農(nóng)田不同粒級(jí)土壤含水量光譜特征及定量預(yù)測(cè)

盧艷麗，白由路，王磊，楊俐蘋

?

農(nóng)田不同粒級(jí)土壤含水量光譜特征及定量預(yù)測(cè)

盧艷麗，白由路，王磊，楊俐蘋

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

【目的】土壤含水量是土壤屬性的關(guān)鍵參數(shù)。摸清不同機(jī)械組成條件下土壤水分的光譜變化并實(shí)現(xiàn)土壤含水量的定量預(yù)測(cè)，為農(nóng)田水分的快速監(jiān)測(cè)及土壤其他屬性的定量獲取提供依據(jù)?！痉椒ā客ㄟ^人為控制獲得不同粒級(jí)和不同含水量的土壤樣品，確定室內(nèi)土壤光譜測(cè)定的幾何條件，采集不同土樣的光譜特征并進(jìn)行比較，按粒徑等級(jí)利用最小二乘法（PLSR）建立農(nóng)田土壤含水量的光譜定量預(yù)測(cè)模型?！窘Y(jié)果】土壤光譜反射率總體趨勢(shì)是隨含水量增加而降低，其差異隨著波長的增加和含水量的降低而增加，在1 400 nm和1 900 nm的水分敏感波段隨含水量增加光譜吸收深度也增加。但當(dāng)含水量大于40%時(shí)，通過孔徑為0.15 mm篩子的土壤樣品（處理D-1），在350—1 240 nm光譜反射率隨含水量增加而升高，而1 240 nm以后隨含水量增加而降低。相對(duì)于將所有樣本數(shù)據(jù)混合建立模型，分粒級(jí)建立的模型在細(xì)顆粒土壤中預(yù)測(cè)效果得到了明顯改善，并且樣品越細(xì)模型在預(yù)測(cè)效果和穩(wěn)定性也越好：最優(yōu)模型均方根誤差=4.13%，決定系數(shù)2=0.90。同時(shí)，數(shù)據(jù)歸一化處理后所建立的模型在一定程度上降低了噪聲的影響，從而在預(yù)測(cè)效果和穩(wěn)定性上也有所改善?！窘Y(jié)論】土壤光譜隨含水量的變化而變化，但并不都表現(xiàn)隨含水量增加光譜反射率降低的特點(diǎn)，當(dāng)含水量大于40%時(shí)，細(xì)顆粒土壤樣本表現(xiàn)為在350—1 240 nm波段光譜反射率隨含水量增加而升高；土壤含水量預(yù)測(cè)模型的精度和穩(wěn)定性隨著土壤粒徑變小、樣本量增大以及光譜數(shù)據(jù)歸一化預(yù)處理而得到改善。

光譜；土壤含水量；粒徑；模型

0 引言

【研究意義】在作物光譜監(jiān)測(cè)技術(shù)逐步成熟的同時(shí)，高光譜技術(shù)對(duì)土壤屬性的快速監(jiān)測(cè)也越來越受到關(guān)注。土壤含水量作為表征一定土層深度下土壤干濕程度的物理量，是土壤屬性的關(guān)鍵參數(shù)。農(nóng)田含水量的及時(shí)準(zhǔn)確獲取對(duì)于土壤屬性估測(cè)和作物生長監(jiān)測(cè)都具有實(shí)際意義?！厩叭搜芯窟M(jìn)展】傳統(tǒng)土壤含水量的測(cè)定方法最常用是烘干稱重法，此外還有張力計(jì)法、中子儀法、電阻法等，以上方法都存在測(cè)定較費(fèi)時(shí)、費(fèi)力，并且難以實(shí)現(xiàn)快速或?qū)崟r(shí)土壤含水量的監(jiān)測(cè)。利用光譜技術(shù)來監(jiān)測(cè)和定量預(yù)測(cè)土壤含水量則可以解決這些問題。土壤在1 400 nm和1 900 nm波段附近有明顯的吸收峰，在970、1 200和1 770 nm處有弱的吸收峰，它們都是土壤水分子振動(dòng)的倍頻或合頻引起的[1]。早在二十世紀(jì)八九十年代就有學(xué)者提出土壤光譜反射率的變化是由于土壤顆粒四周水膜內(nèi)部反射引起的，反射光譜隨含水量增加而降低，可以據(jù)此來測(cè)定土壤含水量及土壤吸附水的能量狀態(tài)[2-3]。隨后的研究進(jìn)一步肯定了這個(gè)結(jié)論，特別是在水的各光譜吸收帶處尤為明顯[4-6]。有研究表明，隨著土壤含水量的增加，無論在哪個(gè)波長土壤的反射率均會(huì)降低，而且其差異隨波長的增加而加大[7-9]。SANTRA等[10]、HUMMEL等[11]研究了在實(shí)驗(yàn)室內(nèi)不同含水量狀況下土壤反射光譜的變化規(guī)律，并進(jìn)行了土壤水分預(yù)測(cè)。由于各種土壤的持水能力有差異，所以反射率變化對(duì)應(yīng)于濕度變化的靈敏度范圍也不同，一般含水量在10%—25%，反射率變化顯著，而持水性差的土壤，其靈敏度范圍可能少于10%，超過田間持水量時(shí)，土壤表面膜水層形成鏡面反射，會(huì)提高反射率[12]。在土壤含水量的定量化準(zhǔn)確預(yù)測(cè)還存在很多困難，水分光譜敏感波段的精確提取受很多因素影響。例如，土壤質(zhì)地的光譜響應(yīng)敏感波段與水分的敏感波段具有較強(qiáng)的相似性：在1 400、1 900和2 200 nm水分的敏感波段處吸收深度隨土壤中黏粒含量的變化而變化，其中在2 200 nm處的吸收深度主要是由土壤中黏粒礦物晶格結(jié)構(gòu)（如Al-OH）引起的[13-16]。土壤含水量的光譜數(shù)據(jù)獲取隨土壤屬性和測(cè)定條件而發(fā)生變化，尤其是土壤的機(jī)械組成的影響。在較理想狀態(tài)下（如環(huán)境控制和樣品處理）采集的光譜數(shù)據(jù)有利于土壤含水量的深度解析，可為自然條件下土壤屬性的獲取提供依據(jù)?！颈狙芯壳腥朦c(diǎn)】基于土壤含水量和質(zhì)地的光譜敏感波段相似，目標(biāo)光譜信息解析困難，本研究力圖在明確室內(nèi)土壤光譜測(cè)定的幾何條件的基礎(chǔ)上，摸清不同粒級(jí)條件下光譜隨土壤水分變化的特征，為解決光譜異質(zhì)性和提高土壤屬性的提取精度提供重要依據(jù)，為田間以及野外大面積遙感監(jiān)測(cè)土壤水分提供理論依據(jù)?！緮M解決的關(guān)鍵問題】不同粒級(jí)土壤含水量土壤光譜響應(yīng)特征解析，明確水分敏感波段的光譜隨土壤含水量的變化特征，以及土壤水分含量的定量光譜預(yù)測(cè)模型的構(gòu)建及優(yōu)化。

1 材料與方法

1.1 土樣采集及樣品信息

以2015—2016年小麥?zhǔn)斋@后農(nóng)田0—20 cm耕層的土壤為研究對(duì)象，采集不同點(diǎn)位土壤樣品帶回室內(nèi)進(jìn)行進(jìn)一步處理。

不同粒徑分級(jí)：采用不同篩目的土篩進(jìn)行分級(jí)。將風(fēng)干后土樣分別過100目、80目、60目和18目篩，對(duì)應(yīng)篩孔直徑分別為0.15、0.18、0.25和1.00 mm，得到不同顆粒大小共計(jì)4個(gè)粒徑等級(jí)的樣品，分別表示為D-1、D-2、D-3、D-4。

土壤含水量測(cè)定采用烘干稱重法。利用相同大小黑色（或涂黑）的紙質(zhì)容器，記下容器重W0；將烘干的土壤樣品放在容器中，距離容器邊沿大約1 cm，刮平樣品表面，記下總重W1；不同處理均沿容器壁緩慢注入固定體積的水量，該水量以使得每個(gè)處理都達(dá)到飽和含水量以上；靜置后每隔2 h測(cè)一次總重，穩(wěn)定后記重量為Wn，同時(shí)采集光譜數(shù)據(jù)。因此，每次測(cè)定光譜數(shù)據(jù)時(shí)土壤的含水量即為：

SWC（%）=（Wn-W1）/（W1-W0）×100%

供試樣本來源于同一地塊不同點(diǎn)位。其中，校正樣本集來源于2015年麥?zhǔn)蘸蟮耐寥啦杉臄?shù)據(jù)，共計(jì)278個(gè)樣本，用來建立校正模型；驗(yàn)證樣本集為2016年麥?zhǔn)蘸蟮耐寥啦杉臄?shù)據(jù)，共計(jì)275個(gè)樣本，用來驗(yàn)證模型。樣本在不同含水量范圍的分布情況見表1。

表1 校正集和驗(yàn)證集樣本的平均含水量及樣本數(shù)量信息

D-1、D-2、D-3、D-4分別表示分別將風(fēng)干后土樣過100目、80目、60目和18目篩。括號(hào)內(nèi)外數(shù)據(jù)分別為土壤含水量和樣本數(shù)

D-1, D-2, D-3 and D-4 denoted the treatment sieved through 100, 80, 60 and 18 mesh, respectively. The outside and inside of brackets are soil water content (SWC) and sample number (N) respectively, which denoted as SWC(N)

1.2 光譜儀及光譜測(cè)定

光譜測(cè)量使用的儀器為美國ASD Fieldspec FR2500光譜儀，光譜范圍為350—2 500 nm。測(cè)定過程在四周用黑色遮光布包圍的實(shí)驗(yàn)室內(nèi)進(jìn)行：將處理好的土樣置于直徑10 cm容器中，5度視場角的光纖探頭距土壤樣本表面30 cm，光源為距土壤表面50 cm的能夠提供平行光的1 000 W鹵光燈光源，天頂角為15°，以白色參考板獲取絕對(duì)反射率。每個(gè)樣品在視場范圍內(nèi)重復(fù)測(cè)定10次，各處理測(cè)定前后，進(jìn)行參考板校正。參考板的光譜反射率是經(jīng)過嚴(yán)格的實(shí)驗(yàn)室標(biāo)定的，通過比值方法，計(jì)算目標(biāo)的光譜反射率。計(jì)算公式如下：

1.3 數(shù)據(jù)分析

模型校正集樣本來源于不同含水量不同粒級(jí)數(shù)據(jù)，共計(jì)278個(gè)樣本參與模型建立和內(nèi)部交互驗(yàn)證。利用相同幾何測(cè)試條件下測(cè)定的模型外未知樣本（=275）進(jìn)行了模型的外部驗(yàn)證及效果評(píng)價(jià)。針對(duì)每一粒級(jí)分別建模時(shí)，D-1、D-2、D-3樣本數(shù)量均為75個(gè)即=75，而D-4樣本數(shù)量為53個(gè)即=53。驗(yàn)證樣本集D-1、D-2、D-3、D-4的樣本量分別為70、75、72、58個(gè)。采用軟件Unscrambler9.7、Excel2007進(jìn)行數(shù)據(jù)處理、建模、驗(yàn)證等分析。

2 結(jié)果

2.1 不同含水量光譜特征分析

圖1表明，土壤光譜反射率隨含水量增加而降低，并且隨含水量增加，不同含水量樣品光譜反射率之間差異變小，其差異也隨波長的增加而增大，該變化趨勢(shì)不受土壤粒徑大小的影響；對(duì)于不同粒級(jí)的樣本而言，D-1、D-2和D-3處理均在SWC大于17%時(shí)，不同含水量樣本的光譜反射率差異變?。欢鄬?duì)于前3個(gè)處理，D-4處理在SWC在3.97%—32.06%范圍內(nèi)，土壤光譜反射率之間均有較大差異。

隨含水量增加，光譜反射率曲線在1 400 nm和1 900 nm的水分吸收深度增加；在D-1處理中，當(dāng)含水量大于40%時(shí)，在350—1 240 nm波段范圍內(nèi)的光譜反射率隨土壤含水量增加而升高，1 240 nm以后隨含水量增加而降低。這是由于土壤中水分含量高，增加了鏡面反射的貢獻(xiàn)，導(dǎo)致350—1 240 nm反射率升高，而1 240 nm以后仍遵守隨SWC增加而降低的規(guī)律。該現(xiàn)象與土壤樣本的粒徑大小有關(guān)，在D-1樣本中表現(xiàn)明顯，在D-2樣本中不明顯。D-3和D-4中未出現(xiàn)這種現(xiàn)象。

2.2 土壤含水量光譜預(yù)測(cè)模型建立及驗(yàn)證

2.2.1 包含不同粒級(jí)混合樣本土壤含水量光譜預(yù)測(cè)模型建立與驗(yàn)證 將包含不同粒級(jí)、不同含水量的278個(gè)數(shù)據(jù)混合作為一組大樣本進(jìn)行土壤含水量光譜預(yù)測(cè)模型的構(gòu)建。通過驗(yàn)證，模型預(yù)測(cè)值和實(shí)測(cè)值呈顯著線性相關(guān)性，其校正集和驗(yàn)證集決定系數(shù)2和均方根誤差分別為0.82、0.79和5.03%、5.40%（圖2）。預(yù)測(cè)誤差和校正誤差的比值SEP/SEC接近于1.0，該值代表了模型的穩(wěn)定性，一般要求小于1.2，由此可見，利用大樣本建立的模型穩(wěn)定性通過了檢驗(yàn)，預(yù)測(cè)精度有待提高，對(duì)真值高的預(yù)測(cè)偏低，而對(duì)于真值低的預(yù)測(cè)值偏高，土壤含水量大約在15%—30%之間預(yù)測(cè)效果較好。

圖1 不同粒級(jí)含水量光譜響應(yīng)特征

圖2 不同粒級(jí)混合樣本土壤含水量光譜預(yù)測(cè)

2.2.2 分級(jí)樣本土壤含水量光譜預(yù)測(cè)模型建立與驗(yàn)證 按照不同粒級(jí)劃分，對(duì)每一級(jí)的樣本分別進(jìn)行偏最小二乘法回歸分析，從圖3可以看出，同一粒級(jí)所建立的模型均表現(xiàn)出較好的回歸效果，但是模型的預(yù)測(cè)效果、交互驗(yàn)證以及模型的穩(wěn)定性均隨著粒級(jí)的增加而降低。表2列出了利用未經(jīng)預(yù)處理的光譜數(shù)據(jù)所建立的SWC的預(yù)測(cè)模型各參數(shù)情況。D-1樣本所建立的模型預(yù)測(cè)集2為0.89，驗(yàn)證集2為0.89，SEP/SEC=1.0，說明模型在預(yù)測(cè)精度和穩(wěn)定性上均較好；D-2樣本所建立的模型預(yù)測(cè)集2為0.91，驗(yàn)證集2為0.85，但模型預(yù)測(cè)誤差增加，穩(wěn)定性下降：SEP/SEC=1.37；而D-3和D-4樣本所建立的模型預(yù)測(cè)集2均在0.75附近，預(yù)測(cè)效果明顯降低。

2.2.3 歸一化預(yù)處理后的分級(jí)樣本土壤含水量光譜預(yù)測(cè)模型建立與驗(yàn)證 盡管未經(jīng)光譜數(shù)據(jù)預(yù)處理?xiàng)l件下建立的模型達(dá)到較高的預(yù)測(cè)精度，并且在較細(xì)土壤樣本中模型的穩(wěn)定性也比較好。但為了進(jìn)一步驗(yàn)證光譜采集是否受到噪聲的影響，本文嘗試了幾種光譜預(yù)處理方法，包括平滑（smooth）、歸一化（normalize）、光譜轉(zhuǎn)換（spectroscopic）、多遠(yuǎn)散射校正（MSC/EMSC）、去噪（Noise）、微分（differentiation）以及基線（baseline）等方法。結(jié)果顯示，歸一化處理后模型在預(yù)測(cè)效果和穩(wěn)定性上略好（表3、圖4）。如表3所示，除了D-3樣本所建模型的預(yù)測(cè)精度和穩(wěn)定性降低外，其他粒級(jí)樣本所建立的模型都在一定程度上得到了改善。

表2 利用未經(jīng)預(yù)處理的光譜數(shù)據(jù)所建立的模型評(píng)價(jià)參數(shù)

圖3 不同粒級(jí)分別建立模型預(yù)測(cè)評(píng)價(jià)

3 討論

3.1 土壤水分和粒徑變化的光譜響應(yīng)

土壤水分在土壤光譜中具有較大的貢獻(xiàn)比例，影響著土壤其他屬性的光譜信息提取精度。例如，以往很多研究為了降低土壤水分和機(jī)械組成對(duì)目標(biāo)光譜的干擾，多采用對(duì)土樣進(jìn)行風(fēng)干（或烘干）磨細(xì)處理[17-20]。了解土壤含水量的光譜特征，建立土壤水分的光譜定量反演模型對(duì)于快速、準(zhǔn)確監(jiān)測(cè)土壤水分狀況、獲取作物生長狀況都具有重要意義。大量研究均已證明水分的敏感波段位于1 400、1 900和2 200 nm 3個(gè)波段附近[13-14]。而這些水分敏感波段通常也包含有土壤其他屬性信息，例如在1 400、1 900和2 200 nm水分吸收特征波段處的光譜受土壤中黏粒含量的變化影響[15-16]。另外，含水量高低不僅影響反射率曲線整體的波動(dòng)，當(dāng)含水量達(dá)到一定程度時(shí)，在細(xì)顆粒的土壤樣本中部分波段由于鏡面反射的緣故反射率激增，這與前人研究有所不同。而對(duì)其他粒級(jí)的土壤樣本是否也存在這樣的現(xiàn)象需要大量樣本來考證。

圖4 利用歸一化預(yù)處理數(shù)據(jù)對(duì)不同粒級(jí)分別建立模型預(yù)測(cè)評(píng)價(jià)

表3 數(shù)據(jù)歸一化預(yù)處理后模型評(píng)價(jià)

3.2 土壤含水量模型的建立

本研究進(jìn)行了樣本混合和分粒級(jí)建立模型、同一粒級(jí)又進(jìn)行了原始數(shù)據(jù)和預(yù)處理數(shù)據(jù)分別建立模型，分粒級(jí)建立模型在模型預(yù)測(cè)精度和穩(wěn)定性上以細(xì)顆粒土壤樣本效果最好，規(guī)律是樣本越細(xì)預(yù)測(cè)精度和穩(wěn)定性越好。這與前人的研究結(jié)論即粒徑越小的土壤屬性光譜預(yù)測(cè)精度越高相一致[21-22]。粒徑大的土壤顆粒間隙大，其表面結(jié)構(gòu)與粒徑小的土壤是不同的，而細(xì)顆粒土壤表面相對(duì)緊實(shí)，表面結(jié)構(gòu)對(duì)光譜的噪聲干擾較小，因此預(yù)測(cè)效果也比較好。因此，對(duì)土壤水分的光譜定量反演研究必須要考慮土壤機(jī)械組成的影響。將所有樣本數(shù)據(jù)混合建立模型，盡管2有所降低，但是樣本量增大了（=278），在一定程度上模型的穩(wěn)定性還是比較好的。另外，各種預(yù)處理的方法在一定程度上提高了光譜的信噪比，使得所建立的模型預(yù)測(cè)效果得以改善[23]。本研究顯示，與未經(jīng)數(shù)據(jù)處理所建立的模型相比，改善幅度并不大，這也說明了后期對(duì)數(shù)據(jù)的預(yù)處理只是在一定程度上增強(qiáng)了目標(biāo)信息，前期光譜采集時(shí)的土壤處理和條件控制才是獲得高質(zhì)量數(shù)據(jù)的根本，從基礎(chǔ)上保證所測(cè)得的數(shù)據(jù)穩(wěn)定性和高信噪比是關(guān)鍵。

3.3 土壤含水量光譜預(yù)測(cè)存在的問題

相對(duì)于傳統(tǒng)的土壤含水量測(cè)定方法，光譜技術(shù)提供了一種省時(shí)、省力并且低成本的監(jiān)測(cè)手段。由于土壤組成及測(cè)定環(huán)境的影響，獲取穩(wěn)定的光譜數(shù)據(jù)是準(zhǔn)確預(yù)測(cè)的關(guān)鍵。為了控制環(huán)境因素的影響，通常是人為營造可控的環(huán)境，如本文所述的室內(nèi)條件下測(cè)定，避免了外界環(huán)境因素（如，光、水氣以及太陽角度等）的干擾，提高了光譜的信噪比。但是，還有一些問題需要進(jìn)一步研究。首先，室內(nèi)土壤光譜測(cè)定的幾何條件變化的影響。測(cè)試幾何條件需要嚴(yán)格控制，并且要規(guī)范化，以便不同批次、不同類型土壤測(cè)定時(shí)進(jìn)行對(duì)比。其次，土壤二向反射特性的影響。土壤顆粒越大影響越嚴(yán)重，這也可能是造成隨土壤粒級(jí)增加預(yù)測(cè)模型精度和穩(wěn)定性變差的主要原因。第三，進(jìn)一步加強(qiáng)光譜數(shù)據(jù)庫建設(shè)。澳大利亞ROSSEL和美國BROWN完成了對(duì)全球多個(gè)國家土壤光譜數(shù)據(jù)庫建設(shè)[24-25]。針對(duì)土壤規(guī)范的光譜庫還有待于進(jìn)一步加強(qiáng)和完善[26]。不同土壤類型、組成以及不同測(cè)定條件都會(huì)導(dǎo)致光譜的波動(dòng)，尤其是土壤本身的差別造成的波動(dòng)很難建立普適性較強(qiáng)的模型，因此這就需要建立包含各種相關(guān)信息數(shù)據(jù)的光譜庫，供數(shù)據(jù)獲取、匹配和對(duì)比分析參考。

4 結(jié)論

土壤光譜隨含水量的變化而變化：土壤光譜反射率隨含水量增加光譜反射率降低，其差異隨著波長的增加和含水量的降低呈現(xiàn)增加的趨勢(shì)，光譜反射率曲線在1 400 nm和1 900 nm的水分吸收深度也增加。但是當(dāng)含水量大于40%時(shí)，350—1 240 nm光譜反射率隨含水量增加而升高，這是因?yàn)橥寥篮扛咝纬社R面反射，該現(xiàn)象與土壤樣本的粒徑大小有關(guān)。土壤含水量預(yù)測(cè)模型的精度和穩(wěn)定性受土壤顆粒組成、光譜數(shù)據(jù)預(yù)處理以及樣本量大小影響。模型的預(yù)測(cè)效果、交互驗(yàn)證以及模型的穩(wěn)定性均因土壤粒級(jí)的降低而得到改善，將光譜數(shù)據(jù)進(jìn)行歸一化預(yù)處理后，進(jìn)一步提高了光譜的信噪比，模型在預(yù)測(cè)效果和穩(wěn)定性上有進(jìn)一步改善。

[1] 孫家柄. 遙感原理與應(yīng)用. 武漢: 武漢大學(xué)出版社, 2009.

SUN J B.Wuhan: Wuhan University Press, 2009. (in Chinese)

[2] IRONS J R, WEISMILLER R A, PETERSEN G W. Soil reflectance//ASRAR G.. New York: John Wiley and Sons, 1989: 66-106.

[3] IDSO S B, JACKSON R D, REGINATO R J, KIMBALL B A, NAKAYAMA F S. The dependence of bare soil albedo on soil water content., 1975, (14): 109-113.

[4] 張俊華, 賈科利. 典型龜裂堿土土壤水分光譜特征及預(yù)測(cè). 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(3): 884-890.

ZHANG J H, JIA K L. Spectral reflectance characteristics and modeling of typical Takyr Solonetzs water content., 2015, 26(3): 884-890. (in Chinese)

[5] 刁萬英. 基于可見-近紅外波段反射率估算表層土壤含水量[D]. 北京: 中國農(nóng)業(yè)大學(xué), 2016.

DIAO W Y. Estimation of surface soil moisture based on visible near infrared reflectance[D]. Beijing: China Agricultural University, 2016. (in Chinese)

[6] 王德彩, 張俊輝, 韓光中. 土壤含水量對(duì)采用vis-nir光譜分析土壤質(zhì)地的影響. 地理與地理信息科學(xué), 2015, 31(6): 52-55.

WANG D C, ZHANG J H, HAN G Z. Effects of soil water content on soil texture using Vis-NIR spectroscopy., 2015, 31 (6): 52-55. (in Chinese)

[7] MULLER E, DECAMPS H．Modeling soil moisture-reflectance., 2001, 76(2): 173-180.

[8] VERHOEST N E, LIEVENS H, WAGNER W, áLVAREZ-MOZOS J, MORAN M S, MATTIA F. On the soil roughness parameterization problem in soil moisture retrieval of bare surfaces from synthetic aperture radar., 2008, 8(7): 4213-4248.

[9] 劉洋, 丁瀟, 劉煥軍, 張新樂, 曲長祥, 胡文, 臧紅婷. 黑土土壤水分反射光譜特征定量分析與預(yù)測(cè). 土壤學(xué)報(bào), 2014(5): 1021-1026.

Liu Y, Ding X, Liu H J, Zhang X L, Hu W, Qu C X, Zang H T. Analysis and prediction of soil moisture reflectance characteristics of quantitative black soil., 2014 (5): 1021-1026. (in Chinese)

[10] SANTRA P, SAHOO R N, DAS B S, SAMAL R N, PATTANAIK A K, GUPTA V K. Estimation of soil hydraulic properties using proximal spectral reflectance in visible, near-infrared, and shortwave- infrared (vis-nir-swir) region., 2009, 152(3/4): 338-349.

[11] HUMMEL J W, SUDDUTH K A, HOLLINGER S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor., 2001, 32: 149-165.

[12] 徐金鴻, 徐瑞松, 夏斌, 朱照宇. 土壤遙感監(jiān)測(cè)研究進(jìn)展. 水土保持研究, 2006, 13(2): 17-20.

XU J H, XU R S, XIA B, ZHU Z Y. Research advances on soil monitor by remote sensing., 2006, 13(2): 17-20. (in Chinese)

[13] Demattê J A M, Antonio A, Sousa M C. Alves Marcos R, Nanni Peterson R, Fiorio, Rogério Costa Campos. Determining soil water status and other soil characteristics by spectral proximal sensing., 2006, 135(11): 179-195.

[14] 劉偉東, F. Baret, 張兵, 鄭蘭芬, 童慶禧. 應(yīng)用高光譜遙感數(shù)據(jù)估算土壤表層水分的研究. 遙感學(xué)報(bào), 2004, 8(5): 434-442.

LIU W D, BARET F, ZHANG B, ZHENG L F, TONG Q X. Estimation of soil surface water using hyperspectral remote sensing data., 2004, 8(5): 434-442. (in Chinese)

[15] Ben-Dor E. Quantitative remote sensing of soil properties.2002, 73: 173-243.

[16] ROSSEL R A V, WALVOORT D J J, MCBRATNEY A B, JANIK L J, SKJEMSTAD J O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties., 2006, 131(1/2): 59-75.

[17] SHI Z, JI W, VISCARRA R R A, CHEN S, ZHOU Y. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis–nir spectral library., 2015, 66(4): 679-687.

[18] THOMAS U, CHRISTOPH E, THOMAS J. Quantitative analysis of soil chemical properties with diffuse reflectance spectrometry and partial least-square regression: A feasibility study, 2003, 251: 319-329.

[19] LU Y L, BAI Y L, YANG L P, WANG H J. Hyperspectral extraction of soil organic matter content based on principle component regression.2007, 50: 1169-1175.

[20] SUMMERS D, LEWIS M, OSTENDORF B, CHITTLEBOROUGH D. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties., 2011, 11: 123-131.

[21] REEVES III J, McCATTY G, MIMMO T. The potential of diffuse reflectance spectroscopy for the determination of carbon inventories in soils., 2002, 116(3): 277-284.

[22] FONTáN J M, CALVACHE S, LóPEZ-BELLIDO R J, LóPEZ-BELLIDO L. Soil carbon measurement in clods and sieved samples in a Mediterranean Vertisol by Visible and Near-Infrared Reflectance Spectroscopy., 2010, 156(3): 93-98.

[23] 褚小立. 化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù). 北京: 化學(xué)工業(yè)出版社, 2002: 41-53

CHU X L.. Beijing: Chemical Industry Press, 2002: 41-53. (in Chinese)

[24] Rossel R A V, Behrens T, Ben-Dor E, Brown D J, Demattê J A M, Shepherd K D. A global spectral library to characterize the world's soil., 2016,155: 198-230.

[25] Brown D J, Shepherd K D, Walsh M G, Mays M D, Reinsch T G. Global soil characterization with vnir diffuse reflectance spectroscopy., 2006,132(3): 273-290.

[26] JI W, LI S, CHEN S, SHI Z, ROSSEL R A V, MOUAZEN A M. Prediction of soil attributes using the Chinese soil spectral library and standardized spectra recorded at field conditions., 2016,155: 492-500.

（責(zé)任編輯 李云霞）

Spectral Characteristics and Quantitative Prediction of Soil Water Content under Different Soil Particle Sizes

LU YanLi, BAI YouLu, WANG Lei, YANG LiPing

(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081)

【Objective】Hyper spectral technology is more and more widely applied in monitoring soil properties. Soil Water Content (SWC) is a key parameter of soil properties. This paper aimed to make clear the spectral response of soil moisture under different soil roughness to predict quantitatively soil water content, and further to provide the basis for rapid monitoring of farmland moisture and other soil properties. 【Method】 Soil samples were sieved through different mesh sizes to classify into different particle sizes, and then set different moisture levels. The spectral reflectance of those samples were compared, and the quantitative prediction models of soil water content were established by Partial Least Squares Regression (PLSR) method. 【Result】The results showed that the spectral reflectance decreased with the increase of soil water content, and the difference became bigger as the increase of wavelength and decrease of soil water content. The absorptions got deeper in 1 400 nm and 1 900 nm with the increase of water content. In those soil samples passed through a sieve with an aperture of 0.15 mm (denoted as D-1), the spectral reflectance increased in 350-1 240 nm and then decreased after 1 240 nm when the water content was more than 40%. Compared with the model constructed from all samples with different sizes, models from the same size were improved in predicting accuracy and stability: the smaller the particle size was, the better the prediction effect and stability of the predicting model were. The(root mean square error) and2of the optimal model were 4.13% and 0.90, respectively. Additionally, normalization of spectral data reduced the influence of noise, and improved the predicting accuracy and stability of the model. 【Conclusion】The spectral generally decreased with soil water content increasing, but soil with small size showed opposite in 350-1 240 nm when the moisture content was greater than 40%. The predicting model for soil water content was improved as size getting smaller and sample number involved getting larger, and the spectral data normalization also improved predicting accuracy and stability of model.

spectral; soil water content; particle size; model

10.3864/j.issn.0578-1752.2018.09.009

2017-08-03；

2017-10-12

國家自然科學(xué)基金項(xiàng)目（41371292）

盧艷麗，Tel：010-82105030；E-mail：luyanli@caas.cn