基于高光譜成像技術的土壤水分機理研究及模型建立

吳龍國， 王松磊,2， 何建國,2*， KAZUHIRO Nakano

(1. 寧夏大學 土木水利工程學院， 寧夏 銀川 750021; 2. 寧夏大學 農(nóng)學院， 寧夏 銀川 750021; 3. Graduate School of Science and Technology in Niigata University, Niigata 950-2181, Japan)

基于高光譜成像技術的土壤水分機理研究及模型建立

吳龍國1， 王松磊1,2， 何建國1,2*， KAZUHIRO Nakano3

(1. 寧夏大學 土木水利工程學院， 寧夏 銀川 750021; 2. 寧夏大學 農(nóng)學院， 寧夏 銀川 750021; 3. Graduate School of Science and Technology in Niigata University, Niigata 950-2181, Japan)

為了研究寧夏地區(qū)土壤的水分遷移機理以及對土壤水分快速無損檢測，利用高光譜成像(光譜范圍900～1 700 nm)技術對土壤的含水率進行了研究。通過高光譜成像系統(tǒng)采集了208個土樣，比較了不同天數(shù)下土壤含水率與光譜的變化、不同質量含水量光譜的差異。對采集到的土樣進行PLSR模型建立，對比分析不同光譜預處理方法、不同方法提取特征波長(UVE、CARS、β系數(shù)、SPA)、不同建模方法(MLR、PCR、PLSR)建立的模型，優(yōu)選出最佳模型。結果表明：在一定的土壤含水量范圍內(nèi)，光譜曲線的反射率與土壤含水率成反比；當增大到超過田間持水率時，光譜曲線的反射率與土壤含水率成正比。對比分析了不同預處理方法，優(yōu)選出單位向量歸一化預處理方法。對比不同的模型，優(yōu)選出SPA提取的特征波長的MLR模型。最優(yōu)的特征波長為987，1 386，1 466，1 568，1 636，1 645 nm，最優(yōu)模型的預測相關系數(shù)Rp=0.984，預測均方根誤差RMSEP為0.631。因此，今后可采用不同波段對土壤含水率進行定量分析。

高光譜成像； 土壤； 水分含量； 無損檢測

Abstract: By using the near-infrared(spectral range of 900-1 700 nm) hyperspectral imaging technique, the soil moisture movement mechanism and non-destructive determination of the moisture content of soil in Ningxia Hui Autonomous Region were studied. A total of 208 soil samples were collected by hyperspectral imaging system. The differences among soil water content, spectral changes, and spectra of different water contents were compared. The best model was chosen by different spectral pretreatment manners, different extraction manners of the characteristic wavelengths(UVE, CARS,βcoefficient, SPA), and different building model manners(MLR, PCR, PLSR). The results show that the changes of spectra are inversely proportional to the changes of soil water content within the moisture limits. When the moisture content of soil is beyond the field water holding capacity, the changes of spectra are directly proportional to the changes of soil water content. The unit vector normalized preprocessing method is optimized. The best model is MLR method based on the characteristic wavelength of SPA extraction. The optimal characteristic wavelengths are 987, 1 386, 1 466, 1 568, 1 636, 1 645 nm, and the value of optimal correlation coefficient and RMSE are 0.984 and 0.631, respectively. Therefore, the soil moisture content can be quantitatively analyzed using different wavelengths.

Keywords: hyperspectral imaging; soil; moisture content; non-destruction

1 引 言

水資源的短缺、供需矛盾的尖銳、農(nóng)業(yè)用水浪費嚴重以及水污染等突出問題，已成為制約我國經(jīng)濟可持續(xù)發(fā)展的重要因素之一。據(jù)統(tǒng)計，我國多年平均水資源總量為2.8萬億立方米，位列世界第6位[1-2]。寧夏回族自治區(qū)地處我國西部的黃河上游，屬于典型的大陸性半濕潤、半干旱氣候，具有冬季寒冷漫長、夏季炎熱周期短、降雨降雪量較少、氣候比較干燥、南寒北暖等特點。水已成為寧夏經(jīng)濟社會發(fā)展和生態(tài)環(huán)境演變的關鍵因素[3]。

隨著我國經(jīng)濟、文化、科技水平的快速發(fā)展，在農(nóng)業(yè)發(fā)展進程中，人們提出了精準農(nóng)業(yè)的設想，以達到降低投入、增加作物產(chǎn)量、減少環(huán)境污染等目的[4]。土壤的水分含量是農(nóng)作物生長發(fā)育的基本條件和產(chǎn)量預報模型中的重要參量，其含量的多少直接對作物的生長產(chǎn)生影響，并且對農(nóng)田局部氣候以及土壤特性等也具有一定的影響[5]。在土壤-植物-大氣(Soil-plant-atmosphere continuum，SPAC)循環(huán)系統(tǒng)中，水分作為其中的傳遞物質，連接著大氣與土壤。水分作為天然土壤的重要組成部分之一，表層含水量的測定對農(nóng)業(yè)生產(chǎn)的指導作用極大。尤其是在我國的西北干旱和半干旱地區(qū)，農(nóng)民習慣了漫灌的方式對農(nóng)田進行灌溉，同時可以達到淋洗鹽分的作用[6]。然而，漫灌的形式對水資源的浪費比較嚴重且灌溉效率低。長期進行這種灌溉方式，使得農(nóng)田容易產(chǎn)生次生鹽漬化現(xiàn)象[7]，對后期作物生長影響嚴重。因此，對于農(nóng)業(yè)生產(chǎn)管理方面來說，土壤表層土壤含水量的監(jiān)測對于制定合理的灌溉方案、減少土壤次生鹽漬化現(xiàn)象的發(fā)生具有十分重要的實際意義。

傳統(tǒng)的土壤水分含量檢測方法通過野外定點調(diào)查方式，不僅耗時耗力而且對土壤的破壞性強，測點少，代表性差，從而無法實現(xiàn)快速、精準、動態(tài)獲取大面積土壤水分的實時動態(tài)監(jiān)測。目前，土壤含水率是通過物理的方式利用水分子的特性進行定量檢測，主要有微波監(jiān)測[8-11]、熱紅外監(jiān)測[12]、光學監(jiān)測[13-17]等。由于不同監(jiān)測方法反演土壤含水率的原理不同，土壤含水率的反演效果也有很大差異。

高光譜成像是新一代的光譜檢測技術，通過機載或星載的遙感技術，獲取的遙感數(shù)據(jù)有AVIRIS、Hymap、Hyperion[18-20]等。張婷婷[21]、吳見等[22]通過Hyperion技術對土壤信息進行了研究。國內(nèi)外學者利用高光譜成像技術對土壤中水分含量做了大量研究[23-28]，結果發(fā)現(xiàn)水分的變化對土壤光譜有著強烈的影響。正是由于這個原理，土壤反射光譜特性[29-32]使得定量反演不同程度的鹽漬化土壤的含水率受到了限制。上述研究均體現(xiàn)了應用高光譜成像技術對土壤的含水率信息的獲取與預測具有實際的可行性，并對不同含水量土壤與光譜之間存在的關系進行了研究，取得了較好的結果，為本文土壤水分監(jiān)測提供了方法指導與技術支持。因此，本文開展土壤水分動態(tài)定量檢測的研究，對田間水肥管理的可持續(xù)發(fā)展、加強水資源的集約管理、提高水分利用效率的科學管理具有重要的現(xiàn)實意義和指導作用。

2 實驗材料與方法

2.1 實驗區(qū)概況

實驗的研究區(qū)域為銀川市周邊地區(qū)。銀川的地理位置優(yōu)越，主要由山地和平原組成，呈現(xiàn)西高東低、南高北低的地形。年降水量平均為200 mm，屬典型的大陸性半濕潤半干旱氣候，土地總面積達9 491.0平方公里?？筛魍寥赖耐临|適中，土壤肥沃，適于發(fā)展農(nóng)業(yè)生產(chǎn)和多種經(jīng)濟作物生長。

2.2 儀器

北京卓立漢光儀器有限公司的HyperSIS-NIR高光譜成像系統(tǒng)(900～1 700 nm，光譜分辨率5 nm，256個波段)由高光譜成像光譜儀(Imspector N17E, Spectral Imaging Ltd., Oulu, Finland)、CCD相機(Zelos-285GV，Kappa optronics GmbH, Gleichen, Germany)、4個35 W鹵鎢燈(HSIA-LS-TDIF, Zolix instruments Co.,Ltd., Beijing,China)、電控位移平臺(PSA200-11-X, Zolix Instruments Co.,Ltd., Beijing, China)、計算機 (Lenovo Inter(R) Core i7-2600CPU@3.40 GHz, RAM 4.00G)和數(shù)據(jù)采集軟件(ENVI4.7, Zolix Instruments Co., Ltd., Beijing, China) 5部分組成(見圖1)。其他儀器還有WY 105W水分測定儀(上海婉源電子科技有限公司)和JA3102電子天平(上海?？惦娮觾x器廠)。

圖1 高光譜成像系統(tǒng)

2.3 高光譜成像的采集

經(jīng)過預實驗確定最佳的圖像采集的參數(shù)如下：光源的穩(wěn)流設置為6 A,物距為385 mm，輸送裝置的步距為14 mm/s，成像光譜儀的曝光時間為10 ms。在采樣之前，為減弱成像光譜儀暗電流和室內(nèi)照明對圖像的影響，需對儀器進行黑白校正[33]，公式如下：

(1)

式中：RO是樣本原始的漫反射光譜圖像，W是白板的漫反射圖像，D是暗圖像，R是校正后的漫反射光譜圖像。

在實驗過程中，每組取5個土壤樣本，標號,按照一定的順序擺放在載物臺上，關閉暗箱門，連接位移平臺控制電機，開始掃描，獲取所有樣本的高光譜圖像數(shù)據(jù)。圖像數(shù)據(jù)處理之前，采用系統(tǒng)自帶的Envi 4.7軟件分割高光譜圖像，得到208個土壤樣本的單個圖像。

2.4 分析方法

2.4.1 樣本含水量計算方法

采用重量含水率對土壤樣品進行研究，重量含水量表示待測土壤中水分的質量與烘干后土壤的比值，量綱為一。先在測試點對土樣進行采集，并將土壤樣品裝入鋁盒中，用直尺刮平，然后進行高光譜圖像掃描。掃描結束后立即使用鹵素快速水分儀測量。從鋁盒中稱取10 g左右的表層土壤放入鹵素快速水分分析儀中，設置溫度為110 ℃，儀器自動烘干到樣品恒重，記錄數(shù)據(jù)。采用重量含水量公式計算土壤含水率(η)。計算公式如下:

(2)

式中，m1為土樣質量，單位為g；m2為烘干后土樣質量，單位為g。

2.4.2 數(shù)據(jù)分析方法

(1)特征波長提取

特征波長提取也叫數(shù)據(jù)降維，是指通過線性或非線性映射方法將高維數(shù)據(jù)投影到低維數(shù)據(jù)空間，在保留或者增強原始信息的前提下盡可能多地去除大量的冗余信息，從而找到能夠表征高維數(shù)據(jù)空間的低維分量的過程。常見的有主成分分析、連續(xù)投影算法(SPA)[34]、競爭自適應法、無信息變量選擇等方法。

(2)模型建立方法

定量模型指的是將光譜信息與被測樣本的化學指標建立聯(lián)系，往往通過化學計量學的方法進行實現(xiàn)。常用的定量化學計量學方法有多元線性回歸、主成分回歸、偏最小二乘回歸等。

2.4.3 模型構建與評價

為準確評價模型精度與穩(wěn)定性并保證樣本之間的含水量間隔，預先將208個樣本分為校正集與預測集兩部分，選擇3/4樣本作為建模集，1/4樣本作為預測集。以土壤的反射率和含水量作為輸入量，采用多元線性回歸法、主成分回歸法、偏最小二乘法等方法建立土壤含水率高光譜預測模型。模型精度由相關系數(shù)(R)和均方根誤差(RMSE)進行綜合評價，模型的相關系數(shù)(R)越大，模型越穩(wěn)定；RMSE越小，模型預測能力越好。

3 結果與討論

3.1 不同天數(shù)土壤含水率與光譜變化

為了得到具有一定梯度的土壤含水率樣本，通過人工配制11組土壤初始含水率為30%的樣本進行平行實驗。選取11個已稱重的250 mL燒杯，在其中添加風干后的土樣100 g，其中1個為對照組，未做處理，其余10組進行加水處理。加水量根據(jù)田間持水率為30%進行計算，加蒸餾水30 mL后稱重，記錄數(shù)據(jù)。整個實驗過程均在實驗室內(nèi)進行，使其測試條件統(tǒng)一。為了使燒杯中的土壤充分接觸水分，靜置2 h后進行高光譜圖像采集，作為第1天的數(shù)據(jù)。依次類推，測定第1、2、3、4、5、12天樣本的含水量變化情況與高光譜成像光譜，結果如圖2、圖3所示。

圖2 不同天數(shù)的土壤含水率變化曲線圖

由圖2可知，隨著時間的延長，土壤含水率逐步減少，直至達到風干土壤的含水率。第1天土壤的含水量下降速率比其他天數(shù)大，主要原因是從第1天到第2天，土壤含水率主要為自由水，水分蒸發(fā)主要從土壤表層直接進入大氣，不存在水分運移情況。而從第2天到第5天，土壤水分蒸發(fā)主要從深層土壤到表層土壤，然后才進入大氣。

圖3 同天數(shù)的土壤光譜曲線(900～1 700 nm)

由傳質理論可知，空氣與表層土壤之間存在一個氣膜，具有一定的阻力，這在傳質過程中不可忽略。因此，該階段的水分蒸發(fā)速率較慢，平均以2.6%/天下降。從第5天到12天，土壤水分從17.7%下降到0.3%。

由圖3可知：在900～1 700 nm波段，不同天數(shù)土壤光譜曲線差異明顯，造成這一現(xiàn)象的主要原因是水分吸收的作用。第1～5天的土壤樣本光譜曲線比較相似，主要是因為第1～5天的土壤含水率變化較小。光譜在1 424 nm處有顯著的吸收峰，主要是由于1 446 nm附近為水分子的OH—基團的二倍頻吸收。第12天與對照組則因含水量較低，光譜未能顯示出水分吸收。在1 500 nm附近有較強的反射峰，主要是由于土壤的固有特性所致，并且含水量低的土壤具有較高的波峰。

3.2 不同質量含水量光譜

為了得到一定梯度的土壤含水率樣本，分別稱取30 g風干土裝滿在干燥的鋁盒中。按照1，2，3，4，5，6，7，8，9，10，11，12，13，14 mL的注水梯度，配比了3%、6%、10%、13%、16%、20%、23%、26%、30%、33%、37%、40%、43%、46%的土壤含水率樣本進行實驗。為了避免偶然性，每個加水梯度設置為2個平行樣本，共計28個樣本。每天進行定期掃描土樣和稱重。結果如圖4所示。

由圖4可知：隨著土壤含水率的增加，不同含水率土壤的光譜反射率呈現(xiàn)先減小后增大的規(guī)律。在900～1 000 nm與1 200 nm之后波段，14種含水量土壤的光譜反射率差異顯著；37%的含水量土壤具有較低的土壤反射率，可認為該土質的田間持水率為37%。3%、6%、10% 的低含水量土壤與37%、40%、43%、46%的高含水量土壤光譜曲線差異較大，這也為土壤含水率光譜定性建模提供了理論依據(jù)。

圖4 不同含水量土壤的高光譜曲線(900～1 700 nm)

Fig.4 Spectra for different soil moiture content (900-1 700 nm)

3.3 光譜曲線提取與分析

為了建立快速檢測土壤水分含量的預測模型，分別采集不同區(qū)域的干土與壤土，選擇不同采樣點進行原狀土采集，共采集土樣208個，利用不同波段的高光譜成像系統(tǒng)對干土與壤土土樣進行掃描并測其含水率。圖5為干土與壤土原狀土的平均光譜圖，圖6為干土與壤土原狀土光譜圖。表1為208個樣本的含水量實測值，按照土壤含水率的高低進行排序，通過Envi軟件對原始樣本間隔選取校正集與預測集。選擇3/4樣本作為校正集，1/4樣本作為預測集，并保證預測集在校正集范圍內(nèi)。

表1 土樣含水量測定值

圖5 干土與壤土原狀土平均光譜圖

由表1可知：預測集的最大值與最小值都在校正集的范圍之內(nèi)，并且二者平均值都是5.98%，方差也特別接近。

圖6 干土與壤土全部樣本光譜曲線

由圖5可知：不同波段下的干土與壤土的反射光譜差異顯著，這也與魏娜[23]得出的結論相一致。由圖6可知：在900～1 700 nm波段，原始光譜曲線兩端噪音干擾較大，并存在基線漂移的現(xiàn)象，因此需要對光譜數(shù)據(jù)進行預處理。

3.4 譜預處理建模

由于獲得的土壤光譜曲線是一個復合光譜，從表2可以看出，原始光譜與不同預處理光譜的PLSR模型差異顯著。對比分析原始光譜與22種預處理光譜的PLSR模型，綜合主成分數(shù)、校正以及預測相關系數(shù)和均方根誤差因素，單位向量歸一化方法成為優(yōu)選出的光譜處理方法。

表2 不同預處理光譜的PLSR模型

表2(續(xù))

3.5 特征波長提取

為了降低數(shù)據(jù)的冗余，需對高光譜數(shù)據(jù)特征波長提取。利用Unscrambler 10.4軟件對900～1 700 nm單位向量歸一化預處理光譜建立PLSR模型，選擇第四主成分為最優(yōu)主成分數(shù)，在β系數(shù)圖上基于局部絕對值最大的原則，提取了6個特征波長(1 029，1 258，1 419，1 446，1 625，1 652 nm)。

利用Matlab2014a軟件進行編程，采用UVE法提取特征波長。在選擇m_max=10時，獲得最大的t-value值，模型擬合效果最佳，選取了118個特征波段數(shù)。在此基礎上進一步進行SPA，選擇m_max=11時，獲得最小的RMSECV值為0.623 42，模型擬合效果最佳，選取了11個特征波段數(shù)。

采用CARS法提取特征波長，最大主成分數(shù)A=15，交互驗證分組數(shù)fold=156，數(shù)據(jù)方法 method=“center”。在篩選中，蒙特卡洛采樣次數(shù)設定為200次。在選擇主成分數(shù)為12時，獲得最小的RMSECV值為1.955 8，模型擬合效果最佳，選取了32個特征波段數(shù)。在此基礎上進一步進行SPA，選擇m_max=11時，獲得最小的RMSECV值為0.561 5，模型擬合效果最佳，選取了11個特征波段數(shù)。

采用SPA法提取特征波長，在選擇m_max=6時，獲得最小的RMSECV值為0.780 3，模型擬合效果最佳，選取了6個特征波段數(shù)。結果如圖7所示。

圖7 不同特征波長提取方法

3.6 不同建模效果對比分析

為了優(yōu)選最佳模型，選用MLR、PCR、PLSR方法分別對提取的特征波長進行模型對比，結果如表3所示。

由表3可知：(1)在MLR模型中，與UVE、CARS、β系數(shù)方法提取特征波長所建立的模型相比，SPA提取的特征波長所建立的模型具有高相關性、低均方根誤差的優(yōu)點；(2)在PCR模型中，與其他5種特征波長建立的PCR模型相比，SPA提取特征波段所建立的PCR模型具有較高的R值和較低的均方根誤差；(3)在PLSR模型中，與其他6種特征波長建立的PLSR模型相比，SPA提取的特征波長所建立的PLSR模型具有較高的RC、RCV和Rp，較低的RMSEC、RMSECV和RMSEP，且與全波段建立的PLSR模型差異較?。?4)對比MLR、PCR、PLSR模型，同類型特征波長建立的MLR模型優(yōu)于其他兩種模型。

表3 不同提取特征波長的模型對比分析

綜上所述，對比不同的預處理方法優(yōu)選出SPA提取的特征波長的MLR模型，最優(yōu)的特征波長為987，1 386，1 466，1 568，1 636，1 645 nm，最優(yōu)模型的預測相關系數(shù)Rp=0.984，預測均方根誤差RMSEP為0.631。

4 結 論

本文利用NIR高光譜成像儀(光譜范圍900～1 700 nm)對土壤含水率進行了無損檢測，比較了不同天數(shù)下土壤含水率與光譜變化、不同深度土壤樣品的光譜測定、不同質量含水量光譜的差異。在此基礎上，對采集到的土樣進行模型建立，對比分析了平滑、高斯濾波、中值濾波、卷積平滑、矢量歸一化、標準正態(tài)化(SNV)、多元散射校正(MSC)以及導數(shù)的光譜預處理方法、β系數(shù)法、UVE、CARS、SPA方法提取特征波長、采用MLR、PCR與PLSR等方法、不同光譜范圍的建模效果、特征波長與全波段建模的效果，優(yōu)選出最佳模型。結果表明：光譜曲線的反射率隨著土壤含水率的增加而減小，當增大到超過田間持水率時，光譜曲線的反射率會隨著土壤含水率的增加而增大。對比分析了不同預處理方法，優(yōu)選出單位向量歸一化預處理方法。對預處理后波段進行特征波長提取，UVE、CARS、β系數(shù)、SPA方法提取特征波長數(shù)為118，45，6，6。為了減少數(shù)據(jù)冗余，對UVE與CARS提取的特征波長進一步采用SPA方法進行特征提取，UVE+SPA、CARS+SPA提取特征波長數(shù)分別為11，11個。

在此基礎上，利用MLR、PCR、PLSR方法對900～1 700 nm范圍的特征波長建立模型。對比分析不同建模效果，優(yōu)選出SPA提取的特征波長的MLR模型最優(yōu)的特征波長為987，1 386，1 466，1 568，1 636，1 645 nm，最優(yōu)模型的預測相關系數(shù)Rp=0.984，預測均方根誤差RMSEP為0.631。因此，今后可采用不同波段對土壤含水率進行定量分析。

[1] 張婷華. 土壤水分脅迫對溫室番茄蒸騰的影響及模擬研究 [D]. 南京：南京信息工程大學， 2014. ZHANG T H.TheResearchofEffectsandSimulationofSoilWaterStressonTranspirationofTomatoinGreenhouse[D]. Nanjing: Nanjing Institute of Information Engineering, 2014. (in Chinese)

[2] 邱讓建. 溫室環(huán)境下土壤-植物系統(tǒng)水熱動態(tài)與模擬 [D]. 北京：中國農(nóng)業(yè)大學， 2014. QIU R J.WaterandHeatDynamicsandSimulationinSoil-PlantSysteminGreenhouse[D]. Beijing: China Agricultural University, 2014. (in Chinese)

[3] 馮紹元， 陳紹軍， 霍再林， 等. 我國水資源承載力研究現(xiàn)狀及展望 [J]. 東華理工學院學報， 2006, 29(4):301-306. FENG S Y, CHEN S J, HUO Z L,etal.. Review on the present situation and future prospect of water resource carrying capacity in China [J].J.EastChinaInst.Technol., 2006, 29(4):301-306. (in Chinese)

[4] 吳進. 精準農(nóng)業(yè)模式研究 [D]. 武漢：華中師范大學，2007. WU J.AStudyonThePrecisionAgricultureMode[D]. Wuhan: Huazhong Normal University, 2007. (in Chinese)

[5] 陳懷亮， 馮定原， 鄒春輝, 等. 用遙感資料估算深層土壤水分的方法和模型 [J]. 應用氣象學報， 1999, 10(2):232-237. CHEN H L, FENG D Y, ZOU C H,etal.. The monitoring method and model of deep soil layer moistures by remotely sensed data [J].J.Appl.Meteorol., 1999, 10(2):232-237. (in Chinese)

[6] ZENG W Z, XU C, WU J W,etal.. Soil salt leaching under different irrigation regimes: HYDRUS-1D modelling and analysis [J].J.AridLand, 2014, 6(1):44-58.

[7] ZARABI M, JALALI I M. Leaching of nitrogen from calcareous soils in western Iran: a soil leaching column study [J].Environment.Monit.Assessm., 2012, 184(12):7607-7622.

[8] ROGER D, DE R, YANG D. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion [J].IEEETrans.Geosci.RemoteSens., 2001, 39(4):864- 872.

[9] 鮑艷松，劉良云，王紀華. 綜合利用光學、微波遙感數(shù)據(jù)反演土壤濕度研究 [J]. 北京師范大學學報(自然科學版)，2007, 43(3):228-233. BAO Y S, LIU L Y, WANG J H. Soil moisture estimation based on optical and microwave remote sensing data [J].J.BeijingNorm.Univ. (Nat.Sci.), 2007, 43(3):228-233. (in Chinese)

[10] NJOKU E G, LI L. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz [J].IEEETrans.Geosci.RemoteSens., 1999, 37(1):79-93.

[11] 喬平林， 張繼賢， 王翠華. 基于星載被動微波遙感的地表土壤濕度反演 [J]. 遼寧工程技術大學學報， 2006, 25(3):342-344. QIAO P L, ZHANG J X, WANG C H. Soil moisture retrieving by passive microwave remote sensing data [J].J.LiaoningTech.Univ., 2006, 25(3):342-344. (in Chinese)

[12] 吳黎， 張有智， 解文歡， 等. 改進的表觀熱慣量法反演土壤含水量 [J]. 國土資源遙感， 2013, 25(1):44-49. WU L, ZHANG Y Z, XIE W H,etal.. The inversion of soil water content by the improved apparent thermal inertia [J].RemoteSens.LandResources, 2013, 25(1):44-49. (in Chinese)

[13] 張春桂， 李文. 福建省干旱災害衛(wèi)星遙感監(jiān)測應用研究 [J]. 氣象， 2004, 30(3):22-24. ZHANG C G, LI W. Study on remote sensing monitoring application of drought disaster in Fujian province [J].Meteorological, 2004, 30(3):22-24. (in Chinese)

[14] 姚春生， 張增祥， 汪瀟. 使用溫度植被干旱指數(shù)法(TVDI)反演新疆土壤濕度 [J]. 遙感技術與應用， 2004, 19(6):473-478. YAO C S, ZHANG Z X, WANG X. Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index (TVDI) [J].RemoteSens.Technol.Appl., 2004, 19(6):473-478. (in Chinese)

[15] 隋洪智， 田國良， 李付琴. 農(nóng)田蒸散雙層模型及其在干旱遙感監(jiān)測中的應用 [J]. 遙感學報， 1997, 1(3):220-224. SUI H Z, TIAN G L, LI F Q. Two-layer model for monitoring drought using remote sensing [J].J.RemoteSens., 1997, 1(3):220-224. (in Chinese)

[16] WANG C K, PAN X Z, WANG M,etal.. Prediction of soil organic matter content under moist conditions using Vis-NIR diffuse reflectance spectroscopy [J].SoilSci., 2013, 178(4):189-193.

[17] MINASNY B, MCBRATNEY A B, BELLON-MAUREL V,etal.. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon [J].Geoderma, 2011, 167-168:118-124.

[18] GALVAO L S, FORMAGGIO A R, COUTO E G,etal.. Relationships between the mineralogical and chemical composition of tropical soils and topography from hyperspectral remote sensing data [J].ISPRSJ.Photogram.RemoteSens., 2008, 63(2):259-271.

[19] SELIGE T, BHNER J, SCHMIDHALTER U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures [J].Geoderma, 2006, 136(1/2):235-244.

[20] GOMEZ C, ROSSEL R A V, MBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field Vis-NIR spectroscopy: an Australian case study [J].Geoderma, 2008, 146(3/4):403- 411.

[21] 張婷婷. 基于PLS模型的農(nóng)業(yè)土壤成分高光譜遙感反演研究 [D]. 長春:吉林大學， 2010. ZHANG T T.PartialLeastSquaresModelingofHyperspectralRemoteSensingforMappingAgriculturalSoilProperties[D]. Changchun: Jilin University, 2010. (in Chinese)

[22] 吳見， 劉民士， 李偉濤. 基于高光譜影像分解的土壤含水量反演技術 [J]. 水土保持通報， 2013(5):156-160. WU J, LIU M S, LI W T. Inversion technology of soil water content based on hyperspectral imaging unmixing [J].Bull.SoilWaterConserv., 2013(5):156-160. (in Chinese)

[23] 魏娜. 土壤含水量高光譜遙感監(jiān)測方法研究 [D]. 北京:中國農(nóng)業(yè)科學院， 2009. WEI N.TheStudyofApplyingHyper-spectralRemoteSensingTechnologyinSoilMoistureMonitoring[D]. Beijing: Chinese Academy of Agricultural Sciences, 2009. (in Chinese)

[24] 司海青， 姚艷敏， 王德營， 等. 含水率對土壤有機質含量高光譜估算的影響 [J]. 農(nóng)業(yè)工程學報， 2015, 31(9):114-120. SI H Q, YAO Y M, WANG D Y,etal.. Hyperspectral prediction of soil organic matter contents under different soil moisture contents [J].Trans.Chin.Soc.Agric.Eng., 2015, 31(9):114-120. (in Chinese)

[25] LOBELL D B, ASNER G P. Moisture effects on soil reflectance [J].SoilSci.Soc.Am.J., 2002, 66(3):722-727.

[26] 劉偉東， BARET F， 張兵， 等. 高光譜遙感土壤濕度信息提取研究 [J]. 土壤學報， 2004, 41(5):700-706. LIU W D, BARET F, ZHANG B,etal.. Extraction of soil moisture information by hyperspectral remote sensing [J].ActaPedolog.Sinica, 2004, 41(5):700-706. (in Chinese)

[27] 劉婭， 潘賢章， 王昌昆， 等. 土壤濕潤條件下基于光譜對稱度的鹽漬土鹽分含量預測 [J]. 光譜學與光譜分析， 2013, 10:2771-2776. LIU Y, PAN X Z, WANG C K,etal.. Predicting soil salinity based on spectral symmetry under wet soil condition [J].Spectrosc.Spect.Anal., 2013, 10:2771-2776. (in Chinese)

[28] YIN Z, LEI T, YAN Q H,etal.. A near-infrared reflectance sensor for soil surface moisture measurement [J].Comput.Electron.Agric., 2013,99:101-107.

[29] STENBERG B. Effects of soil sample pretreatments and standardised rewetting as interacted with sand classes on Vis-NIR predictions of clay and soil organic carbon [J].Geoderma, 2010, 158(1/2):15-22.

[30] CECILE G, PHILIPPE L, GUILLAUME C. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data [J].Geoderma, 2012, 189-190:176-185.

[31] LIU F, ROSSITER D G, SONG X D,etal.. A similarity-based method for three-dimensional prediction of soil organic matter concentration [J].Geoderma, 2015, 263(1):254-263.

[32] LIU S L, AN N N, YANG J J,etal.. Prediction of soil organic matter variability associated with different land use types in mountainous landscape in southwestern Yunnan province, China [J].Catena, 2015, 133(10):137-144.

[33] 吳龍國， 何建國， 劉貴珊, 等. 基于近紅外高光譜成像技術的長棗含水量無損檢測 [J]. 光電子·激光， 2014,25(1):135-140. WU L G, HE J G, LIU G S,etal.. Non-destructive determination of moisture in jujubes based on near-infrared hyperspectral imaging technique [J].J.Optoelctron.·Laser, 2014, 25(1):135-140. (in Chinese)

[34] 馮迪， 紀建偉， 張莉, 等. 基于高光譜成像提取蘋果糖度與硬度最佳波長 [J]. 發(fā)光學報， 2017, 38(6):799-806. FENG D, JI J W, ZHANG L,etal.. Optimal wavelengths extraction of apple brix and firmness based on hyperspectral imaging [J].Chin.J.Lumin., 2017, 38(6):799-806. (in Chinese)

吳龍國(1988-)，男，陜西咸陽人，博士研究生，2014年于寧夏大學獲得碩士學位，主要從事農(nóng)產(chǎn)品無損檢測、土壤農(nóng)田水利等方面的研究。

E-mail： 1046156215@qq.com何建國(1960-)，男，山東濟南人，碩士，教授，1988 年于北京航空航天大學獲得碩士學位,主要從事農(nóng)業(yè)工程裝備及機電一體化技術、農(nóng)產(chǎn)品無損檢測方面的研究。

E-mail： hejg@nxu.edu.cn

SoilMoistureMechanismandEstablishmentofModelBasedonHyperspectralImagingTechnique

WU Long-guo1, WANG Song-lei1,2, HE Jian-guo1,2*, KAZUHIRO Nakano3

(1.InstituteofCivilandHydraulicEngineering,NingxiaUniversity,Yinchuan750021,China; 2.SchoolofAgriculture,NingxiaUniversity,Yinchuan750021,China; 3.GraduateSchoolofScienceandTechnologyinNiigataUniversity,Niigata950-2181,Japan)

*CorrespondingAuthor,E-mail:hejg@nxu.edu.cn

TP93

A

10.3788/fgxb20173810.1366

2017-06-12；

2017-07-06

國家自然科學基金(31560481，31060233)； 2011年度寧夏回族自治區(qū)科技攻關計劃(2011HZF05J01)； 國家科技支撐計劃(2012BAF07B06)資助項目 Supported by National Natural Science Foundation of China (31560481,31060233); Science and Technology Research Plan of Ningxia Hui Autonomous Region(2011HZF05J01); National Science and Technology Support Program(2012BAF07B06)

1000-7032(2017)10-1366-11