基于归一化光谱指数的土壤含水率反演研究

徐金华

(广东江河流禹工程设计有限公司，广东 深圳 518100)

0 前 言

可用水量是全球粮食生产的主要决定因素，其中的关键部分是土壤水分。鉴于未来气候变化的潜在风险，使农业生产系统的管理适应土壤水分将变得越来越重要[1]。土壤水分(SMC)的信息可用于指导一系列管理决策，由其是确定灌溉的水量和时间。在旱地耕作土地中，可以将其与季节预测结合使用，根据来年的水资源利用率确定目标产量，确定肥料用量。在干旱地区的放牧区中，它可以根据储存的土壤水分确定草料量以此来确定放养率。除了对农业的重要性外，土壤水分在许多学科中是重要的组成部分，例如水文学、气象学、生态学。因此，有必要快速有效地监测土壤含水率。

近红外光谱(高光谱)技术是一种快速、经济高效和生态友好的技术，可以在实验室和野外提供众多波段的高光谱数据。高光谱在同时估算各种土壤特性方面具有巨大潜力[2-3]。近年来，虽各种定量方法已应用于高光谱数据以估计SMC含量，例如多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)[4-5]。但这些方法往往需要用到许多光谱变量，导致模型具有较多的不确定性。而光谱指数可以从许多光谱数据中提取有效的光谱变量，用此类指数建模既可以简化模型，也可以得到更为有效的模型。因此，本文利用归一化光谱指数，结合一元线性回归建立用于预测土壤含水率的估算模型，以期为精准农业及其他需要快速检测土壤含水率的工作提供参考。

1 材料与方法

1.1 研究区概况

研究区域为广东深圳地区，位于广东省中南沿海地区，珠江入海口之东偏北，所处纬度较低，属亚热带海洋性气候。年平均气温22.4 ℃，雨量充足，每年4—9月为雨季，年降雨量1 933.3 mm，2019年，深圳市农作物播种面积1.23万 hm2(18.41万亩)，该地区主要农作物为水稻，因此，有效监测土壤含水率，对该地区的精准农业发展是必要的。

1.2 研究材料采集及土壤样本含水率的测定

本次研究以深圳地区采集的150个不同含水率的土样为研究样本，采样深度为0～20 cm。收集时剔除浸入体，然后将土样放入采样袋中密封、编号、称重并带回实验室。从采样袋内取40 g左右有代表性的土样放入铝盒内，盖上盖称重，并记录铝盒的编号和重量。将没加盖的铝盒放入干燥箱内，在105 ℃、24 h恒温条件下用干燥法测得土壤样本质量含水率ωm。其中土壤样本质量含水率ωm的公式为

(1)

式中：M1为土样质量(含铝盒)，g；M2为干燥后土样质量(含铝盒)，g；M3为空铝盒质量，g。

1.3 光谱测定

利用ASD FieldSpec 3光谱仪，测量土样的光谱反射率。该光谱仪的基本数据参数为350～1 000 nm为1.4 nm，1 000～2 500 nm为2 nm，重采样间隔为1 nm。将150份土壤样品装入直径为10 cm，深度为2 cm的黑色容器中，填充后将表面刮平后，进行光谱测量[6]。

1.4 光谱数据预处理

剔除边缘波段350～400 nm和2 401～2 500 nm，这部分数据具有较高的噪声，无法用于土壤含水率的预测。再通过Savitzky-Golay(SG)滤波法对光谱数据(400～2 400 nm)进一步去噪。通过光谱10 nm间隔重采样，降低光谱数据的冗余，得到400～2 400 nm@10 nm，共201个波长用以分析计算。此外，利用Matlab R2018软件计算光谱的一阶微分(FD)及二阶微分(SD)，以此降低基线漂移的影响，突出曲线特征，其公式见(2)、(3)。

(2)

(3)

式中:Rλi-1、Rλi和Rλi+1为400～2 400 nm中3个相邻波段。

1.5 光谱指数构建

本文选取归一化光谱指数来尝试预测土壤含水率[7]。具体公式如下：

(4)

式中:Rλ1和Rλ2为400～2 400 nm中任意两波段，且Rλ1≠Rλ2。

1.6 建模策略及模型评价

利用K-S算法将150个样本分为2个样本集，其中90个样本用于建模，其余60个样本用以精度验证。土壤含水率的特征见图1。由图可知，3个样本集的最大值及最小值接近，平均值在22%左右。从图中3个小提琴子图的形状可以看出3个样本集之间的样本分布基本一致，这为后面的分析建模提供了一定的基础。

图1 描述样本特征的小提琴图

(5)

(6)

(7)

式中:S.D为观测值的方差；RMSE为均方根误差。

2 结果与分析

2.1 不同土壤含水率的光谱曲线分析

利用公式(2)、(3)计算一阶微分光谱及二阶微分光谱，结果如图。图2为不同预处理后的光谱曲线，图a中的原始光谱曲线，具有两个明显的吸收谷1 400，1 900 nm[8]。这两个吸收谷与土壤水分有着相当强的联系，故这两个吸收谷也被称为水分吸收谷。经过一阶微分处理后，可以显著消除光谱曲线的基线漂移现象，即光谱的反射率值逐渐接近于0。此外，一阶微分曲线的特征相比于原始的光谱曲线更加丰富，这有利于提取感兴趣的光谱信息。同样的经过二阶微分处理后也有类似的效果，不过由于基线漂移的显著消除，曲线的噪声也得到凸显，可能会对后面的建模预测产生影响。

图2 不同预处理的土壤光谱曲线图

2.2 光谱指数的构建与分析

利用归一化光谱指数公式(4)，计算所有光谱指数。并将计算后的光谱指数与对应的土壤含水率进行相关性分析。利用分析得到的相关系数矩阵绘图，得到图3～5。这3个图分别代表基于不同光谱曲线的光谱指数与土壤含水率的相关系数矩阵。由图可知，不同波段组合而成的光谱指数效果有所不同。基于原始光谱的光谱指数，与土壤含水率的相关性最高可达0.88，该指数由1 420 nm和1 360 nm两个波段组合；基于一阶微分光谱的光谱指数，与土壤含水率的相关性最高可达0.87，该指数由1 900 nm和1 410 nm两个波段组合；基于二阶微分光谱的光谱指数，与土壤含水率的相关性最高可达0.78，该指数由1 890 nm和1 870 nm两个波段组合；3个指数的具体形式如下：

图3 基于不同光谱指数建模的预测精度比较图

(8)

(9)

(10)

这些指数都由于水分吸收波段1 400 nm和1 900 nm附近的波段所组成。这说明本文所构建的光谱指数在机理上是可行的。所以本文利用3个指数分别构建模型。

图4 基于不同光谱指数建模的预测精度比较图

图5 基于不同光谱指数建模的预测精度比较图

2.3 模型的建立与分析

表1 基于光谱指数的偏最小二乘回归建模与预测效果表

为了进一步分析比较3个模型的差异，本文绘制了模型实测与预测值的散点见图6。由图可知，模型NDI-FD的散点分布更加集中，且其拟合线与1∶1直线的重合度高。综上分析，NDI-FD模型(y=0.71x+0.49)可以被用于土壤含水率的预测。在实际生产过程中，可以利用光谱仪获取土样光谱数据，利用文中所述流程计算NDI-FD光谱指数，将其带入公式y=0.71x+0.49，即可快速获得土壤含水率。

图6 基于不同光谱指数建模的预测精度比较图

3 结 论

以广东深圳地区的土壤为研究样本，用归一化光谱指数分别构建土壤含水率一元线性模型，通过对模型对比分析，得到以下结论：

(1) 一阶微分光谱可以有效去除外界噪声，降低光谱基线漂移。而基于一阶微分光谱提取的归一化指数对土壤含水率更敏感。

(2) 基于原始反射率的归一化指数(NDI-R)与土壤含水率的相关性最好，其相关系数值可达0.89，达到极显著水平。

(3) 由一阶微分光谱的归一化指数(NDI-FD)所构建的一元回归模型(y=0.71x+0.49)，经验证明可以有效预测土壤含水率，其RPD值可达3.09，达到定量预测水平。

该模型的建立为水土保持监测及精准农业提供了一定的参考。