农田不同粒级土壤含水量光谱特征及定量预测

卢艳丽，白由路，王磊，杨俐苹



农田不同粒级土壤含水量光谱特征及定量预测

卢艳丽，白由路，王磊，杨俐苹

（中国农业科学院农业资源与农业区划研究所，北京 100081）

【目的】土壤含水量是土壤属性的关键参数。摸清不同机械组成条件下土壤水分的光谱变化并实现土壤含水量的定量预测，为农田水分的快速监测及土壤其他属性的定量获取提供依据。【方法】通过人为控制获得不同粒级和不同含水量的土壤样品，确定室内土壤光谱测定的几何条件，采集不同土样的光谱特征并进行比较，按粒径等级利用最小二乘法（PLSR）建立农田土壤含水量的光谱定量预测模型。【结果】土壤光谱反射率总体趋势是随含水量增加而降低，其差异随着波长的增加和含水量的降低而增加，在1 400 nm和1 900 nm的水分敏感波段随含水量增加光谱吸收深度也增加。但当含水量大于40%时，通过孔径为0.15 mm筛子的土壤样品（处理D-1），在350—1 240 nm光谱反射率随含水量增加而升高，而1 240 nm以后随含水量增加而降低。相对于将所有样本数据混合建立模型，分粒级建立的模型在细颗粒土壤中预测效果得到了明显改善，并且样品越细模型在预测效果和稳定性也越好：最优模型均方根误差=4.13%，决定系数2=0.90。同时，数据归一化处理后所建立的模型在一定程度上降低了噪声的影响，从而在预测效果和稳定性上也有所改善。【结论】土壤光谱随含水量的变化而变化，但并不都表现随含水量增加光谱反射率降低的特点，当含水量大于40%时，细颗粒土壤样本表现为在350—1 240 nm波段光谱反射率随含水量增加而升高；土壤含水量预测模型的精度和稳定性随着土壤粒径变小、样本量增大以及光谱数据归一化预处理而得到改善。

光谱；土壤含水量；粒径；模型

0 引言

【研究意义】在作物光谱监测技术逐步成熟的同时，高光谱技术对土壤属性的快速监测也越来越受到关注。土壤含水量作为表征一定土层深度下土壤干湿程度的物理量，是土壤属性的关键参数。农田含水量的及时准确获取对于土壤属性估测和作物生长监测都具有实际意义。【前人研究进展】传统土壤含水量的测定方法最常用是烘干称重法，此外还有张力计法、中子仪法、电阻法等，以上方法都存在测定较费时、费力，并且难以实现快速或实时土壤含水量的监测。利用光谱技术来监测和定量预测土壤含水量则可以解决这些问题。土壤在1 400 nm和1 900 nm波段附近有明显的吸收峰，在970、1 200和1 770 nm处有弱的吸收峰，它们都是土壤水分子振动的倍频或合频引起的[1]。早在二十世纪八九十年代就有学者提出土壤光谱反射率的变化是由于土壤颗粒四周水膜内部反射引起的，反射光谱随含水量增加而降低，可以据此来测定土壤含水量及土壤吸附水的能量状态[2-3]。随后的研究进一步肯定了这个结论，特别是在水的各光谱吸收带处尤为明显[4-6]。有研究表明，随着土壤含水量的增加，无论在哪个波长土壤的反射率均会降低，而且其差异随波长的增加而加大[7-9]。SANTRA等[10]、HUMMEL等[11]研究了在实验室内不同含水量状况下土壤反射光谱的变化规律，并进行了土壤水分预测。由于各种土壤的持水能力有差异，所以反射率变化对应于湿度变化的灵敏度范围也不同，一般含水量在10%—25%，反射率变化显著，而持水性差的土壤，其灵敏度范围可能少于10%，超过田间持水量时，土壤表面膜水层形成镜面反射，会提高反射率[12]。在土壤含水量的定量化准确预测还存在很多困难，水分光谱敏感波段的精确提取受很多因素影响。例如，土壤质地的光谱响应敏感波段与水分的敏感波段具有较强的相似性：在1 400、1 900和2 200 nm水分的敏感波段处吸收深度随土壤中黏粒含量的变化而变化，其中在2 200 nm处的吸收深度主要是由土壤中黏粒矿物晶格结构（如Al-OH）引起的[13-16]。土壤含水量的光谱数据获取随土壤属性和测定条件而发生变化，尤其是土壤的机械组成的影响。在较理想状态下（如环境控制和样品处理）采集的光谱数据有利于土壤含水量的深度解析，可为自然条件下土壤属性的获取提供依据。【本研究切入点】基于土壤含水量和质地的光谱敏感波段相似，目标光谱信息解析困难，本研究力图在明确室内土壤光谱测定的几何条件的基础上，摸清不同粒级条件下光谱随土壤水分变化的特征，为解决光谱异质性和提高土壤属性的提取精度提供重要依据，为田间以及野外大面积遥感监测土壤水分提供理论依据。【拟解决的关键问题】不同粒级土壤含水量土壤光谱响应特征解析，明确水分敏感波段的光谱随土壤含水量的变化特征，以及土壤水分含量的定量光谱预测模型的构建及优化。

1 材料与方法

1.1 土样采集及样品信息

以2015—2016年小麦收获后农田0—20 cm耕层的土壤为研究对象，采集不同点位土壤样品带回室内进行进一步处理。

不同粒径分级：采用不同筛目的土筛进行分级。将风干后土样分别过100目、80目、60目和18目筛，对应筛孔直径分别为0.15、0.18、0.25和1.00 mm，得到不同颗粒大小共计4个粒径等级的样品，分别表示为D-1、D-2、D-3、D-4。

土壤含水量测定采用烘干称重法。利用相同大小黑色（或涂黑）的纸质容器，记下容器重W0；将烘干的土壤样品放在容器中，距离容器边沿大约1 cm，刮平样品表面，记下总重W1；不同处理均沿容器壁缓慢注入固定体积的水量，该水量以使得每个处理都达到饱和含水量以上；静置后每隔2 h测一次总重，稳定后记重量为Wn，同时采集光谱数据。因此，每次测定光谱数据时土壤的含水量即为：

SWC（%）=（Wn-W1）/（W1-W0）×100%

供试样本来源于同一地块不同点位。其中，校正样本集来源于2015年麦收后的土壤采集的数据，共计278个样本，用来建立校正模型；验证样本集为2016年麦收后的土壤采集的数据，共计275个样本，用来验证模型。样本在不同含水量范围的分布情况见表1。

表1 校正集和验证集样本的平均含水量及样本数量信息

D-1、D-2、D-3、D-4分别表示分别将风干后土样过100目、80目、60目和18目筛。括号内外数据分别为土壤含水量和样本数

D-1, D-2, D-3 and D-4 denoted the treatment sieved through 100, 80, 60 and 18 mesh, respectively. The outside and inside of brackets are soil water content (SWC) and sample number (N) respectively, which denoted as SWC(N)

1.2 光谱仪及光谱测定

光谱测量使用的仪器为美国ASD Fieldspec FR2500光谱仪，光谱范围为350—2 500 nm。测定过程在四周用黑色遮光布包围的实验室内进行：将处理好的土样置于直径10 cm容器中，5度视场角的光纤探头距土壤样本表面30 cm，光源为距土壤表面50 cm的能够提供平行光的1 000 W卤光灯光源，天顶角为15°，以白色参考板获取绝对反射率。每个样品在视场范围内重复测定10次，各处理测定前后，进行参考板校正。参考板的光谱反射率是经过严格的实验室标定的，通过比值方法，计算目标的光谱反射率。计算公式如下：

1.3 数据分析

模型校正集样本来源于不同含水量不同粒级数据，共计278个样本参与模型建立和内部交互验证。利用相同几何测试条件下测定的模型外未知样本（=275）进行了模型的外部验证及效果评价。针对每一粒级分别建模时，D-1、D-2、D-3样本数量均为75个即=75，而D-4样本数量为53个即=53。验证样本集D-1、D-2、D-3、D-4的样本量分别为70、75、72、58个。采用软件Unscrambler9.7、Excel2007进行数据处理、建模、验证等分析。

2 结果

2.1 不同含水量光谱特征分析

图1表明，土壤光谱反射率随含水量增加而降低，并且随含水量增加，不同含水量样品光谱反射率之间差异变小，其差异也随波长的增加而增大，该变化趋势不受土壤粒径大小的影响；对于不同粒级的样本而言，D-1、D-2和D-3处理均在SWC大于17%时，不同含水量样本的光谱反射率差异变小；而相对于前3个处理，D-4处理在SWC在3.97%—32.06%范围内，土壤光谱反射率之间均有较大差异。

随含水量增加，光谱反射率曲线在1 400 nm和1 900 nm的水分吸收深度增加；在D-1处理中，当含水量大于40%时，在350—1 240 nm波段范围内的光谱反射率随土壤含水量增加而升高，1 240 nm以后随含水量增加而降低。这是由于土壤中水分含量高，增加了镜面反射的贡献，导致350—1 240 nm反射率升高，而1 240 nm以后仍遵守随SWC增加而降低的规律。该现象与土壤样本的粒径大小有关，在D-1样本中表现明显，在D-2样本中不明显。D-3和D-4中未出现这种现象。

2.2 土壤含水量光谱预测模型建立及验证

2.2.1 包含不同粒级混合样本土壤含水量光谱预测模型建立与验证 将包含不同粒级、不同含水量的278个数据混合作为一组大样本进行土壤含水量光谱预测模型的构建。通过验证，模型预测值和实测值呈显著线性相关性，其校正集和验证集决定系数2和均方根误差分别为0.82、0.79和5.03%、5.40%（图2）。预测误差和校正误差的比值SEP/SEC接近于1.0，该值代表了模型的稳定性，一般要求小于1.2，由此可见，利用大样本建立的模型稳定性通过了检验，预测精度有待提高，对真值高的预测偏低，而对于真值低的预测值偏高，土壤含水量大约在15%—30%之间预测效果较好。

图1 不同粒级含水量光谱响应特征

图2 不同粒级混合样本土壤含水量光谱预测

2.2.2 分级样本土壤含水量光谱预测模型建立与验证 按照不同粒级划分，对每一级的样本分别进行偏最小二乘法回归分析，从图3可以看出，同一粒级所建立的模型均表现出较好的回归效果，但是模型的预测效果、交互验证以及模型的稳定性均随着粒级的增加而降低。表2列出了利用未经预处理的光谱数据所建立的SWC的预测模型各参数情况。D-1样本所建立的模型预测集2为0.89，验证集2为0.89，SEP/SEC=1.0，说明模型在预测精度和稳定性上均较好；D-2样本所建立的模型预测集2为0.91，验证集2为0.85，但模型预测误差增加，稳定性下降：SEP/SEC=1.37；而D-3和D-4样本所建立的模型预测集2均在0.75附近，预测效果明显降低。

2.2.3 归一化预处理后的分级样本土壤含水量光谱预测模型建立与验证 尽管未经光谱数据预处理条件下建立的模型达到较高的预测精度，并且在较细土壤样本中模型的稳定性也比较好。但为了进一步验证光谱采集是否受到噪声的影响，本文尝试了几种光谱预处理方法，包括平滑（smooth）、归一化（normalize）、光谱转换（spectroscopic）、多远散射校正（MSC/EMSC）、去噪（Noise）、微分（differentiation）以及基线（baseline）等方法。结果显示，归一化处理后模型在预测效果和稳定性上略好（表3、图4）。如表3所示，除了D-3样本所建模型的预测精度和稳定性降低外，其他粒级样本所建立的模型都在一定程度上得到了改善。

表2 利用未经预处理的光谱数据所建立的模型评价参数

图3 不同粒级分别建立模型预测评价

3 讨论

3.1 土壤水分和粒径变化的光谱响应

土壤水分在土壤光谱中具有较大的贡献比例，影响着土壤其他属性的光谱信息提取精度。例如，以往很多研究为了降低土壤水分和机械组成对目标光谱的干扰，多采用对土样进行风干（或烘干）磨细处理[17-20]。了解土壤含水量的光谱特征，建立土壤水分的光谱定量反演模型对于快速、准确监测土壤水分状况、获取作物生长状况都具有重要意义。大量研究均已证明水分的敏感波段位于1 400、1 900和2 200 nm 3个波段附近[13-14]。而这些水分敏感波段通常也包含有土壤其他属性信息，例如在1 400、1 900和2 200 nm水分吸收特征波段处的光谱受土壤中黏粒含量的变化影响[15-16]。另外，含水量高低不仅影响反射率曲线整体的波动，当含水量达到一定程度时，在细颗粒的土壤样本中部分波段由于镜面反射的缘故反射率激增，这与前人研究有所不同。而对其他粒级的土壤样本是否也存在这样的现象需要大量样本来考证。

图4 利用归一化预处理数据对不同粒级分别建立模型预测评价

表3 数据归一化预处理后模型评价

3.2 土壤含水量模型的建立

本研究进行了样本混合和分粒级建立模型、同一粒级又进行了原始数据和预处理数据分别建立模型，分粒级建立模型在模型预测精度和稳定性上以细颗粒土壤样本效果最好，规律是样本越细预测精度和稳定性越好。这与前人的研究结论即粒径越小的土壤属性光谱预测精度越高相一致[21-22]。粒径大的土壤颗粒间隙大，其表面结构与粒径小的土壤是不同的，而细颗粒土壤表面相对紧实，表面结构对光谱的噪声干扰较小，因此预测效果也比较好。因此，对土壤水分的光谱定量反演研究必须要考虑土壤机械组成的影响。将所有样本数据混合建立模型，尽管2有所降低，但是样本量增大了（=278），在一定程度上模型的稳定性还是比较好的。另外，各种预处理的方法在一定程度上提高了光谱的信噪比，使得所建立的模型预测效果得以改善[23]。本研究显示，与未经数据处理所建立的模型相比，改善幅度并不大，这也说明了后期对数据的预处理只是在一定程度上增强了目标信息，前期光谱采集时的土壤处理和条件控制才是获得高质量数据的根本，从基础上保证所测得的数据稳定性和高信噪比是关键。

3.3 土壤含水量光谱预测存在的问题

相对于传统的土壤含水量测定方法，光谱技术提供了一种省时、省力并且低成本的监测手段。由于土壤组成及测定环境的影响，获取稳定的光谱数据是准确预测的关键。为了控制环境因素的影响，通常是人为营造可控的环境，如本文所述的室内条件下测定，避免了外界环境因素（如，光、水气以及太阳角度等）的干扰，提高了光谱的信噪比。但是，还有一些问题需要进一步研究。首先，室内土壤光谱测定的几何条件变化的影响。测试几何条件需要严格控制，并且要规范化，以便不同批次、不同类型土壤测定时进行对比。其次，土壤二向反射特性的影响。土壤颗粒越大影响越严重，这也可能是造成随土壤粒级增加预测模型精度和稳定性变差的主要原因。第三，进一步加强光谱数据库建设。澳大利亚ROSSEL和美国BROWN完成了对全球多个国家土壤光谱数据库建设[24-25]。针对土壤规范的光谱库还有待于进一步加强和完善[26]。不同土壤类型、组成以及不同测定条件都会导致光谱的波动，尤其是土壤本身的差别造成的波动很难建立普适性较强的模型，因此这就需要建立包含各种相关信息数据的光谱库，供数据获取、匹配和对比分析参考。

4 结论

土壤光谱随含水量的变化而变化：土壤光谱反射率随含水量增加光谱反射率降低，其差异随着波长的增加和含水量的降低呈现增加的趋势，光谱反射率曲线在1 400 nm和1 900 nm的水分吸收深度也增加。但是当含水量大于40%时，350—1 240 nm光谱反射率随含水量增加而升高，这是因为土壤含水量高形成镜面反射，该现象与土壤样本的粒径大小有关。土壤含水量预测模型的精度和稳定性受土壤颗粒组成、光谱数据预处理以及样本量大小影响。模型的预测效果、交互验证以及模型的稳定性均因土壤粒级的降低而得到改善，将光谱数据进行归一化预处理后，进一步提高了光谱的信噪比，模型在预测效果和稳定性上有进一步改善。

[1] 孙家柄. 遥感原理与应用. 武汉: 武汉大学出版社, 2009.

SUN J B.Wuhan: Wuhan University Press, 2009. (in Chinese)

[2] IRONS J R, WEISMILLER R A, PETERSEN G W. Soil reflectance//ASRAR G.. New York: John Wiley and Sons, 1989: 66-106.

[3] IDSO S B, JACKSON R D, REGINATO R J, KIMBALL B A, NAKAYAMA F S. The dependence of bare soil albedo on soil water content., 1975, (14): 109-113.

[4] 张俊华, 贾科利. 典型龟裂碱土土壤水分光谱特征及预测. 应用生态学报, 2015, 26(3): 884-890.

ZHANG J H, JIA K L. Spectral reflectance characteristics and modeling of typical Takyr Solonetzs water content., 2015, 26(3): 884-890. (in Chinese)

[5] 刁万英. 基于可见-近红外波段反射率估算表层土壤含水量[D]. 北京: 中国农业大学, 2016.

DIAO W Y. Estimation of surface soil moisture based on visible near infrared reflectance[D]. Beijing: China Agricultural University, 2016. (in Chinese)

[6] 王德彩, 张俊辉, 韩光中. 土壤含水量对采用vis-nir光谱分析土壤质地的影响. 地理与地理信息科学, 2015, 31(6): 52-55.

WANG D C, ZHANG J H, HAN G Z. Effects of soil water content on soil texture using Vis-NIR spectroscopy., 2015, 31 (6): 52-55. (in Chinese)

[7] MULLER E, DECAMPS H．Modeling soil moisture-reflectance., 2001, 76(2): 173-180.

[8] VERHOEST N E, LIEVENS H, WAGNER W, ÁLVAREZ-MOZOS J, MORAN M S, MATTIA F. On the soil roughness parameterization problem in soil moisture retrieval of bare surfaces from synthetic aperture radar., 2008, 8(7): 4213-4248.

[9] 刘洋, 丁潇, 刘焕军, 张新乐, 曲长祥, 胡文, 臧红婷. 黑土土壤水分反射光谱特征定量分析与预测. 土壤学报, 2014(5): 1021-1026.

Liu Y, Ding X, Liu H J, Zhang X L, Hu W, Qu C X, Zang H T. Analysis and prediction of soil moisture reflectance characteristics of quantitative black soil., 2014 (5): 1021-1026. (in Chinese)

[10] SANTRA P, SAHOO R N, DAS B S, SAMAL R N, PATTANAIK A K, GUPTA V K. Estimation of soil hydraulic properties using proximal spectral reflectance in visible, near-infrared, and shortwave- infrared (vis-nir-swir) region., 2009, 152(3/4): 338-349.

[11] 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., 2001, 32: 149-165.

[12] 徐金鸿, 徐瑞松, 夏斌, 朱照宇. 土壤遥感监测研究进展. 水土保持研究, 2006, 13(2): 17-20.

XU J H, XU R S, XIA B, ZHU Z Y. Research advances on soil monitor by remote sensing., 2006, 13(2): 17-20. (in Chinese)

[13] Demattê J A M, Antonio A, Sousa M C. Alves Marcos R, Nanni Peterson R, Fiorio, Rogério Costa Campos. Determining soil water status and other soil characteristics by spectral proximal sensing., 2006, 135(11): 179-195.

[14] 刘伟东, F. Baret, 张兵, 郑兰芬, 童庆禧. 应用高光谱遥感数据估算土壤表层水分的研究. 遥感学报, 2004, 8(5): 434-442.

LIU W D, BARET F, ZHANG B, ZHENG L F, TONG Q X. Estimation of soil surface water using hyperspectral remote sensing data., 2004, 8(5): 434-442. (in Chinese)

[15] Ben-Dor E. Quantitative remote sensing of soil properties.2002, 73: 173-243.

[16] ROSSEL R A V, WALVOORT D J J, MCBRATNEY A B, JANIK L J, SKJEMSTAD J O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties., 2006, 131(1/2): 59-75.

[17] SHI Z, JI W, VISCARRA R R A, CHEN S, ZHOU Y. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis–nir spectral library., 2015, 66(4): 679-687.

[18] THOMAS U, CHRISTOPH E, THOMAS J. Quantitative analysis of soil chemical properties with diffuse reflectance spectrometry and partial least-square regression: A feasibility study, 2003, 251: 319-329.

[19] LU Y L, BAI Y L, YANG L P, WANG H J. Hyperspectral extraction of soil organic matter content based on principle component regression.2007, 50: 1169-1175.

[20] SUMMERS D, LEWIS M, OSTENDORF B, CHITTLEBOROUGH D. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties., 2011, 11: 123-131.

[21] REEVES III J, McCATTY G, MIMMO T. The potential of diffuse reflectance spectroscopy for the determination of carbon inventories in soils., 2002, 116(3): 277-284.

[22] FONTÁN J M, CALVACHE S, LÓPEZ-BELLIDO R J, LÓPEZ-BELLIDO L. Soil carbon measurement in clods and sieved samples in a Mediterranean Vertisol by Visible and Near-Infrared Reflectance Spectroscopy., 2010, 156(3): 93-98.

[23] 褚小立. 化学计量学方法与分子光谱分析技术. 北京: 化学工业出版社, 2002: 41-53

CHU X L.. Beijing: Chemical Industry Press, 2002: 41-53. (in Chinese)

[24] Rossel R A V, Behrens T, Ben-Dor E, Brown D J, Demattê J A M, Shepherd K D. A global spectral library to characterize the world's soil., 2016,155: 198-230.

[25] Brown D J, Shepherd K D, Walsh M G, Mays M D, Reinsch T G. Global soil characterization with vnir diffuse reflectance spectroscopy., 2006,132(3): 273-290.

[26] JI W, LI S, CHEN S, SHI Z, ROSSEL R A V, MOUAZEN A M. Prediction of soil attributes using the Chinese soil spectral library and standardized spectra recorded at field conditions., 2016,155: 492-500.

（责任编辑 李云霞）

Spectral Characteristics and Quantitative Prediction of Soil Water Content under Different Soil Particle Sizes

LU YanLi, BAI YouLu, WANG Lei, YANG LiPing

(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081)

【Objective】Hyper spectral technology is more and more widely applied in monitoring soil properties. Soil Water Content (SWC) is a key parameter of soil properties. This paper aimed to make clear the spectral response of soil moisture under different soil roughness to predict quantitatively soil water content, and further to provide the basis for rapid monitoring of farmland moisture and other soil properties. 【Method】 Soil samples were sieved through different mesh sizes to classify into different particle sizes, and then set different moisture levels. The spectral reflectance of those samples were compared, and the quantitative prediction models of soil water content were established by Partial Least Squares Regression (PLSR) method. 【Result】The results showed that the spectral reflectance decreased with the increase of soil water content, and the difference became bigger as the increase of wavelength and decrease of soil water content. The absorptions got deeper in 1 400 nm and 1 900 nm with the increase of water content. In those soil samples passed through a sieve with an aperture of 0.15 mm (denoted as D-1), the spectral reflectance increased in 350-1 240 nm and then decreased after 1 240 nm when the water content was more than 40%. Compared with the model constructed from all samples with different sizes, models from the same size were improved in predicting accuracy and stability: the smaller the particle size was, the better the prediction effect and stability of the predicting model were. The(root mean square error) and2of the optimal model were 4.13% and 0.90, respectively. Additionally, normalization of spectral data reduced the influence of noise, and improved the predicting accuracy and stability of the model. 【Conclusion】The spectral generally decreased with soil water content increasing, but soil with small size showed opposite in 350-1 240 nm when the moisture content was greater than 40%. The predicting model for soil water content was improved as size getting smaller and sample number involved getting larger, and the spectral data normalization also improved predicting accuracy and stability of model.

spectral; soil water content; particle size; model

10.3864/j.issn.0578-1752.2018.09.009

2017-08-03；

2017-10-12

国家自然科学基金项目（41371292）

卢艳丽，Tel：010-82105030；E-mail：luyanli@caas.cn