基于地面光譜測(cè)量和主動(dòng)微波遙感的反演土壤水分研究

尹承深，劉全明，王春娟，王福強(qiáng)

(內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018)

【研究意義】傳統(tǒng)的土壤水分監(jiān)測(cè)主要依靠大量野外布點(diǎn)采樣與事后數(shù)據(jù)處理、分析，但其以點(diǎn)代面、費(fèi)時(shí)費(fèi)力并且無(wú)法代表大面積動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)效果[1]。大面積動(dòng)態(tài)監(jiān)測(cè)灌區(qū)土壤水環(huán)境對(duì)科學(xué)指導(dǎo)鹽堿化嚴(yán)重的河套灌區(qū)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義[2]。受植被覆蓋、云層和大氣干擾因素的影響，根據(jù)標(biāo)量輻射方程，僅能記錄較少地面物體信息的反射輻射能量[3]，導(dǎo)致光學(xué)遙感反演土壤水分的精度無(wú)法達(dá)到要求。因?yàn)槲⒉úǘ瓮寥澜殡姵?shù)和含水量關(guān)系密切[4]，主動(dòng)微波遙感能夠通過(guò)后向散射系數(shù)反演水分，微波遙感-合成孔徑雷達(dá)是對(duì)地觀測(cè)的主要前沿技術(shù)之一[5-7]?！厩叭搜芯窟M(jìn)展】劉偉[8]運(yùn)用L波段全極化影像，在有植被土地的一階離散植被模型上把有低矮植物土地的后向散射分為兩塊：地表與植被相關(guān)的散射項(xiàng)，結(jié)合光學(xué)厚度、植被層單散射反照率與裸露地表參數(shù)，利用改進(jìn)的積分方程、Dobson與Ulaby的農(nóng)作物覆蓋模型，建立后向散射模擬數(shù)據(jù)庫(kù)。在此基礎(chǔ)上應(yīng)用基于特征根與特征向量的極化分解方法將地表散射項(xiàng)從植被覆蓋區(qū)總后向散射中分離出來(lái)，利用多時(shí)相、多極化數(shù)據(jù)建立了植被覆蓋的水分反演模型。實(shí)測(cè)驗(yàn)證表明：該方法考慮了植被-土壤間的雙次散射，可以較好地反演土壤水分[9]。Bourgeau-Chavez等[10]利用Radarsat-2雷達(dá)衛(wèi)星構(gòu)建了阿拉斯加地區(qū)土壤水分反演算法。李相等[11]通過(guò)獲取102個(gè)土壤含水率數(shù)據(jù)和34組植被反射率光譜曲線，運(yùn)用多元線性回歸法構(gòu)建了基于遙感影像與田間實(shí)測(cè)數(shù)據(jù)的高光譜植被指數(shù)土壤含水量反演模型。結(jié)果表明實(shí)測(cè)高光譜植被指數(shù)模型較優(yōu)，判定系數(shù)0.668。劉全明等[12]采用野外試驗(yàn)、數(shù)據(jù)分析、遙感反演建模相結(jié)合的方法定量估計(jì)河套灌域表層土壤水鹽含量，但未擴(kuò)及至多源遙感數(shù)據(jù)協(xié)同模擬研究。郭交等[13]基于哨兵數(shù)據(jù)，利用廣義神經(jīng)網(wǎng)絡(luò)模型、支持向量回歸、Oh模型定量反演土壤水分，發(fā)現(xiàn)加入海拔高度、雙極化雷達(dá)后項(xiàng)散射系數(shù)、局部入射角等多特征參數(shù)組合的支持向量回歸模型反演效果最優(yōu)，相關(guān)系數(shù)、均方根誤差為0.903、0.015。劉曉靜等[14]以高光譜數(shù)據(jù)為基礎(chǔ)建立基于植被指數(shù)土壤含水率模型，發(fā)現(xiàn)以植被指數(shù)為VOG1和mNDVI705的模型估算最佳。張曉光等[15]采用高光譜技術(shù)建立與含水率的偏最小二乘回歸模型，發(fā)現(xiàn)平滑+變量歸一化后的光譜模型可以直接用于鹽漬土水分的反演。【本研究切入點(diǎn)】現(xiàn)有的土壤水分遙感反演研究大多建立理論、經(jīng)驗(yàn)或半經(jīng)驗(yàn)的散射模型，模型受極化方式、地表粗超度、波段、入射角和植被覆蓋等因素的限制[16]。為此需要研究如何融合地面高光譜與微波遙感多源數(shù)據(jù)，創(chuàng)新土壤水分監(jiān)測(cè)應(yīng)用的新方法和新手段?！緮M解決的關(guān)鍵問(wèn)題】采用高光譜土壤水分特征波段，聯(lián)合后向散射參數(shù)，建立以多源遙感為基礎(chǔ)的水分反演模型及人工智能模型，從而將多源遙感參數(shù)轉(zhuǎn)換為水分值，為反演土壤水分提供科學(xué)基礎(chǔ)，以提高土壤水分監(jiān)測(cè)的精度與廣適性[17]。

1 材料與方法

1.1 研究區(qū)概況

河套灌區(qū)位于40°12′～41°20′N(xiāo)，106°10′～109°30′E。該區(qū)地形較為平坦，海拔約1007～1050 m。年降水量為100～250 mm，蒸發(fā)量高達(dá)2400 mm，溫帶大陸性氣候。灌區(qū)灌溉面積5583 km2，不僅降水少而且蒸發(fā)量大、土壤次生鹽漬化現(xiàn)象嚴(yán)重[18]。

1.2 數(shù)據(jù)獲取與處理

研究區(qū)為巴彥淖爾市的解放閘灌域，試驗(yàn)時(shí)間2016年4月4—8日。遙感數(shù)據(jù)是2016年4月6日RADARSAT-2雷達(dá)衛(wèi)星拍攝的精細(xì)四極化SLC影像[19]，8 m的分辨率。結(jié)合土壤鹽分統(tǒng)計(jì)資料選取89個(gè)采樣點(diǎn)，制定采樣路線，采樣點(diǎn)分布見(jiàn)圖1。實(shí)驗(yàn)過(guò)程中通過(guò)手持GPS儀測(cè)量各采樣點(diǎn)經(jīng)緯度坐標(biāo)，利用剖面板上有厘米網(wǎng)格的方法測(cè)量地表粗糙度，測(cè)量過(guò)程詳見(jiàn)王學(xué)[9]的方法，在各個(gè)取樣點(diǎn)及其左右5 m處共取土壤表層土(0～10 cm)3份土樣裝入編號(hào)鋁盒，烘干法測(cè)定土壤含水率，取平均值得到最終各點(diǎn)土壤含水率。

在SAR Scape模塊對(duì)雷達(dá)數(shù)據(jù)進(jìn)行如下操作：多視、濾波、地理編碼和輻射定標(biāo)[20]，在相關(guān)影像對(duì)雷達(dá)數(shù)據(jù)幾何配準(zhǔn)，獲得四極化后向散射系數(shù)[21]，研究區(qū)部分取樣點(diǎn)后向散射系數(shù)、地表粗糙度與含水率值如表1所示。

Field Spec4便攜式光譜儀用于取樣點(diǎn)土壤反射率光譜數(shù)據(jù)的采集，詳細(xì)采樣過(guò)程見(jiàn)孫宇樂(lè)[22]的方法。在光譜儀本身自帶軟件中將光譜反射率R變換3種不同形式：一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和以10為底的對(duì)數(shù)形式，輸入數(shù)據(jù)是3種變換光譜及地面反射率，后期將4種輸入值與對(duì)應(yīng)取土點(diǎn)位含水率進(jìn)行相關(guān)性分析[23]。

圖1 研究區(qū)雷達(dá)影像Fig.1 Radar image of experimental area

表1 雷達(dá)影像后向散射系數(shù)與土壤含水率原始數(shù)據(jù)

1.3 數(shù)學(xué)方法

主成分回歸(Principal component regression, PCR)、多元逐步回歸分析法(Multiple stepwise regress, MSR)、偏最小二乘回歸(Partial least squares regression, PLSR)詳見(jiàn)馮雪力等[23]的方法。BP人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Network, BP ANN)詳見(jiàn)劉全明等[24]的方法。

BP ANN模型綜合土壤含水率、地表粗糙度ZS、高光譜光學(xué)特征波段、后向散射系數(shù)(SHH、SVV、SHV、SVH)存在明顯響應(yīng)關(guān)系，輸入層由SHH、SVV、SHV、SVH、SHH/SVV、SHV/SVH、地表組合粗糙度和光學(xué)特征波段反射率變換值組成；輸出層是1個(gè)神經(jīng)元與各點(diǎn)含水率對(duì)應(yīng)；隱含層神經(jīng)元個(gè)數(shù)根據(jù)試算法結(jié)果來(lái)確定。由Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱來(lái)完成運(yùn)算，訓(xùn)練值70%，驗(yàn)證值15%，模擬值15%。

前3種方法從眾多波段篩選出特征波段，利用特征波段構(gòu)建經(jīng)驗(yàn)?zāi)Ｐ秃腿斯ぶ悄茴A(yù)測(cè)模型，反演土壤水分。

2 結(jié)果與分析

2.1 特征波段選取

從圖2可以看出，土壤含水量與光譜的一、二階導(dǎo)數(shù)有較高的相關(guān)性。發(fā)現(xiàn)在一階導(dǎo)數(shù)變換的1188～1192、1191～1193、2167～2171和2184～2188 nm相關(guān)性較高，為-0.46、-0.46、0.52和0.57。二階導(dǎo)數(shù)的450～454、1412～1416、1421～1425、2208～2212 nm的相關(guān)系數(shù)為0.50、-0.49、0.55和-0.59，4個(gè)波段相關(guān)性較高，為顯著波段。

圖2 光譜及其變換形式對(duì)土壤水分的相關(guān)系數(shù)Fig.2 Correlation coefficient between soil moisture and 4 forms of spectra

對(duì)光譜的一、二階導(dǎo)數(shù)特征波段進(jìn)行主成分分析(圖3)，一階導(dǎo)數(shù)的1個(gè)特征波段累積貢獻(xiàn)率可達(dá)98.32%，二階導(dǎo)數(shù)的2個(gè)特征波段的累積貢獻(xiàn)率為96.89%；其中，第一主成分一階導(dǎo)數(shù)變換特征波段(2184～2188 nm)與二階導(dǎo)數(shù)變換特征波段(2208～2212 nm)的特征值為1.19E-5、2.01E-7，因子貢獻(xiàn)分別達(dá)到98.32%、90%，皆具有較高代表性，為顯著波段。

逐步回歸分析光譜一、二階導(dǎo)數(shù)特征波段，光譜一階導(dǎo)數(shù)的2184～2188 nm特征波段與二階導(dǎo)數(shù)的450～454、1412～1416、2208～2212 nm特征波段為顯著波段。

偏最小二乘法選擇特征波段及擬合土壤含水率，用波段權(quán)重值表示波段對(duì)含水率的敏感度。該方法選取的波段不同于前兩者回歸分析方法選擇的波段(圖4)，有極為敏感波段，如一階導(dǎo)數(shù)中1800～1870 nm波段權(quán)重達(dá)1.3，二階導(dǎo)數(shù)變換中1835～1839與1870～1874 nm權(quán)重分別可達(dá)-6.6和-6.2，為顯著波段。

從表2可知，相比一階倒數(shù)變換，二階導(dǎo)數(shù)擬合度更好，RMSE均有下降，顯示出二階導(dǎo)數(shù)變換擬合含水率較合適。對(duì)比光譜形式二階導(dǎo)數(shù)的3種方法，可見(jiàn)逐步回歸分析法效果最好，R2、RMSE為0.482、0.027，主成分分析法次之，偏最小二乘法最差。因此可以選擇前兩者來(lái)建立方程。

2.2 建模

對(duì)主成分回歸和逐步回歸分析法選取地表組合粗糙度、特征波段反射率與后向散射系數(shù)及其組合值，建立含水率和二階導(dǎo)數(shù)的回歸方程。

(1)

式中，X1414、X2210分別為光譜二階導(dǎo)數(shù)1412～1416、2208～2212 nm的波段的算術(shù)平均數(shù)。

圖3 特征波段的主成分分析Fig.3 Principal component analysis of characteristic bands

圖4 土壤含水率和反射率導(dǎo)數(shù)變換的偏最小二乘法權(quán)重和相關(guān)性Fig.4 Analysis of weight between reflectance derivative transformation and soil moisture

表2 相關(guān)系數(shù)法與偏最小二乘法擬合結(jié)果對(duì)比

(2)

式中，X452、X1414、X2210分別為光譜二階導(dǎo)數(shù)450～454、1412～1416、2208～2212 nm波段的算術(shù)平均數(shù)。

同時(shí)建立神經(jīng)網(wǎng)絡(luò)模型，由圖5-c可知，神經(jīng)網(wǎng)絡(luò)模型R2值為0.792，遠(yuǎn)高于上述相關(guān)系數(shù)法光譜二階導(dǎo)數(shù)的回歸方程，體現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型的優(yōu)越性。

2.3 土壤水分預(yù)測(cè)

按照土壤含水率(0～50 g/kg)每5 g/kg劃分一類(lèi)，共劃分10類(lèi)的分類(lèi)方法，將河套灌區(qū)鹽漬化土壤進(jìn)行分類(lèi)。逐步回歸分析法建立的回歸方程模擬的土壤含水率如圖6所示，模擬結(jié)果如表3所示?？梢?jiàn)，研究區(qū)整體土壤含水率較高，主要分布在20～25 g/kg，占全局的70.44%，這可能是研究區(qū)內(nèi)土壤鹽堿化程度較為嚴(yán)重的一個(gè)主要原因, 在今后的土地治理及農(nóng)業(yè)生產(chǎn)活動(dòng)中要著力降低土壤的含水率, 以保證農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展。

圖5 土壤含水實(shí)測(cè)與模擬值Fig.5 Measured and simulation value of soil moisture

圖6 研究區(qū)土壤含水量反演Fig.6 Inversion result of soil moisture image in study area

表3 土壤含水率反演分類(lèi)占比

3 討 論

在土壤水分反演過(guò)程中，相比于多元逐步回歸分析，BP神經(jīng)網(wǎng)絡(luò)方法在精度上更高，其R2為0.792，這與孫宇樂(lè)等[25]R2達(dá)到0.796及王啟元等[26]R2均值達(dá)到0.754的研究結(jié)果基本相同。其原因可能是土壤光譜信息與土壤性質(zhì)之間不是單一的線性關(guān)系，SMLR模型只能進(jìn)行線性回歸預(yù)測(cè)，而B(niǎo)PNN模型同時(shí)具備線性和非線性處理能力，因而模型精度更高。

分析中對(duì)光譜反射率做數(shù)學(xué)形式的變化后，有效地削弱遙感影像中噪聲的影響，提高與土壤含水率的的相關(guān)性?xún)?yōu)于原始數(shù)據(jù)，這與馬馳[27]、李鑫星等[28]、趙飛飛[29]、Yin等[30]的研究觀點(diǎn)相同。

本研究認(rèn)為土壤含水量的特征波段為450～454、1412～1416、1421～1425、2208～2212 nm。姚艷敏等[31]認(rèn)為400～410、1400～1850、2050～2200 nm為吉林黑土含水量敏感波段；張銳等[32]認(rèn)為原狀水稻土水分敏感波段集中在1450、1950和2220 nm附近；于雷等[33]認(rèn)為浙江土壤水分敏感波段為443～449、1408～1456、1916～1943、2209～2253 nm；尚天浩等[34]通過(guò)逐步回歸分析與灰色關(guān)聯(lián)度分析法篩選出寧夏銀北地區(qū)鹽堿化土壤水分的敏感波段集中在1460、1950和2200 nm附近；韓陳等[35]認(rèn)為1400、1900、2200 nm為紫色土和黃壤含水率敏感波段。以上研究與本研究水分敏感波段基本一致，其中與姚艷敏等[31]的研究結(jié)果更為接近，但在不同土壤類(lèi)型下，各研究者所提取的具體波段均有所不同。除土壤本身性質(zhì)影響外，研究區(qū)域、采用的分析模型方法、光譜獲取方式及篩選方式等有所差異也有較大影響。

下一步鹽堿地水分遙感預(yù)測(cè)模型須加強(qiáng)和中高分辨率衛(wèi)星光學(xué)影像的結(jié)合，針對(duì)植被覆蓋條件下的灌區(qū)土壤條件，試驗(yàn)多尺度、多時(shí)相的多源遙感大數(shù)據(jù)動(dòng)態(tài)監(jiān)測(cè)，能夠?qū)Υ髤^(qū)域鹽堿地水分的準(zhǔn)確反演[36]，以豐富灌區(qū)土壤墑情監(jiān)測(cè)的技術(shù)手段。

4 結(jié) 論

通過(guò)不同形式的光譜變換處理可以使光譜反射率與土壤含水量的關(guān)系得到提升，相關(guān)性較好的是光譜一、二階導(dǎo)數(shù)，特別是二階導(dǎo)數(shù)的450～454、1412～1416、1421～1425、2208～2212 nm 4個(gè)波段相關(guān)性高，相關(guān)系數(shù)分別為0.50、-0.49、0.55和-0.59。PCR二階導(dǎo)數(shù)變換的1412～1416、2208～2212 nm 2個(gè)特征波段累積貢獻(xiàn)率為96.89%；MSR二階導(dǎo)數(shù)的450～454、1412～1416、2208～2212 nm 3個(gè)特征波段為顯著影響波段；PLSR篩選的特征波段較主成分分析以及逐步回歸分析法選取的波段有所不同，且存在極為敏感的波段，如二階導(dǎo)數(shù)變換中1835～1839與1870～1874 nm權(quán)重值較大。

通過(guò)協(xié)同河套灌區(qū)解放閘灌域鹽漬化土壤光譜特征波段反射率二階倒數(shù)、雷達(dá)后向散射系數(shù)及其組合與地表粗糙度，對(duì)比含水率的PCR、MSR與PLSR 3種反演模型，發(fā)現(xiàn)MSR模型的R2、RMSE為0.482、0.027，優(yōu)于另外2種模型。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型最佳，R2為0.792。