相比，SPA提取特征波段所建立的PCR模型具有较高的R值和较低的均方根误差；(3)在PLSR模型中，与其他6种特征波长建立的PLSR模型相比，SPA提取的特征波长所建立的PLSR模型具有较高的RC、RCV和Rp，较低的RMSEC、RMSECV和RMSEP，且与全波段建立的PLSR模型差异较小；(4)对比MLR、PCR、PLSR模型，同类型特征波长建立的MLR模型优于其他两种模型。

表3 不同提取特征波长的模型对比分析

综上所述，对比不同的预处理方法优选出SPA提取的特征波长的MLR模型，最优的特征波长为987，1 386，1 466，1 568，1 636，1 645 nm，最优模型的预测相关系数Rp=0.984，预测均方根误差RMSEP为0.631。

4 结 论

本文利用NIR高光谱成像仪(光谱范围900～1 700 nm)对土壤含水率进行了无损检测，比较了不同天数下土壤含水率与光谱变化、不同深度土壤样品的光谱测定、不同质量含水量光谱的差异。在此基础上，对采集到的土样进行模型建立，对比分析了平滑、高斯滤波、中值滤波、卷积平滑、矢量归一化、标准正态化(SNV)、多元散射校正(MSC)以及导数的光谱预处理方法、β系数法、UVE、CARS、SPA方法提取特征波长、采用MLR、PCR与PLSR等方法、不同光谱范围的建模效果、特征波长与全波段建模的效果，优选出最佳模型。结果表明：光谱曲线的反射率随着土壤含水率的增加而减小，当增大到超过田间持水率时，光谱曲线的反射率会随着土壤含水率的增加而增大。对比分析了不同预处理方法，优选出单位向量归一化预处理方法。对预处理后波段进行特征波长提取，UVE、CARS、β系数、SPA方法提取特征波长数为118，45，6，6。为了减少数据冗余，对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取，UVE+SPA、CARS+SPA提取特征波长数分别为11，11个。

在此基础上，利用MLR、PCR、PLSR方法对900～1 700 nm范围的特征波长建立模型。对比分析不同建模效果，优选出SPA提取的特征波长的MLR模型最优的特征波长为987，1 386，1 466，1 568，1 636，1 645 nm，最优模型的预测相关系数Rp=0.984，预测均方根误差RMSEP为0.631。因此，今后可采用不同波段对土壤含水率进行定量分析。

[1] 张婷华. 土壤水分胁迫对温室番茄蒸腾的影响及模拟研究 [D]. 南京：南京信息工程大学， 2014. ZHANG T H.TheResearchofEffectsandSimulationofSoilWaterStressonTranspirationofTomatoinGreenhouse[D]. Nanjing: Nanjing Institute of Information Engineering, 2014. (in Chinese)

[2] 邱让建. 温室环境下土壤-植物系统水热动态与模拟 [D]. 北京：中国农业大学， 2014. QIU R J.WaterandHeatDynamicsandSimulationinSoil-PlantSysteminGreenhouse[D]. Beijing: China Agricultural University, 2014. (in Chinese)

[3] 冯绍元， 陈绍军， 霍再林， 等. 我国水资源承载力研究现状及展望 [J]. 东华理工学院学报， 2006, 29(4):301-306. FENG S Y, CHEN S J, HUO Z L,etal.. Review on the present situation and future prospect of water resource carrying capacity in China [J].J.EastChinaInst.Technol., 2006, 29(4):301-306. (in Chinese)

[4] 吴进. 精准农业模式研究 [D]. 武汉：华中师范大学，2007. WU J.AStudyonThePrecisionAgricultureMode[D]. Wuhan: Huazhong Normal University, 2007. (in Chinese)

[5] 陈怀亮， 冯定原， 邹春辉, 等. 用遥感资料估算深层土壤水分的方法和模型 [J]. 应用气象学报， 1999, 10(2):232-237. CHEN H L, FENG D Y, ZOU C H,etal.. The monitoring method and model of deep soil layer moistures by remotely sensed data [J].J.Appl.Meteorol., 1999, 10(2):232-237. (in Chinese)

[6] ZENG W Z, XU C, WU J W,etal.. Soil salt leaching under different irrigation regimes: HYDRUS-1D modelling and analysis [J].J.AridLand, 2014, 6(1):44-58.

[7] ZARABI M, JALALI I M. Leaching of nitrogen from calcareous soils in western Iran: a soil leaching column study [J].Environment.Monit.Assessm., 2012, 184(12):7607-7622.

[8] ROGER D, DE R, YANG D. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion [J].IEEETrans.Geosci.RemoteSens., 2001, 39(4):864- 872.

[9] 鲍艳松，刘良云，王纪华. 综合利用光学、微波遥感数据反演土壤湿度研究 [J]. 北京师范大学学报(自然科学版)，2007, 43(3):228-233. BAO Y S, LIU L Y, WANG J H. Soil moisture estimation based on optical and microwave remote sensing data [J].J.BeijingNorm.Univ. (Nat.Sci.), 2007, 43(3):228-233. (in Chinese)

[10] NJOKU E G, LI L. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz [J].IEEETrans.Geosci.RemoteSens., 1999, 37(1):79-93.

[11] 乔平林， 张继贤， 王翠华. 基于星载被动微波遥感的地表土壤湿度反演 [J]. 辽宁工程技术大学学报， 2006, 25(3):342-344. QIAO P L, ZHANG J X, WANG C H. Soil moisture retrieving by passive microwave remote sensing data [J].J.LiaoningTech.Univ., 2006, 25(3):342-344. (in Chinese)

[12] 吴黎， 张有智， 解文欢， 等. 改进的表观热惯量法反演土壤含水量 [J]. 国土资源遥感， 2013, 25(1):44-49. WU L, ZHANG Y Z, XIE W H,etal.. The inversion of soil water content by the improved apparent thermal inertia [J].RemoteSens.LandResources, 2013, 25(1):44-49. (in Chinese)

[13] 张春桂， 李文. 福建省干旱灾害卫星遥感监测应用研究 [J]. 气象， 2004, 30(3):22-24. ZHANG C G, LI W. Study on remote sensing monitoring application of drought disaster in Fujian province [J].Meteorological, 2004, 30(3):22-24. (in Chinese)

[14] 姚春生， 张增祥， 汪潇. 使用温度植被干旱指数法(TVDI)反演新疆土壤湿度 [J]. 遥感技术与应用， 2004, 19(6):473-478. YAO C S, ZHANG Z X, WANG X. Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index (TVDI) [J].RemoteSens.Technol.Appl., 2004, 19(6):473-478. (in Chinese)

[15] 隋洪智， 田国良， 李付琴. 农田蒸散双层模型及其在干旱遥感监测中的应用 [J]. 遥感学报， 1997, 1(3):220-224. SUI H Z, TIAN G L, LI F Q. Two-layer model for monitoring drought using remote sensing [J].J.RemoteSens., 1997, 1(3):220-224. (in Chinese)

[16] WANG C K, PAN X Z, WANG M,etal.. Prediction of soil organic matter content under moist conditions using Vis-NIR diffuse reflectance spectroscopy [J].SoilSci., 2013, 178(4):189-193.

[17] MINASNY B, MCBRATNEY A B, BELLON-MAUREL V,etal.. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon [J].Geoderma, 2011, 167-168:118-124.

[18] GALVAO L S, FORMAGGIO A R, COUTO E G,etal.. Relationships between the mineralogical and chemical composition of tropical soils and topography from hyperspectral remote sensing data [J].ISPRSJ.Photogram.RemoteSens., 2008, 63(2):259-271.

[19] SELIGE T, BHNER J, SCHMIDHALTER U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures [J].Geoderma, 2006, 136(1/2):235-244.

[20] GOMEZ C, ROSSEL R A V, MBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field Vis-NIR spectroscopy: an Australian case study [J].Geoderma, 2008, 146(3/4):403- 411.

[21] 张婷婷. 基于PLS模型的农业土壤成分高光谱遥感反演研究 [D]. 长春:吉林大学， 2010. ZHANG T T.PartialLeastSquaresModelingofHyperspectralRemoteSensingforMappingAgriculturalSoilProperties[D]. Changchun: Jilin University, 2010. (in Chinese)

[22] 吴见， 刘民士， 李伟涛. 基于高光谱影像分解的土壤含水量反演技术 [J]. 水土保持通报， 2013(5):156-160. WU J, LIU M S, LI W T. Inversion technology of soil water content based on hyperspectral imaging unmixing [J].Bull.SoilWaterConserv., 2013(5):156-160. (in Chinese)

[23] 魏娜. 土壤含水量高光谱遥感监测方法研究 [D]. 北京:中国农业科学院， 2009. WEI N.TheStudyofApplyingHyper-spectralRemoteSensingTechnologyinSoilMoistureMonitoring[D]. Beijing: Chinese Academy of Agricultural Sciences, 2009. (in Chinese)

[24] 司海青， 姚艳敏， 王德营， 等. 含水率对土壤有机质含量高光谱估算的影响 [J]. 农业工程学报， 2015, 31(9):114-120. SI H Q, YAO Y M, WANG D Y,etal.. Hyperspectral prediction of soil organic matter contents under different soil moisture contents [J].Trans.Chin.Soc.Agric.Eng., 2015, 31(9):114-120. (in Chinese)

[25] LOBELL D B, ASNER G P. Moisture effects on soil reflectance [J].SoilSci.Soc.Am.J., 2002, 66(3):722-727.

[26] 刘伟东， BARET F， 张兵， 等. 高光谱遥感土壤湿度信息提取研究 [J]. 土壤学报， 2004, 41(5):700-706. LIU W D, BARET F, ZHANG B,etal.. Extraction of soil moisture information by hyperspectral remote sensing [J].ActaPedolog.Sinica, 2004, 41(5):700-706. (in Chinese)

[27] 刘娅， 潘贤章， 王昌昆， 等. 土壤湿润条件下基于光谱对称度的盐渍土盐分含量预测 [J]. 光谱学与光谱分析， 2013, 10:2771-2776. LIU Y, PAN X Z, WANG C K,etal.. Predicting soil salinity based on spectral symmetry under wet soil condition [J].Spectrosc.Spect.Anal., 2013, 10:2771-2776. (in Chinese)

[28] YIN Z, LEI T, YAN Q H,etal.. A near-infrared reflectance sensor for soil surface moisture measurement [J].Comput.Electron.Agric., 2013,99:101-107.

[29] STENBERG B. Effects of soil sample pretreatments and standardised rewetting as interacted with sand classes on Vis-NIR predictions of clay and soil organic carbon [J].Geoderma, 2010, 158(1/2):15-22.

[30] CECILE G, PHILIPPE L, GUILLAUME C. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data [J].Geoderma, 2012, 189-190:176-185.

[31] LIU F, ROSSITER D G, SONG X D,etal.. A similarity-based method for three-dimensional prediction of soil organic matter concentration [J].Geoderma, 2015, 263(1):254-263.

[32] LIU S L, AN N N, YANG J J,etal.. Prediction of soil organic matter variability associated with different land use types in mountainous landscape in southwestern Yunnan province, China [J].Catena, 2015, 133(10):137-144.

[33] 吴龙国， 何建国， 刘贵珊, 等. 基于近红外高光谱成像技术的长枣含水量无损检测 [J]. 光电子·激光， 2014,25(1):135-140. WU L G, HE J G, LIU G S,etal.. Non-destructive determination of moisture in jujubes based on near-infrared hyperspectral imaging technique [J].J.Optoelctron.·Laser, 2014, 25(1):135-140. (in Chinese)

[34] 冯迪， 纪建伟， 张莉, 等. 基于高光谱成像提取苹果糖度与硬度最佳波长 [J]. 发光学报， 2017, 38(6):799-806. FENG D, JI J W, ZHANG L,etal.. Optimal wavelengths extraction of apple brix and firmness based on hyperspectral imaging [J].Chin.J.Lumin., 2017, 38(6):799-806. (in Chinese)

吴龙国(1988-)，男，陕西咸阳人，博士研究生，2014年于宁夏大学获得硕士学位，主要从事农产品无损检测、土壤农田水利等方面的研究。

E-mail： 1046156215@qq.com何建国(1960-)，男，山东济南人，硕士，教授，1988 年于北京航空航天大学获得硕士学位,主要从事农业工程装备及机电一体化技术、农产品无损检测方面的研究。

E-mail： hejg@nxu.edu.cn

SoilMoistureMechanismandEstablishmentofModelBasedonHyperspectralImagingTechnique

WU Long-guo1, WANG Song-lei1,2, HE Jian-guo1,2*, KAZUHIRO Nakano3

(1.InstituteofCivilandHydraulicEngineering,NingxiaUniversity,Yinchuan750021,China; 2.SchoolofAgriculture,NingxiaUniversity,Yinchuan750021,China; 3.GraduateSchoolofScienceandTechnologyinNiigataUniversity,Niigata950-2181,Japan)

*CorrespondingAuthor,E-mail:hejg@nxu.edu.cn

TP93

A

10.3788/fgxb20173810.1366

2017-06-12；

2017-07-06

国家自然科学基金(31560481，31060233)； 2011年度宁夏回族自治区科技攻关计划(2011HZF05J01)； 国家科技支撑计划(2012BAF07B06)资助项目 Supported by National Natural Science Foundation of China (31560481,31060233); Science and Technology Research Plan of Ningxia Hui Autonomous Region(2011HZF05J01); National Science and Technology Support Program(2012BAF07B06)

1000-7032(2017)10-1366-11