基于高光谱与电磁感应技术的干旱区绿洲土壤含水量反演研究

宁 娟， 丁建丽， 杨爱霞，苏 雯 ，李 焕，曹 雷，缪 琛，地力夏提·艾木热拉

(1.新疆大学 资源与环境科学学院，新疆 乌鲁木齐 830046；2.绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046)

绿洲是干旱、半干旱地区一种独特的生态单元，依托水分条件，以荒漠为基质发育形成的各种植被生态体系，是维系干旱地区人类生存、活动与发展的基本场所[1]。土壤含水量作为植物生长的重要基础，是气象、生态、农业等研究应用领域的主要参数之一，特别是在干旱、半干旱绿洲区域，在两个关键季节(干季和湿季)，土壤含水量程度和状况往往有较大的差异，对该区域的农业发展具有不可忽视的影响[2]。因此，如何高效、准确地获取关键季节的土壤含水量信息，对干旱、半干旱绿洲区域的生态与经济可持续健康发展起着至关重要的作用。

随着遥感技术的出现，解决了传统技术无法满足的大面积土壤含水量快速监测需求的瓶颈。其中，高光谱技术其光谱分辨率高、使地物在不同波长范围内的反射值有较大差异，从而为土壤含水量遥感定量反演提供了可能[3]。国内的郑小坡等[4]、王秀君等[5]以及国外的Pan M等[6]、Younis等[7]基于近地面高光谱来研究土壤含水量，其范围限于土壤含水量较高的区域，对于较低的土壤含水量难以准确地反演，这需要将遥感技术与其它技术相结合，综合进行定量研究。

电磁感应仪(EM38)因其具有快速、实时及非破坏性等优点，被广泛用于土壤理化性质的调查研究中。Hossain等[8]通过验证不同高度的EM38深度响应函数，建立了土壤体积含水量与土壤表观电导率的回归模型，对根区土壤含水量进行了较准确的预测。Misra R K等[9]、Huang J等[10]和蒋志云等[11]分别在棉花地、农田和农牧交错带退耕地利用 EM38 测量土壤表观电导率，并与土壤含水量进行回归建模，结果显示土壤水分与土壤表观电导率(ECa)具有显著相关性，且土壤含水量预测结果较可靠。目前，国内主要将电磁感应技术应用于土壤含盐量的测定、土壤盐分空间异质性分析以及土壤剖面电导率预测等方面[12-4],土壤水分探测及预报方面并不多见，尤其是将电磁感应技术与遥感技术相结合，对两个关键季节的土壤含水量进行精确反演，从而获取干旱区绿洲土壤含水量变化规律的研究报道较为少见。

本文以渭干河-库车河绿洲为研究对象，首先利用EM38所测得的土壤表观电导率与实测土壤含水量进行回归分析，将土壤含水量EM38解译值代替土壤含水量实测值，参与后续建模运算中。其次，从室外实测光谱与土壤含水量EM38解译值入手，采用光谱特征指数的方法选取敏感波段特征指数，利用偏最小二乘回归分析方法，建立高光谱土壤含水量预测模型。最终将Landsat8遥感影像各采样单元波段反射率代入预测模型，对土壤含水量状况进行反演，并对土壤含水量预测值进行精度评估，从而为精确、快速获取土壤含水量信息提供参考。

1 材料与方法

1.1 研究区概况

渭干河-库车河绿洲位于新疆天山南麓、塔里木盆地北缘，隶属于阿克苏地区，包括库车、沙雅、新河三县，地理位置位于东经82°10′～83°50′,北纬41°06′～41°40′之间；属于温带大陆性干旱气候，天然植被以芦苇(Phragimitesaustralis)、柽柳(Tamarixramosissima)、骆驼刺(Allhagisparisifolia)、花花柴(Karelinacaspica)和盐爪爪(Kalidiumgracile)等为主。该区域的年均降水量仅有43.1mm，而年均蒸发量高达1992.0～2863.5mm，蒸发量远远大于降水量，干燥系数为44.37，多年平均气温10.2～15.1℃，属于干旱与极端干旱地区。该区是库车、沙雅和新和三县经济发展的核心地带，经济结构以农业为主，属于典型的绿洲灌溉农业区，主要经济农作物以棉花、小麦、玉米为主。灌溉水源主要来自渭干河和库车河，此外还有少量的水来自塔里木河、泉水。由于地下水位高，土地下层构成物颗粒细，透水性差，造成该区土壤盐渍化现象比较普遍，主要表现在土壤次生盐渍化面积不断扩大、土壤肥力下降、沙丘移动等。

图1 研究区地理位置图及采样单元分布图 Fig.1 Geographical position map of study area and distribution of sampling points

1.2 数据采集

野外样本采集时间是在2015年4月下旬和9月下旬，土壤样本的光谱采集是运用美国ASD Field spec3 便携式地物波谱仪，其波长范围为350～2500nm。观测时风力小于3级，云量小于5%，且太阳辐射强烈，观测时间为北京时间13∶00～16∶00。光谱测量时，光谱仪探测头垂直于土壤表面，距土样表面约20cm，视场角为25°[15]。按照五点梅花状进行土壤样本的采集,每个土样采集10次，将每个土样测得的10条光谱平均得到该土样的实际光谱反射率，再将5个采样点之和求平均即得到采样单元的土壤光谱反射率。在光谱数据测量结束后，运用EM38电磁感应仪，获取每个采样单元的表观电导率数据,每个采样单元选取测量点49个，将49个点测量值的平均值作为该采样单元表观电导率的真实值。测量结束后，取土壤表层0～10cm的土样带回实验室，各采样单元的土壤实测数据值均为一个采样单元内5个采样点之和求平均，用烘干箱将土样烘干并测定土壤含水量。实验最终获取的采样单元有84个，下文统称为样本，如图2所示。

图2 采样单元EM38测量Fig.2 The measurement points at a site

1.3 数据预处理

1.3.1 实测高光谱数据预处理 运用ViewSpecPro软件对土壤样本的反射光谱进行平均值的计算，得到土壤样本的光谱反射率，为了突出光谱特征值，消除噪声的影响，运用OriginPro 9.0软件，选用Savitzky-Golay滤波平滑法对土壤光谱反射率进行平滑去噪处理，同时剔除水汽吸收影响严重的波段，剔除的波段为：1346～1462，1796～1970和2406～2500nm。

1.3.2 遥感数据获取和预处理 本研究采用Landsat8 的OLI_TRIS数据，轨道号为145/031,获取时间分别为2015年4月26日和2015年9月17日。选取OLI传感器的前7个波段影像，采用ENVI下的FLAASH模块对影像进行大气辐射校正。接着以经过几何精校正的2010年遥感影像图为基准，对2015年4月和2015年9月的影像进行校正，误差均在0.5个像元以内。

1.4 光谱数据的建模方法

光谱重采样是指将地面实测或波谱库的光谱数据匹配到其它已知传感器的波谱或波谱源中[16]。本文将ASD光谱仪所测得的光谱反射率重采样为Landsat8反射率，从而进行模型的遥感反演。在前人研究的基础上[17], 本文采用对与Landsat8相应的波段进行均值处理的方法，获取与Landsat8各波段相对应的实测高光谱反射率值，参与接下来的光谱特征指数提取，光谱重采样方法如表1所示。建模采用特征指数法以及偏最小二乘回归方法(partial least square regress，PLSR)。

特征指数法是地物参数进行遥感反演的一种常用方法，通过特定的波段组合可以消除背景噪声的影响，从而提高地物参数遥感反演的精度[18]。在不同的特征指数法中，比值形式A/B、差值形式A-B和归一化形式(A-B)/(A+B)这3种特征指数，由于运算简便被广泛使用，本文分别对两两波段进行以上3种特征指数提取，为后续土壤含水量建模提供光谱参量。

偏最小二乘回归方法是将主成分分析和方差分析引入传统的回归分析中，在自变量存在严重多重相关性的条件下以及样本点个数少于变量个数的条件下，能够通过筛选出对因变量具有最佳解译能力的成分，剔除无解译能力的信息，从而提高模型的反演精度。

表1 光谱重采样方法

1.5 估测模型构建及验证

本文采用干、湿季土壤样本共84个，其中建模样本集56个，验证样本集28个。将波段平均反射率按上述3种方式进行波段组合，选择出与土壤含水量相关性大的光谱参数，在The Unscrambler 10.3软件中，利用偏最小二乘回归方法对土壤含水量进行预测估计。检验模型精度的指标为统计量F值、决定系数R2、建模集决定系数Rc2、验证集决定系数Rp2、建模集均方根误差(RMSEc)、验证集均方根误差(RMSEp)以及残留预测偏差(RPD)。当统计量F值大于理论临界值Fa时，估算方程显著，且F值越大，R2越高，RMSE越小，表明模型估算的准确性越高，反之则模型估算的准确性越差。RPD是统计预测值和实测值相关性大小的指标，是样品实测值的标准差(SD)与RMSE的比值。当RPD小于1.4时，模型预测精度极差；当RPD在1.4～2.0时，预测精度尚可；当RPD大于2.0时，预测精度极佳[19]。

1.6 遥感影像反演方法

在遥感影像上获取的采样点光谱反射率中，土壤和植被的光谱反射率会同时存在于像元中，然而土壤含水量高光谱估算模型是只考虑纯土壤的一种估算模型，因此为了提高土壤含水量遥感反演的精度，需剔除遥感影像上的植被光谱信息。

目前，线性模型是使用较广泛的混合像元分解模型，其中又以像元二分模型最为常见[20]。本文就利用像元二分模型对原始影像中的植被光谱信息进行剔除，从而准确获取土壤光谱反射率。剔除植被光谱后的像元二分模型为：

rsa=(ra-Fvrva)/F

(1)

Fs=1-Fv

(2)

Fv=(NDVI-NDVImin)/(NDVImax-NDVImin)

(3)

式中，ra为混合像元光谱反射率；rsa和rva分别为土壤和植被在波段a时的光谱反射率；Fv和Fs分别为植被和土壤所占像元比例。NDVImin和NDVImax分别为遥感影像上的NDVI最小值和最大值。

先将遥感影像上NDVI值小于0的水体去除，再计算出影像中NDVImin和NDVImax，运用上述公式，计算出像元中的土壤光谱反射率。通过对遥感影像进行混合像元分解处理，剔除植被光谱干扰，得到遥感影像土壤光谱反射率值，运用到后续遥感建模反演土壤水分的工作中。

2 结果与分析

2.1 EM38数据解译

EM38测量原理主要是依靠仪器前端的接受线圈，接受仪器后端的发射线圈所产生的原生磁场及次生磁场，通过建立原生磁场及次生磁场的相对关系，从而获得土壤综合表观电导率ECa。EM38包含垂直偶极和水平偶极两种探测模式，其探测深度分别为1.5m和0.75m，测得的垂直与水平土壤表观电导率分别为ECV和ECH。分别对研究区干季42个、湿季42个EM38采样单元的表观电导率测定值ECV和ECH进行相关性分析，如图3所示，二者的相关性较高，表明EM38测定数据准确，研究结果可信度较高。

分别以干季42个、湿季42个土壤含水量为因变量，以EM38垂直模式与水平模式测得的土壤表观电导率为自变量，建立干、湿季节下的土壤水分回归模型。由图4可看出，无论是干季还是湿季，土壤水分与ECV和ECH存在较好的非线性关系，相关系数R2均达到0.65以上，其中，对于研究区干、湿两季的土壤含水量拟合效果最好的均是以ECH为自变量的指数回归模型，因此，本文后续所用的土壤含水量均是由该模型计算得出。

图3 干、湿季ECV和ECH的相关性关系Fig.3 Relationship between electromagnetic apparent conductivity ECV and ECH in dry and wet seasons

图4 干、湿季实测土壤含水量与土壤表观电导率ECV和ECH的指数回归模型Fig.4 Regression and exponential regression model between ECV and ECH in dry and wet seasons

2.2 土壤含水量高光谱建模分析

通过表1高光谱重采样得到的波段数据，利用比值形式A/B、差值形式A-B和归一化形式(A-B)/(A+B)3种单一光谱特征指数，对高光谱反射率进行计算。通过相关性分析，选取通过0.05显著性检验的光谱参数，最终利用比值形式A/B得到28个敏感光谱参数、利用差值形式A-B得到20个敏感参数、利用归一化形式(A-B)/(A+B)得到32个敏感参数。

分别利用干季42个、湿季42个经EM38解译的土壤含水量数据作为因变量，3种单一光谱特征指数获取的敏感波段参数作为自变量，运用PLSR方法，分别建立干、湿季土壤含水量高光谱估测模型，结果如表2所示。在湿季，3种单一光谱特征指数建立的模型和利用差值形式A-B建立的土壤含水量模型，建模精度最高，Rc2为0.662和Rp2为0.583，这可能是由于本研究区纬度较低，虽然处于秋季，但日照时间长，土壤含水量较高。在干季，利用归一化形式(A-B)/(A+B)所建立的土壤含水量预测模型，建模集及预测集的决定系数R2最高，Rc2为0.616和Rp2为0.543，这可能是由于该季节为研究区的春旱期，降水稀少，蒸发强烈，该区域土壤表层含水量较低所致。

由于研究区采样点大多处于绿洲荒漠交错带，比值、差值、归一化这3种单一的光谱特征指数所构建的土壤含水量高光谱预测模型，在一定程度上很可能反映研究区实际的土壤水分含量。因此，接下来本文尝试将比值、差值、归一化3种单一的光谱特征指数结合起来，干、湿季分别选取40个和41个光谱参量，建立基于多种光谱特征指数的土壤含水量模型。从表2中可以看出，利用多种光谱特征指数建立的模型，建模精度与3种单一光谱特征指数相比，建模集与验证集的决定系数R2均有了显著提高。湿季的Rp2达到0.715，干季Rp2达到0.679；均方根误差RMSE也有较大幅度的减少，RMSEp为0.455%，干季的RMSEp为0.524%；干、湿季RPD分别为2.28和2.13，模型均达到较高预测精度。

如图5所示，基于多种光谱特征指数所建土壤含水量预测模型，干、湿季的Rp2均高于0.6，RMSEp低于0.6%，PRD大于2，并且土壤含水量预测值与实测值都大致均匀地分布在1∶1线附近，证明利用多种光谱特征指数能够作为有效手段估算干旱区绿洲土壤含水量。

表2 土壤含水量偏最小二乘回归模型

图5 干、湿季土壤含水量EM38解译值与土壤含水量预测值相关关系Fig.5 Relationship between soil moisture content of EM38 interpreted and model predicted

2.3 土壤含水量遥感反演

在遥感影像上确定野外采集的84个采样点，将各个采样点的对应波段反射率代入多种光谱特征指数模型中，从而反演研究区土壤含水量分布。从图6可看出，绿洲内部土壤含水量高于绿洲外围，湿季的土壤含水量明显高于干季，干季土壤含水量大部分都低于15%，而在湿季土壤含水量大部分都高于15%。在干季，绿洲北部土壤持水能力较强，因此该区域土壤含水量较高，而在绿洲南部及外围区域，由于降水稀少，植被覆盖度低，导致该区域土壤含水量较低；湿季土壤含水量明显增加，在绿洲内部，由于降水充沛，加上人工灌溉频繁，植被覆盖度较高，因此绿洲内部土壤含水量较高，而在绿洲外围，植被稀少，土壤质地主要以粉砂壤土为主，其土壤孔隙度小，透水性差，持水能力差，因此该区域土壤水分含量较低。这与研究区实际情况相一致。

利用遥感影像中反演的采样点土壤含水量，与实际采样点土壤含水量做精度检验，如图7所示，干季土壤含水量统计量F值为1.38，预测决定系数R2为0.610，RMSE为0.638%，湿季土壤含水量统计量F值为1.60，预测决定系数R2为0.695，RMSE为0.601%，依据上文精度评价标准可知，干、湿季土壤含水量预测模型精度较高，证明利用电磁感应技术与高光谱相结合能够对土壤含水量进行较精确的反演。

图6 干、湿季土壤含水量遥感反演空间分布图Fig.6 Spatial distribution patterns of apparent soil moisture content across the study area during two critical seasons of dry and wet based on remote sensing inversion

图7 土壤含水量实测值与遥感反演值的比较Fig.7 Comparison between the soil moisture content based on remote sensing inversion and measurements

3 结 论

本文通过对EM38所测电导率与干、湿季土壤含水量进行相关性分析，并建立指数回归模型，将EM38水平模式解译的土壤含水量作为后续建模因变量，再将高光谱数据重采样为Landsat8反射率，并进行光谱特征指数提取。通过选择敏感波段，确定特征参数作为模型自变量，利用偏最小二乘方法进行土壤含水量高光谱模型估算，最终实现遥感与近感相结合的干旱区土壤含水量空间分布反演研究。所得结论如下：

(1)通过对研究区干、湿季EM38电导率与实测土壤含水量的相关性分析，表明干、湿季EM38水平模式土壤表观电导率与土壤含水量所建指数模型精度较高，相关系数R2均达到0.65以上。因此，利用EM38水平模式所解译出的土壤含水量作为后续建模因变量是可行的。

(2)对重采样的高光谱数据，提取干、湿季敏感特征参数共81个，利用偏最小二乘回归方法，将比值、差值、归一化以及多种特征光谱参数分别作为自变量，将EM38解译出的土壤含水量作为因变量，建立研究区干、湿季土壤含水量高光谱估算模型。最优模型为利用多种光谱特征指数所建土壤含水量估算模型，其干、湿季的Rc2大于0.7，并且Rp2大于0.6，RMSE均小于0.5%，RPD均大于2，证明该模型能够较精确地对干旱区绿洲土壤含水量进行估算。

(3)利用遥感反演土壤含水量分布，结果表明干季土壤含水量大部分都低于15%，而在湿季土壤含水量大部分都高于15%，绿洲内部由于土壤持水能力强且灌溉频繁，因此土壤含水量高于绿洲外围，这与研究区实际情况相一致。将遥感影像中反演的采样点土壤含水量与实际采样点土壤含水量做相关性分析，结果发现，干、湿季土壤含水量反演精度较高，决定系数R2均大于0.5，且RMSE均小于0.7%。表明在干旱区绿洲，将电磁感应技术与高光谱技术相结合能够实现对土壤含水量的精准、高效监测。

本文尝试利用EM38水平模式表观电导率解译数据代替实测土壤含水量数据，结合三种单一的光谱特征指数建立土壤含水量预测模型，其结果符合实际土壤含水量分布规律，对于电磁感应技术与高光谱技术相结合监测土壤含水量的方法，进行了初步的探索研究。单一的光谱特征指数所构建的土壤含水量高光谱预测模型，在一定程度上较难反映研究区实际的土壤水分含量，因此本文尝试利用多种光谱特征指数建立预测模型，预测精度有所提高。由于本文仅利用单1a的实测数据，因此土壤含水量预测模型具有一定的局限性，在今后的研究中尽量采用多年实验数据，以期实现区域土壤含水量实时、动态、精准监测。

参考文献：

[1] 姚远, 丁建丽, 雷磊, 等. 干湿季节下基于遥感和电磁感应技术的塔里木盆地北缘绿洲土壤盐分的空间变异性[J]. 生态学报, 2013, 33(17): 5308-5319.

[2] 徐驰, 曾文治, 黄介生, 等. 基于高光谱与协同克里金的土壤耕作层含水率反演[J]. 农业工程学报, 2014, 30(13): 94-103.

[3] 游先祥.遥感原理及其在资源环境中的应用[M].北京:中国林业出版社,2003:63-67.

[4] 郑小坡, 孙越君, 秦其明, 等. 基于可见光-短波红外波谱反射率的裸土土壤含水量反演建模[J]. 光谱学与光谱分析, 2015, 35(8):2113-2118.

[5] 王秀君, 陈健. 基于LST_EVI特征空间的土壤水分含量反演[J]. 遥感技术与应用,2014,29(1):46-53.

[6] Pan M, Sahoo A K, Wood E F. Improving soil moisture retrievals from a physically-based radiative transfer model[J]. Remote Sensing of Environment, 2014, 140: 130-140.

[7] Younis S M Z, Iqbal J. Estimation of soil moisture using multispectral and FTIR techniques[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18(2): 151-161.

[8] Hossain M B, Lamb D W, Lockwood P V, et al. EM38 for volumetric soil water content estimation in the root-zone of deep vertosol soils[J]. Computers and Electronics in Agriculture, 2010, 74(1): 100-109.

[9] Misra R K, Padhi J. Assessing field-scale soil water distribution with electromagnetic induction method[J]. Journal of Hydrology, 2014, 516: 200-209.

[10] Huang J, Scudiero E, Choo H, et al. Mapping soil moisture across an irrigated field using electromagnetic conductivity imaging[J]. Agricultural Water Management, 2016, 163: 285-294.

[11] 蒋志云, 李小雁, 张志华, 等. 基于 EM38 电导率仪土壤水分探测研究[J]. 干旱区研究, 2015, 32(1): 48-55.

[12] 彭杰, 迟春明, 向红英, 等. 基于连续统去除法的土壤盐分含量反演研究[J]. 土壤学报, 2014, 51(3):459-469.

[13] 云安萍, 鞠正山, 胡克林, 等. 基于距离反比法的土壤盐分三维空间插值研究[J]. 农业机械学报, 2015,12(2):21-30.

[14] 孙永猛, 丁建丽, 瞿娟, 等. 应用电磁感应和遥感的新疆绿洲区域尺度盐渍土识别[J]. 农业工程学报, 2012, 28(20): 180-187.

[15] 赖宁, 李新国, 梁东. 开都河流域下游绿洲盐渍化土壤高光谱特征[J]. 干旱区资源与环境, 2015,(2): 151-156.

[16] 姜海玲,杨杭,陈小平,等.利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J]. 光谱学与光谱分析,2015,35(4):975-981.

[17] 李萍, 赵庚星, 高明秀, 等. 黄河三角洲土壤含水量状况的高光谱估测与遥感反演[J]. 土壤学报, 2015, 52(6): 1262-1272.

[18] 顾燕, 张鹰, 李欢. 基于实测光谱的潮滩土壤含水量遥感反演模型研究[J]. 湿地科学, 2013, 11(2): 167-172.

[19] Rossel R A V, McGlynn R N, McBratney A B. Determining the composition of mineral-organic mixes using UV-vis-NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006, 137(1): 70-82.

[20] 李向婷, 白洁, 李光录, 等. 新疆荒漠稀疏植被覆盖度信息遥感提取方法比较[J]. 干旱区地理, 2013, 36(3): 502-511.