山东潮盐土土壤含水量高光谱特征分析及预测方法

崔兆韵， 吴 茜

(1.泰安农业气象试验站， 山东 泰安 271000； 2.山东农业大学 信息科学与工程学院， 山东 泰安 271018)

土壤湿度是生态、气候、水文和农业等众多领域的关键变量之一，也是保护耕地政策的重要影响因素[1]。为适应精准农业快速、及时获取土壤水分信息的要求，传统的土壤水分测量方法，如取土烘干、张力计法、中子水分仪法等均以点测量为基础，存在范围有限、工作量大、时间周期长的缺点，不能快速及时的获取土壤含水信息[2-3]。目前，国内外诸多从事土壤研究的工作者已开始致力于对土壤光谱特征的研究，对野外高光谱土壤特性的研究也有了较快发展，应用光谱技术获取土壤有效信息已经成为研究的热点方向，土壤测试方法也逐步由传统化学方法转为光谱分析法[4-5]。随着国内外学者对高光谱与土壤含水量间关系的研究，光谱数据处理技术不断成熟。研究表明，高光谱反射率数据在波段为350～2 500 nm时能够反映土壤水分参数的微小差异，可以反应土壤含水量[6]。随土壤含水量的增加，土壤光谱反射率在整个波长范围内降低，尤其在760 nm、970 nm、1 190 nm、1 450 nm、1 940 nm和2 950 nm等水分吸收波段。光谱处理使用倒数、对数、平方根、一阶微分、包络线、反包络线、小波分析等方法，建立了估测模型线性回归模型、BP神经网络模型、模糊识别模型等[7-8]。但总体而言，多数研究是基于室内土壤样本，对室内土壤的研究在一定程度上改变了土壤结构，缺乏一定的适用性。室外样本为表层土壤，环境复杂，取得土壤数据能反映野外真实的环境；对室外土壤的研究结果能够更直接应用于遥感反演，更具有合理性。因此，笔者选择室外表层土壤样本为研究对象，采用多元逐步回归(SMLR)提取土壤含水量特征波段，探索土壤反射光谱特征值与土壤水分含量间的关系，为室外土壤样本水分含量的测定提供依据。

1 数据获取与处理

1.1 研究区概况

试验田位于山东省东营市汀罗镇。汀罗镇坐落于利津县境东北部，距县城45 km，东营市土壤以潮土、褐土、砂姜黑土、水稻土及盐土为主，潮土、盐土是东营市主要的耕种土壤，试验采取的土壤样本为潮盐土。

1.2 室外土壤样本采集

为了采集不同含水率的土壤样本，2015年6月10日下午，根据划分的采样单元，平均每个采样单元为900 m2，采用网格布点方式(图1)，间隔30 m，采取的样本为表层土壤，共采集82个样本，再进行有效样本的筛选与处理。

光谱数据采集使用美国SVC HR-768i便捷式地面光谱仪，带有GER软件，可在大多数笔记本和台式电脑上联合使用。提供独立工作模式、电脑工作模式和PDA模式3种控制模式。试验采用PDA模式。

1.3 土壤光谱数据预处理

1.3.1 土壤样本筛选 由于在室外直接对表层土壤进行采集，受外界气候、温度等条件的影响，虽然采集样本的光谱特征差异相对较小，但仍然存在异常样本。因此，应进行有效样本的统计分析。

聚类分析是将所有研究对象按照相对同质原则进行划分的统计分析技术。其基本方法为比较样本间的性质差异，将性质相近的归为一类。试验采用快速聚类法(K-Mean聚类法)进行有效样本的统计分析。该方法按照指定的分类数量以及分类种数进行分类，此过程在SPSS中完成。分类结果将所有样本分为3类，其中最多样本的类别为42个，因此选定此类别数据计算和处理。

1.3.2 光谱变换 受光谱仪器本身构造特性影响，光谱仪工作波段中两端波段(如340～399 nm及2 500～2 520 nm)反射率信噪比极低，数据噪音较大。为增强提取信息的可信度，从原始光谱数据中去除此两段数据，将其余(400～2 500 nm)共2 101个波段数据作为土样的试验光谱反射数据。

1.4 数据处理与分析方法

多元逐步回归分析(SMLR)是多元线性回归分析中选择回归变量的一种数学方法，利用回归法按一定显著水平筛选统计检验显著的波长，再进行多元线性回归计算。其基本思想是将回归变量逐个选入，选入的条件是其偏回归平方和显著；每选入一个新的变量后，对已选入的各变量逐一进行显著性检验，并剔除不显著变量。当回归方程中的所有自变量对因变量均有显著影响而不需要剔除时，再考虑从未选入方程的自变量中挑选有显著影响的新变量进入方程，引入或剔除1个变量均称为1步，不断重复这一过程，直至无法剔除已引入的变量，也无法再引入新的自变量时，逐步回归过程结束。该方法筛选的显著波段数较多，获得的自变量较多且不具有多重共线性的特点，因此可以建立优模型。

式中，W为土壤含水量，a0、ai为回归系数，N为用于建模的波段数，Rri为波长ri处的输入光谱值。

2 结果与分析

2.1 光谱变换

2.2 土壤含水量高光谱特征

2.2.1 土壤光谱波形 由图3所示，80个样本的光谱反射率与土壤含水量的变化曲线，去除有明显误差的样本，剩下按照土壤不同湿度将其分成6个区间，不同土壤含水量反射光谱曲线如图4。虽然不同土壤含水量所对应的光谱曲线有高低，但是曲线趋势大体一致。光谱反射率随土壤水分含量增加而降低，同一土壤样本反射率随波长值增大基本呈上升趋势。所有样本的土壤光谱曲线走向一致，基本平行，土壤的反射率在18～100，光谱曲线在400～2 450 nm，具有一定的波动性。土壤曲线整体表现出400～700 nm波段反射率呈不断上升趋势；700～1 900 nm波段反射率较高，随波长增加反射率值缓慢上升；到1 945 nm附近出现波动，且达到峰值；1 900～2 500 nm波段反射率随波长的增加呈下降趋势。

2.2.2 土壤反射率标准差对光谱的影响 由图5可见，所有样本光谱反射率在300～2 500 nm波长上的标准差，利用标准差数值分析土壤样本在整个波长区间上的光谱差异，标准差越大，即土壤水分在土壤光谱中的差异贡献越大。在400～680 nm的紫光黄光波段，标准差持续上升，在680～720 nm间呈现1个波峰；750～1 350 nm间反射率标准差基本保持不变，曲线走向平缓；1 550 nm处出现较小波峰，在1 945 nm波段呈明显波峰，随后反射率标准差缓慢下降；2 216 nm处出现较小的波谷，随后又缓慢上升。由此可见，光谱反射率在300～2 500 nm波长上标准差整体呈上升趋势，但幅度较小，说明在整个波段区间内土壤水分对土壤反射率均有影响，其影响也缓慢增大。可见，在波峰出现处对应的680 nm、1 945 nm、2 450 nm波段，其土壤水分对反射率的影响较大，是进行模型建立优先考虑的特征波段。

2.3 基于多元逐步回归分析的估测模型建立

表1 反射率及其不同导数变换形式与土壤水分含量的多元逐步回归模型(n=42)

注：y为土壤水分含量；x为下标波段反射率及其变换值。

为进一步检验模型预测精度和可靠性，对基于R’光谱变换的最佳模型，利用20个检验样本的高光谱数据对该部分最佳模型进行验证(图6)，其拟合方程为y=0.940 2x+0.305 6，方程R2为0.96，RMSE为1.23。表明，该模型对土壤含水量的预测具有较好的准确性。

3 总结与讨论

试验利用高光谱数据进行室外表层土壤含水量的高光谱估测模型的建立表明，在建模过程中，SMLR作为特征光谱波段提取方法，具有很好的预测能力。虽然构建过程相对复杂，但可以利用计算机编程技术实现半自动化计算。

试验得出如下结论：1) 确定了室外土壤样本水分的特征波段为344～388 nm、662～675 nm、819～829 nm、873～884 nm、1 004 nm、1 436 nm、1 914 nm、1 954 nm、2 016～2 140、2 335～2 460 nm。2) 建立了基于特征波段的土壤含水量预测模型，其拟合方程为y=0.9402x+0.3056，该模型对土壤含水量的预测具有较好的准确性，可为土壤含水量的准确、快速估测技术提供参考。