土壤含水量預測模型研究范文

本站小編為你精心準備了土壤含水量預測模型研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《土壤學報》2015年第七期

摘要

為了定量分析土壤含水量與反射光譜特征之間關系，并為土壤含水量速測提供理論依據。以黑土作為研究對象，測定實驗室光譜反射率，利用去包絡線方法提取反射光譜特征指標，建立土壤水分含量高光譜預測模型。結果表明：黑土含水量與1420nm、1920nm附近吸收谷的主要光譜特征（吸收谷深度、寬度、面積）呈顯著正相關；1920nm附近吸收谷可作為黑土土壤水分的特征吸收谷，由其光譜特征參數預測黑土含水量；以1920nm附近吸收谷面積為自變量建立的一元線性回歸模型預測精度高，輸入量少，可以作為土壤含水量速測儀器研制的理論依據。

關鍵詞

反射光譜；土壤水分；去包絡線；吸收特征

含水量是土壤理化特性的一個重要指標。就農業而言，土壤水分是農作物生長發育的基本條件，也是灌溉管理和產品預報中的重要參數，尤其在精準農業中是極為關鍵的參數。因此，土壤水分監測一直是人們關注的問題[1]。高光譜遙感具有較高的光譜分辨率[2]，能夠快速獲取土壤反射光譜信息，其在土壤理化參數預測及相關研究中應用廣泛[3-5]。高光譜遙感可探測表層土壤含水量細微差異的變化，為動態監測區域或地塊尺度土壤含水量提供了一種新的技術手段[6]。對于土壤含水量與土壤反射光譜特征的關系，國內外學者已經進行了大量的研究[7-11]，并得到了較為一致的結論：在一定的土壤含水量范圍內，土壤光譜反射率隨土壤水分的增加而降低；在土壤含水量達到閾值后，土壤光譜反射率隨土壤水分的增加而增加。已有土壤含水量高光譜預測模型，多以反射率及其數學變換形式作為輸入量，但缺少對反射光譜特征機理的定量分析。土壤吸收谷光譜特征參數在土壤理化參數高光譜預測[12-13]、土壤鹽堿化評價[14-15]等方面被普遍使用，并取得了較好的效果。但關于其在土壤含水量預測中應用的文獻較少，Bowers和Hanks[16]認為土壤反射光譜在1400nm、1900nm、2200nm處為土壤水分吸收帶；何挺等[17]提取了黃綿土、綿砂土和風砂土在1450nm和1925nm兩個吸收谷的光譜特征參數，并建立了土壤含水量預測模型。但以上研究以不同土壤類型為研究對象，而土壤光譜是土壤內在理化特性的綜合反映[18]，不同類型的土壤由于其理化特征不同，光譜特征存在差異，將不同類型土壤作為一個整體、研究其光譜特性而得到的土壤含水量預測模型，在預測某一特定類型土壤含水量時，所得的結果與實際情況存在誤差[19-20]。因此，本文以單一土壤類型——黑土為研究對象，精細調配不同含水量，以獲得含水量間隔更小的土壤樣本。測定黑土實驗室光譜反射率，利用去包絡線方法提取土壤反射光譜吸收谷特征參數，分析土壤含水量與光譜特征參數的關系，建立黑土含水量高光譜預測模型，以探討運用光譜特征參數預測土壤含水量的潛力，為土壤水分含量的快速測定提供新方法。

1材料與方法

1.1樣本采集與含水量調配試驗2009年5月22—26日，于作物播種后、出苗前，在黑龍江典型黑土區采集不同有機質含量的8個土樣（有機質含量分別為30.6、31.8、32.6、36.9、39.2、39.5、50.0、51.8gkg-1）各15kg。采用新的土壤水分調配方法，精細調配不同含水量，共得到土壤樣本102個。含水量調配試驗具體過程如下：首先確定8個土樣各自的飽和含水量，將各風干土樣分成含水量調配所需的個數（各土樣需要調配不同含水量的個數等于各自土樣的飽和含水量除以含水量間隔）；為保證土壤與水充分混合，將土樣置于密封效果好的塑料袋中，對土樣采用噴壺噴蒸餾水，邊噴邊攪拌；為使土壤充分均勻吸收水分，噴水過后，將每個土樣在4~5℃的環境下密封放置24h；隨后對其進行光譜測試，然后取每個土樣容器中部的土壤，裝入已經稱重的小燒杯，稱重，隨后將其在烘箱105℃的環境下放置8h，確定土樣為恒重后，計算各土樣土壤含水量[21]。

1.2土壤反射光譜測定對102個土壤樣本進行反射光譜測定，樣本的高光譜反射率采用美國分析光譜儀器公司生產的野外便攜式高光譜儀ASDFieldSpec®3在暗室內測定，每個土壤樣本采集10條光譜曲線，取平均得到土壤的實際反射光譜數據。

1.3數據處理高光譜反射數據預處理：采用9點加權移動平均法對光譜曲線進行平滑去噪處理。利用高斯模型對光譜數據進行5nm光譜重采樣。去包絡線與光譜特征參數計算：對于同一種土壤，光譜反射率的差異相對較小，而包絡線消除法可以有效突出反射光譜曲線特征，并將反射率歸一化到0～1之間，光譜的吸收特征也歸一化到一致的光譜背景上[15]，在去包絡線的基礎上發展了一些光譜吸收特征參數[22]，主要有吸收谷左右肩與谷底值及相應的波長位置（Ll、Lv、Lr）、吸收深度（D）、吸收寬度（W）、吸收谷總面積（A=A1+A2，其中，A1和A2分別是吸收谷左/右半部分的面積）和對稱度（S，S=A1/A），見圖1。在遙感軟件ENVI4.6環境下，建立土壤光譜數據庫；利用ContinuumRemoved功能對土壤光譜數據進行去包絡線處理，利用VisualC#語言編寫程序計算得到各土壤樣本的光譜特征參數[23]。

1.4模型建立與驗證為準確評價模型精度與穩定性，并保證樣本之間的含水量間隔，將102個樣本分為兩部分，以固定的含水量間隔，挑出68個樣本作為建模樣本，其余的34個樣本作為驗證樣本。分別采用一元線性回歸法、多元線性逐步回歸法、偏最小二乘法，以反射率、去包絡線值、光譜吸收特征參數作為輸入量，建立黑土含水量高光譜預測模型。模型精度由決定系數（R2）和均方根誤差（RMSE）進行綜合評價，模型的決定系數（R2）越大，模型越穩定；RMSE越小，模型預測能力越好[24-25]。

2結果與討論

2.1不同含水量黑土反射光譜特征圖1為有機質含量31.8gkg-1、不同含水量土樣的反射光譜曲線及對應去包絡線。隨著土壤含水量的增加，光譜反射率逐漸減小。包絡線去除后的曲線使可見光近紅外波段的吸收特征顯著增強。由去包絡曲線可以看出，黑土光譜反射率在400~2500nm范圍內主要有5個光譜吸收谷，吸收谷最小值的波長位置分別大致位于510、615、1420、1920和2210nm（命名為G1、G2、G3、G4和G5）。隨著含水量的增加，前四個吸收谷的深度逐漸增加，G1和G2吸收谷的形狀變化較大，但變化不像1420nm和1920nm附近吸收谷那么規律；1420nm附近的吸收谷谷底的波段位置隨著土壤水分含量的增加有向右偏移的跡象，但1920nm附近的吸收谷谷底波段位置隨著土壤水分含量的增加無明顯變化，而1920nm附近吸收谷的深度、面積等特征隨著土壤水分含量的增加有明顯變化；2210nm附近的吸收谷特征隨含水量的變化不明顯。通過對土壤含水量與土壤光譜吸收特征之間的相關性及顯著性進行分析（表1）進一步證明了上述現象，可以看出，前四個吸收谷的絕大多數光譜特征參數與土壤含水量呈正相關；從顯著性水平來看，除G4左肩位置僅達到顯著水平外，其余的均達到極顯著水平。而G5的絕大多數光譜特征參數與土壤含水量呈負相關；僅有兩處特征參數達到極顯著水平，其余特征參數為顯著水平。G1、G2光譜特征參數與含水量的相關系數相對偏小，土壤水分對前兩個吸收谷的作用較小。G1和G2的光譜特征主要受土壤有機質及機械組成的影響。G3谷底波段位置與含水量的相關系數高于G4，而G4附近的深度、寬度、面積與含水量的相關系數，均高于G3；G3、G4主要光譜特征參數與含水量均呈顯著正相關，且相關系數高，表明其與土壤含水量有著較大的相關性，可以將其作為輸入量，建立預測模型。而G5各參數與含水量相關系數低，表明其與土壤含水量的相關性較小，G5特征是土壤水分和礦物組成共同作用的結果。

2.2土壤含水量高光譜預測模型本文選取了三種方法（一元線性回歸法、多元線性逐步回歸法、偏最小二乘法）建立黑土含水量預測模型。三種建模方式有其各自的優勢，一元線性回歸法建立模型輸入量少，計算量小，適合用于作為便攜式土壤水分測試儀的理論基礎[26]；多元線性逐步回歸法在光譜分析中應用廣泛，其建立的模型簡單直觀、容易理解，該方法在可控條件下可靠性較高；偏最小二乘法采用對數據信息進行分解和篩選的方式，有效提取對系統解釋性最強的綜合變量，剔除多重相關信息和無解釋意義信息的干擾[27]。

2.2.1一元線性回歸模型選取與土壤含水量相關系數高于0.9的光譜吸收特征參數建立一元線性回歸模型（表2），除1420nm附近吸收谷谷底波長位置外，其他各光譜特征參數建立的預測模型建模決定系數均達到0.921以上，以1920nm附近吸收谷面積建立的預測模型效果最佳，建模決定系數達到了0.946。選擇土壤含水量與敏感波段處（1420nm、1920nm、2210nm）光譜反射率建立一元線性回歸模型，由表2可以看出，由敏感波段處反射率建立的一元線性回歸模型的建模決定系數低于由光譜特征參數（除1420nm附近吸收谷谷底波長位置外）建立的一元線性回歸模型，建模RMSE高于由光譜特征參數（除1420nm附近吸收谷谷底波長位置外）建立的一元線性回歸模型，說明利用光譜特征參數建立的一元線性回歸模型的穩定性更好、精度更高，這表明可以將光譜吸收特征參數運用于土壤含水量預測，對于黑土來說，1920nm附近的吸收谷光譜特征參數建立的一元線性回歸預測模型效果最好。

2.2.2多元線性逐步回歸模型選擇與土壤含水量相關系數最大的波段作為敏感波段，分別以反射率與去包絡線后的敏感波段的值、吸收谷光譜特征參數作為輸入量，建立土壤含水量多元線性逐步回歸預測模型（表3）。結果顯示，以去包絡線后的值和光譜特征參數作為輸入量的模型，預測效果和穩定性更好。

2.2.3偏最小二乘回歸模型分別以反射率、去包絡線后的值、吸收谷光譜特征參數作為輸入變量，建立黑土含水量偏最小二乘回歸模型，模型之間的差別不大（表4）。其中，以反射率為輸入變量建立的模型精度最高，穩定性最好。

3討論

本文采用三種方法建立的黑土含水量預測模型效果較為理想。建模結果表明：運用土壤吸收谷光譜特征參數預測土壤含水量具有可行性。由三種模型的建模效果可以看出，雖然運用吸收谷光譜特征參數建立的一元線性回歸模型的精度和穩定性與運用多元線性逐步回歸、偏最小二乘法建立的模型相差不大，但是一元線性回歸模型的輸入量遠少于多元線性逐步回歸和偏最小二乘法的輸入量，且一元線性回歸模型計算量小、操作簡捷。反射率、去包絡線后的值與土壤含水量的最大相關系數所在的波段位置，不同地域、不同樣本，差異較大，模型普適性較差。而由去包絡線得到的吸收谷光譜特征參數只與光譜吸收谷的形狀特征有關，對于特定的土壤類型，吸收谷的位置是相對固定的[15]；并且土壤反射光譜特征是土壤有機質、水分、機械組成等綜合作用的結果，基于去包絡線法提取的吸收谷光譜特征參數降低了對上述影響因素的敏感性[23]，因此，以吸收谷光譜特征參數作為輸入量建立的土壤含水量預測模型具有更強的穩定性和普適性。

1920nm附近吸收谷的光譜特征參數與黑土含水量顯著正相關，以其作為輸入變量建立的一元線性回歸預測模型精度較高。以1920nm附近吸收谷面積建立的預測模型效果最佳，建模決定系數達到了0.946，建模RMSE達到了2.225，其建模效果遠好于利用敏感波段處反射率建立的一元線性回歸模型。Bowers和Hanks[16]認為1900nm是土壤水分的特性波段，提出可由土壤反射光譜在這一波段值的大小推算土壤含水量，但未給出具體的模型。本文通過統計分析與建模得出：1920nm附近的吸收谷是黑土土壤水分的特征吸收谷，可由該吸收谷的光譜特征參數預測黑土含水量，并給出了具體的一元線性回歸預測模型和多元線性逐步回歸預測模型。何挺等[17]建立了光譜數據和相應土壤含水量之間的定量關系，得到在預測土壤含水量時，1450nm吸收谷較1925nm吸收谷更為有效。本文結論與之存在差異，這可能與二者所研究的土壤類型不同有關。

值得注意的是，偏最小二乘回歸模型雖然輸入波段較多，但預測精度和穩定性均與1920nm附近吸收谷的面積為自變量的一元線性回歸模型相差不大（表2和表4），這可作為土壤含水量速測儀器研制的依據。4結論1420nm和1920nm附近的反射光譜吸收谷特征參數與黑土含水量的相關性較好；采用土壤光譜吸收谷特征參數建立的黑土含水量高光譜預測模型，精度較高，穩定性較好；1920nm附近的吸收谷可作為黑土土壤水分的特征吸收谷，由該吸收谷的光譜特征參數預測黑土含水量；以1920nm附近吸收谷面積為自變量建立的一元線性回歸模型預測精度與以多變量為輸入量建立的偏最小二乘回歸模型相差不大，可以作為土壤含水量速測儀器研制的依據。本研究建立的模型精度高、穩定性好，這與采用了單一的土壤類型和改良的土壤水分調配方法有很大的關系。相關結論對于不同土壤類型的效果如何，需要進一步的研究來明確。

作者：金慧凝 張新樂 劉煥軍 康苒 付強 寧東浩 單位：東北農業大學資源與環境學院