引用本文
吴龙国, 王松磊, 何建国. 基于高光谱技术的土壤水分无损检测. 光谱学与光谱分析, 2018,38(8): 2563-2570
WU Long-guo, WANG Song-lei, HE Jian-guo. Study on Soil Moisture Mechanism and Establishment of Model Based on Hyperspectral Imaging Technique. Spectroscopy and Spectral Analysis, 2018,38(8): 2563-2570.  
Doi: 10.3964/j.issn.1000-0593(2018)08-2563-08
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
基于高光谱技术的土壤水分无损检测
吴龙国1, 王松磊1,2, 何建国1,2,*
1. 宁夏大学土木水利工程学院, 宁夏 银川 750021
2. 宁夏大学农学院, 宁夏 银川 750021
*通讯联系人 e-mail: hejg@nxu.edu.cn

作者简介: 吴龙国, 1988年生, 宁夏大学土木水利工程学院博士研究生 e-mail: 1046156215@qq.com

收稿日期: 2017-07-10 接受日期: 2017-12-17
基金项目: 国家自然科学基金项目(31560481), 农业推广项目(2014G30000045)资助
摘要

利用高光谱成像仪(光谱范围400~1 000 nm)对土壤含水率进行了无损检测。 比较了208个土样不同天数下土壤含水率与光谱变化、 不同质量含水量光谱的差异; 对比分析了不同光谱预处理方法、 不同方法提取特征波长、 采用多元线性回归(multiple linear regression, MLR)、 主成分回归(principal component regression, PCR)与偏最小二乘回归(partial least squares regression, PLSR)建模, 优选出最佳模型。 结果表明: 光谱曲线的反射率随着土壤含水率的增加而减小。 当超过田间持水率时, 光谱曲线的反射率会随着土壤含水率的增加而增大。 对比分析了不同预处理方法, 近红外波段优选出单位向量归一化预处理方法。 采用无信息变量消除法(UVE)、 竞争自适应加权采样(CARS)、 β系数法、 连续投影算法(SPA)方法提取特征波长为49, 30, 5和7。 为了减少数据冗余, 对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取, UVE+SPA, CARS+SPA提取特征波长数分别为5和8个。 在此基础上, 利用MLR, PCR和PLSR方法对400~1 000 nm范围的特征波长建立模型, 对比分析不同建模效果, 优选出 β系数提取的特征波长的MLR模型。 最优的特征波长为411, 440, 622, 713和790 nm, 最优模型的预测相关系数 Rp=0.979, 预测均方根误差RMSEP为0.763。 因此, 今后可采用不同波段对土壤含水率进行定量分析。

关键词: 高光谱成像; 土壤; 水分含量; 无损检测
中图分类号:TV93 文献标识码:A
Study on Soil Moisture Mechanism and Establishment of Model Based on Hyperspectral Imaging Technique
WU Long-guo1, WANG Song-lei1,2, HE Jian-guo1,2,*
1. Institute of Civil and Hydraulic Engineering, Ningxia University, Yinchuan 750021, China
2. School of Agriculture, Ningxia University, Yinchuan 750021, China
Abstract

This article summarizes a near-infrared hyperspectral imaging technique was investigated for non-destructive determination of soil moisture content. A total of 208 soil samples were collected by hyperspectral imaging system. The differences of soil water content and spectral change, and the spectra of different water contents were compared. Different spectral preprocessing methods were analyzed and the characteristic wavelengths were extracted by different methods. MLR, PCR and PLSR modeling were used to optimize the best model. The results show that the reflectivity of the spectral curve decreases with the increase of soil water content, and the reflectivity of the spectral curve increases with the increase of soil moisture content when it increases beyond the field water holding capacity. With the increase of soil moisture content, the spectral reflectance of soil showed a decrease at first before increasing. When the soil moisture content is 30%, the reflectivity of soil spectrum increases. It is mainly because the soil moisture content exceeds the amount of soil surface water layer,form a double structure the soil can accommodate . The method of different pretreatment is analyzed, and the pretreatment method of normalization of unit vector is proposed. The number of characteristic wavelengths extracted by UVE, CARS, β coefficient, SPA were 49, 30, 5, 7, respectively. In order to reduce the data redundancy, the characteristic wavelengths of UVE and CARS were further extracted by SPA method. The number of characteristic wavelengths of UVE+SPA and CARS+SPA were 5, 8. On the basis of this, the MLS, PCR and PLSR methods were used to model the characteristic wavelengths of the range of 400~1 000 nm. The MLR model of the characteristic wavelengths extracted by β coefficient was obtained by comparing the different modeling results.The optimal characteristic wavelength is 411, 440, 622, 713, 790 nm. The prediction coefficient Rp=0.979 is the best model, and the RMSEP is 0.763.Therefore, the soil moisture content can be quantitatively analyzed in different bands in the future.

Key words: Hyperspectral imaging; Soil; Moisture content; Non-destruction
引言

我国水资源的短缺、 供需矛盾的尖锐、 农业用水浪费严重以及水污染等突出问题, 已成为制约我国经济可持续发展的重要因素之一。 我国多年平均水资源总量为2.8万亿m3, 位列世界第6位。 宁夏回族自治区地处我国西部的黄河上游, 属于典型的大陆性半湿润半干旱气候。 全区的年水面蒸发量平均为1 250 mm, 是我国水面蒸发量较大的省区之一。 水资源供需矛盾显得尤为突出, 已成为我区经济社会发展和生态环境演变的关键因素。

随着我国经济、 文化、 科技水平的快速发展, 在农业发展进程中, 人们提出了精准农业的设想。 在SPAC(soil plant atmosphere continuum)系统中, 水分作为其中的传递物质, 连接着大气与土壤。 在土壤水分测量的过程中, 表层土壤含水率信息往往显得比较特殊, 对于指导农业生产至关重要。 尤其在中国北方干旱地区, 普遍采用漫灌的方式来湿润耕作层以及淋洗土壤盐分[1]。 这种灌溉方式不仅浪费严重、 效率低, 而且容易产生次生盐渍化现象[2]。 因此, 对于农业生产来说, 监测表层土壤含水率对于确定合理的灌溉制度、 降低次生盐渍化的发生, 具有十分重要的实践意义。 传统的土壤水分监测方法不仅耗时耗力, 而且对土壤的破坏性强, 测点少, 代表性差, 无法实现快速、 精准、 动态的获取大面积土壤水分实时动态监测。

目前, 土壤含水率的测定是通过物理的方式, 利用水分子的特性进行定量检测。 新一代的光谱检测技术— 高光谱成像技术, 国内外学者利用该技术对土壤含水量进行了大量的研究[3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13]。 但是这些方法都以非盐渍化土壤为研究对象, 尚未考虑土壤盐分含量对水分及其光谱的影响, 不能完全应用于干旱地区的盐渍化土壤。 因此, 本文开展土壤水分动态定量检测的研究, 对田间水肥管理的可持续发展、 水资源的集约管理、 水分利用效率的科学管理具有重要的现实意义和作用。

1 实验部分
1.1 试验区概况

试验区域为银川市周边地区。 银川位于北纬37° 29'— 38° 53', 东经105° 49'— 106° 53'之间。 地貌类型多样, 雨雪稀少, 蒸发强烈, 气候干燥。 年平均降水量200 mm左右, 属典型的大陆性半湿润半干旱气候, 土地总面积9 491.0 km2。 贺兰山至西干渠之间主要为山地灰钙土、 草甸土和灰褐土, 东部冲积平原主要为长期引黄灌溉淤积和耕作交替而形成的灌淤土, 局部低洼地区有湖土和盐土分布。 灌淤土土质适中, 理化性好, 有机质含量高, 保水保肥适种性广。 土壤类型的多样性非常适合农业生产发展和多种经济作物生长。

1.2 方案设计

(1) 选取11个已称重的250 mL烧杯, 在其中各加入风干后的土样100 g, 土壤的含盐量小于0.01%, 为非盐土。 在11个样本中, 其中1个为对照组, 未做处理, 其余10组加30 mL蒸馏水, 立即用保鲜膜将烧杯封口。 为了避免外来盐离子的影响, 用蒸馏水配制土样。 将配制好的土样静置2 h, 使其水分在土壤中再分布均匀, 将每个烧杯中的土样均匀的倒入2个干燥的铝盒中, 并进行编号。 为了确保采集信息的准确性, 每个土壤样本先进行高光谱成像采集, 然后对其进行称重, 连续测试一直到第12天。

(2) 在试验区用直径3 cm的土钻采集土样, 每个采样点按S形线路采样, 每个样点取0~10, 10~20, 20~30和30~40 cm共计四个土层的土样。 具体采集方法为: 用带刻度的土钻分别采集树地与大田地, 将同一采样区同一土层的土样混合, 每层土样重100 g左右, 清除土样中的作物根系和小石块, 放入采样袋中密封编号; 带回实验室后, 将每个袋中的土样放置于铝盒中, 马上进行高光谱图像采集。

(3) 为了得到具有一定梯度的土壤含水率样本, 分别称取30 g风干土, 装满干燥的铝盒中, 用直尺刮平表面, 按照1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13和14 mL的注水梯度, 配比了3%, 6%, 10%, 13%, 16%, 20%, 23%, 26%, 30%, 33%, 37%, 40%, 43%和46%含水量的土壤样本, 通过高光谱成像系统采集每个样本的图像, 通过Envi4.6软件提取光谱曲线进行分析。

(4) 在采样区采集土样, 分别采集不同区域的干土与壤土, 选择不同采样点进行原状土采集, 共采集土样208个。 对土壤样本进行高光谱图像采集, 同时利用卤素快速分析仪对其水分含量进行测定。 通过Envi4.6软件提取光谱曲线, 利用Unscrambler 10.4 软件与MatlabR 2014a软件对光谱值与化学值建立回归模型, 对比分析最优的土壤水分预测模型。

1.3 仪器及器具

①土钻; ②土壤筛: 孔径2mm; ③铝盒: 小型直径约20 mm, 高约20 mm; ④分析天平: 感量为0.001和0.01 g; ⑤卤素快速水分分析仪; ⑥可见近红外高光谱成像仪; ⑦近红外高光谱成像仪。

1.4 方法

1.4.1 样本含水量计算方法

采集深度为0~40 cm的土壤样品, 保鲜包装后带回实验室, 以防土壤水分蒸发。 采用重量含水率对土壤样品进行研究, 重量含水量表示土壤中水分的质量与干土质量的比值, 量纲为一。 先在田间采集具有代表性的表层土壤样品, 并将土壤样品放入铝盒, 用直尺刮平, 然后进行高光谱图像扫描。 扫描结束后从铝盒中称取10 g左右的表层土壤放入卤素快速水分分析仪中, 设置温度为110 ℃, 仪器自动烘干到样品恒重, 记录数据。 采用重量含水量公式计算土壤含水率。 计算公式如式(1)

土壤含水率(%)=m1-m2m2×100%(1)

式(1)中, m1为土样质量, 单位为g; m2为烘干后土样质量, 单位为g。

1.4.2 高光谱图像的采集参数的确定

高光谱成像系统采集样本时, 相关参数经过预试验确定: 物距为360 mm, 输送装置的步距为200 μ m· s-1, 成像光谱仪的曝光时间为30 ms, 扫描起始位置90 mm, 扫描线实际长度为60 mm。

1.4.3 数据分析

(1) 光谱预处理

光谱预处理主要是为了去除光谱或图像信息中的非品质信息的影响(如表面不均匀引起的散射)以及仪器噪音和暗电流等引起的光谱曲线基线漂移和不重复现象、 不同成分之间相互干扰引起的多重共线性和背景因数等对光谱曲线的影响。

(2) 特征波长提取

特征波长提取, 也叫数据降维, 是指通过线性或非线性映射方法将高维数投影到低维数据空间, 是在保留或者增强原始信息的前提下尽可能多的去除大量的冗余信息, 从而找到能够表征高维数据空间的低维分量的过程。 常见的有主成分析、 连续投影算法、 竞争自适应法、 无信息变量选择等方法。

(3) 模型建立方法

定量模型指的是将光谱信息与被测样本的化学指标建立联系, 往往通过化学计量学的方法进行实现。 常用的定量化学计量学方法有多元线性回归、 主成分回归、 偏最小二乘回归。

1.4.4 模型构建与评价

为准确评价模型精度与稳定性, 并保证样本之间的含水量间隔, 将208个样本分为两部分, 3/4样本作为建模样本, 1/4样本作为预测集样本。 分别采用多元线性回归法、 主成分回归法、 偏最小二乘法, 以反射率作为输入量, 建立土壤含水率高光谱预测模型。 模型精度由相关系数(R)和均方根误差(RMSE)进行综合评价, 模型的相关系数(R)越大, 模型越稳定; RMSE越小, 模型预测能力越好。

2 结果与讨论
2.1 不同天数土壤含水率与光谱变化

为了得到具有一定梯度的土壤含水率样本, 通过人工配制11组土壤初始含水率为30%的样本进行平行试验。 选取11个已称重的250 mL烧杯, 在其中添加风干后的土样100 g, 其中1个为对照组, 未做处理, 其余10组进行加水处理。 加水量根据田间持水率为30%进行计算, 加蒸馏水30 mL后称重, 记录数据。 整个试验过程均在实验室内进行, 使其测试条件统一。 为了使烧杯中土壤充分的接触水分, 静置2 h后采集高光谱图像, 作为第1天的数据。 依次类推, 测定第1, 2, 3, 4, 5和12天样本的含水量变化情况与高光谱成像光谱, 结果如图1和图2所示。

图1 不同天数的土壤含水率变化曲线图Fig.1 Variation of soil moisture in different days

图2 不同天数的土壤光谱曲线(400~1 000 nm)Fig.2 Soil spectrum curves for different days (400~1 000 nm)

由图1可知: 随着时间的延长, 土壤含水率逐步进行减少, 直至达到风干土壤含水率的程度。 第1天含水量的下降速率比其他天数的下降速率大, 主要原因是从第1天到第2天, 土壤含水率主要为自由水, 水分蒸发主要从土壤表层直接进入大气, 不存在水分运移情况。 而从第2天到第5天, 土壤水分蒸发主要从深层土壤到表层土壤, 然后才进入大气; 由传质理论可知, 空气与表层土壤之间存在一个气膜, 具有一定的阻力, 这在传质过程中不可忽略。 因此, 蒸发速率较慢, 且平均每天以2.6%/天下降。 从第5天到12天, 土壤水分从17.7%下降到0.3%。

由图2可知: 在400~800 nm波段, 土壤光谱反射率变化比较明显, 在800~1 000 nm波段, 土壤光谱反射率变化较小。 第1天至第5天土壤光谱变化差异较小, 第12天、 对照组差异明显。 由于对照组土壤初始含水量为1.2%, 与第12天自然干燥土壤光谱差异比较明显。 并且第12天的土壤光谱反射率高于对照组与其他天的土壤反射率, 也说明了光谱反射率随着含水量的增加而减小。 在400~1 000 nm波段, 虽然没有水的吸收峰, 但土壤对水还是有一定的吸收的。 低含水量的表层土壤中水分子比较少, 光谱吸收较少, 反之光谱反射率就较高。 因此, 可以通过光谱反射率的大小来判断土壤含水率的高低。

2.2 不同质量含水量光谱

为了避免偶然性, 每个加水梯度设置为2个平行样本, 共计28个样本。 每天进行定期扫描土样和称重。

随着土壤含水率的增加, 土壤的光谱反射率呈现先减小后增大的规律。 当超过土壤含水率为30%时, 土壤光谱反射率出现增大的趋势。 主要是因为当土壤含水率超过土壤所能容纳的量时, 土壤表层出现水层, 使得土壤形成一种双层结构。 这种双层结构的上层为水层, 光线射入时会形成镜面, 使得光路改变方向, 从而高光谱成像仪获取的反射率较低, 这也为遥感水体奠定基础。 整体光谱曲线比较集中, 含水量相近, 光谱反射率比较相似。

2.3 光谱曲线提取与分析

为了建立快速检测土壤水分含量的预测模型, 分别采集不同区域的干土与壤土, 选择不同采样点进行原状土采集, 共采集土样208个, 利用不同波段的高光谱成像系统对干土与壤土土样进行扫描并测其含水率。 图3为干土与壤土原状土平均光谱图; 图4为干土与壤土原状土光谱图; 表1为208个样本的含水量实测值, 选择3/4样本作为校正集, 1/4样本作为预测集, 并保证预测集在校正集范围内。

图3 干土与壤土原状土平均光谱图(400~1 000 nm)Fig.3 Average spectra of dry soil and loamy soil (400~1 000 nm)

图4 干土与壤土全部样本光谱曲线Fig.4 Spectral curves of all samples of dry soil and loam

表1 土样含水量测定值 Table 1 Determination of soil moisture content

由图3可知: 不同波段下, 干土与壤土的反射光谱差异显著, 这也与魏娜得出的结论相一致。 原始光谱曲线出现严重的基线漂移现象; 因此需要对光谱数据进行预处理。

由表1可知: 预测集的最大值与最小值都在校正集的范围之内, 并且二者平均值都是5.98%, 方差也特别接近。

2.4 光谱预处理建模

为了提高化学计量学建模的准确性, 需要对光谱进行一定的预处理, 优选最佳的建模光谱。 分别选用平滑、 高斯滤波、 中值滤波、 卷积平滑、 矢量归一化、 标准正态化(standard normalization varietion, SNV)、 多元散射校正(multiple scattering correction, MSC)以及一阶导数(first derivate, FD)、 正交信号校正的光谱预处理方法对原始光谱数据进行信息增强。 利用PLSR分析法对400~1 000 nm波段原始光谱和预处理后的光谱数据进行模型建立, 结果如表2所示。

表2 不同预处理光谱的PLSR模型(400~1 000 nm) Table 2 PLSR model of different pretreatment spectral (400~1 000 nm)

由表2可以看出: 原始光谱与不同预处理光谱的PLSR模型差异显著。 对比结果如下: ①同类型预处理对比: 平滑预处理方法, 随着平滑窗口的增大, 建模效果未能显著提高, 主要原因是原始光谱比较平滑; 高斯滤波方法随着平滑窗口的增大, 建模效果减小, 最优模型的主成分数减少; 中值滤波方法随着平滑窗口的增大, 建模效果反而降低, 未能提高预测效果; 卷积平滑处理方法建模效果与原始光谱建模效果差异不明显; 不同的归一化类型(面积归一化、 单位向量归一化、 平均归一化、 最大值归一化、 阈值归一化)具有不同的建模效果, 优选出面积归一化与平均归一化方法。 导数方法, 一阶导数虽能提高建模的效果, 但预测能力较差; 二阶导数预处理未能提高模型的预测能力; 标准正态化预处理与多元散射校正预处理方法的建模效果相当, 具有相同的主成分数, 较低的均方根误差; OSC预处理的建模效果优于原始光谱建模效果, 且具有较低的主成分数; ②对比分析原始光谱与24种预处理光谱的PLSR模型, 综合主成分数、 建模预测相关系数与均方根误差因素, 优选出面积归一化与平均值归一化方法。 面积归一化预处理可以很好的消除噪音对水分模型建立的干扰。 因此, 400~1 000 nm波段优选面积归一化预处理光谱进行后期数据处理。

2.5 特征波长提取

为了降低数据处理量, 利用Unscrambler 10.4软件对400~1 000 nm面积归一化预处理光谱建立的PLSR模型进行特征提取, 选择第五主成分为最优主成分数, 在β 系数图上基于局部绝对值最大的原则, 提取了5个特征波长(411, 440, 622, 713和790 nm); 利用Matlab 2014a软件进行编程, 采用无信息变量消除法(uninformative variable eliminate, UVE)法提取特征波长, 在选择mmax=10时, 获得最大的t-value值模型拟合效果最佳, 选取了49个特征波段数; 在此基础上进一步进行连续投影算法(successive projections algorithm, SPA), 选择mmax=5时, 获得最小RMSECV=1.105 6值, 模型拟合效果最佳, 选取了五个特征波段数。 利用Matlab 2014a软件进行编程, 采用竞争自适应加权采样(competitive adaptive reweighted sampling, CARS)法提取特征波长, 最大主成分数A=15, 交互验证分组数fold=156, 数据方法method=‘ center’ , 筛选中, 蒙特卡洛采样次数设定为200次, 在选择主成分数为11时, 获得最小的RMSECV=0.688 2, 模型拟合效果最佳, 选取了30个特征波段数; 在此基础上进一步进行SPA, 选择mmax=8时, 获得最小RMSECV=1.021值, 模型拟合效果最佳, 选取了8个特征波段数。 利用Matlab2014a软件进行编程, 采用SPA法提取特征波长, 在选择mmax=7时, 获得最小RMSECV=1.094 7, 模型拟合效果最佳, 选取了7个特征波段数; 不同的特征波长提取的结果如图5所示。 不同特征波长提取方法对比分析结果如表3所示。

由表3可知: 在400~1 000 nm波段, UVE与CARS方法提取特征波长数太多, 为了减少数据冗余, 进一步采用SPA方法进行提取。 UVE提取的特征波长数由原来的49减少到5个; CARS提取的特征波长数由原来的30减少到8个。 β 系数与SPA方法分别提取特征波长数为5和7个。

2.6 不同建模效果对比分析

为了优选出最优的特征波长模型, 利用MLR, PCR和PLSR方法分别对提取的特征波长进行模型对比, 结果如表4所示。

由表4可知: ①MLR模型中, β 系数提取的特征波长所建立的模型, 具有高相关性、 低均方根误差; 为了减少波段数, 对UVE和CARS提取的特征波长结合SPA方法进一步提取, UVE+SPA与CARS+SPA建立的MLR模型与UVE-MLR/CARS-MLR模型的相关系数差别不显著, 且具有较少的波段数。 ②PCR模型中, CARS+SPA所建立的PCR模型具有较高的相关系数, 较低的均方根误差。 ③PLSR模型中, 与β 系数提取的特征波长所建立的PLSR模型具有较高的RC/RCV/RP, 较低的RMSEC/RMSECV/RMSEP, 且与全波段建立的模型差异较小。 ④对比MLR/PCR/PLSR模型, 同类型特征波长建立的MLR模型优于其他两种建立的模型。

综上所述, 在400~1 000 nm波段优选出β 系数提取的特征波长的MLR模型, 最优的特征波长为411, 440, 622, 713和790 nm, 最优模型的预测相关系数Rp=0.979, 预测均方根误差RMSEP为0.763。

图5 不同特征波长提取方法(400~1 000 nm)Fig.5 Different characteristic wavelengths extraction methods (400~1 000 nm)

表3 不同特征波长提取方法对比分析 Table 3 Comparison of different characteristic wavelengths extraction methods
表4 不同提取特征波长的模型对比分析(400~1 000 nm) Table 4 Comparison of models with different extracted characteristic wavelengths (400~1 000 nm)
3 结 论

对采集土壤的试验区概况、 试验土壤含水率的计算方法、 模型建立的方法、 模型的建立与评价方法进行了阐述。 利用Vis-NIR高光谱成像仪(光谱范围400~1 000 nm)对土壤含水率进行了无损检测, 比较了不同天数下土壤含水率与光谱变化、 不同质量含水量光谱的差异; 结合光谱吸收原理, 从机理上分析不同含水量下土壤光谱的变化情况。 结果说明: 随着土壤含水率的增加, 土壤的光谱反射率呈现先减小后增大的规律。 当超过土壤含水率为30%时, 土壤光谱反射率出现增大的趋势。 主要是因为当土壤含水率超过土壤所能容纳的量时, 土壤表层出现水层, 使得土壤形成一种双层结构。 这种双层结构的上层为水层, 光线射入时会形成镜面, 使得光路改变方向, 从而高光谱成像仪获取的反射率较低。 这一结论支持了“ 土壤的反射率在一定的土壤水分含量临界值之下时, 土壤含水率与之呈反比, 当超过临界值后, 土壤反射率与土壤含水率变化呈正相关; 土壤反射率与土壤含水率之间存在非线性关系, 这个临界值通常大于田间持水率” 的观点。 因取样时间较集中, 本实验为室内试验, 控制了不同试验条件, 忽略了降雨及土壤温度变化等因素对土壤结构的影响。

在此基础上, 对采集到的土样进行模型建立, 通过化学计量学的方法将土壤水分与光谱结合, 建立了不同土壤含水量的预测模型。 从试验的预测结果来看, 该模型可以对土壤不同含水量进行准确预测, 为今后土壤水分快速检测提供有力支撑。

结果表明: 光谱曲线的反射率随着土壤含水率的增加而减小, 当增大到超过田间持水率时, 光谱曲线的反射率会随着土壤含水率的增加而增大。 对比分析了不同预处理方法, 优选面积归一化预处理方法; 对400~1 000 nm波段进行特征波长提取, UVE, CARS, β 和SPA方法提取特征波长数为49, 30, 5和7; 为了减少数据冗余, 对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取, UVE+SPA和CARS+SPA提取特征波长数分别为5和8个。 利用MLR, PCR和PLSR方法对400~1 000 nm范围的特征波长建立模型, 对比分析不同建模效果, 分别优选出β 系数提取的特征波长的MLR模型, 最优的特征波长为411, 440, 622, 713和790 nm, 最优模型的预测相关系数Rp=0.979, 预测均方根误差RMSEP为0.763。 因此, 今后可采用不同波段对土壤含水率进行定量分析。

The authors have declared that no competing interests exist.

参考文献
[1] ZENG Wen-zhi, XU Chi, WU Jing-wei, et al. Journal of Arid Land , 2014, 6(1): 44. [本文引用:1]
[2] Zarabi M, Jalali M. Environmental Monitoring and Assessment, 2012, 184(12): 7607. [本文引用:1]
[3] WU Jian, LIU Min-shi, LI Wei-tao(吴见, 刘民士, 李伟涛). Bulletin of Soil and Water Conservation(水土保持通报), 2013, (5): 156. [本文引用:1]
[4] SI Hai-qing, YAO Yan-min, WANG De-ying, et al (司海青, 姚艳敏, 王德营, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(9): 114. [本文引用:1]
[5] WANG Hai-jiang, ZHANG Hua-ling, REN Shao-ting, et al(王海江, 张花玲, 任少亭, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 45(7): 133. [本文引用:1]
[6] XU Chi, ZENG Wen-zhi, HUANG Jie-sheng, et al(徐驰, 曾文治, 黄介生, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(13): 94. [本文引用:1]
[7] LI Ping, ZHAO Geng-xing, GAO Ming-xiu, et al(李萍, 赵庚星, 高明秀, 等). Acta Pedologica Sinica(土壤学报), 2015, 52(6): 1262. [本文引用:1]
[8] JIN Hui-ning, ZHANG Xin-le, LIU Huan-jun, et al(金慧凝, 张新乐, 刘焕军, 等). Acta Pedologica Sinica(土壤学报), 2016, 53(3): 627. [本文引用:1]
[9] LI Chen, ZHANG Guo-wei, ZHOU Zhi-guo, et al(李晨, 张国伟, 周治国, 等). Chinese Journal of Applied Ecology(应用生态学报), 2016, 27(2): 525. [本文引用:1]
[10] YU Lei, HONG Yong-sheng, ZHU Ya-xing, et al(于雷, 洪永胜, 朱亚星, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(7): 2146. [本文引用:1]
[11] ZHU Ya-xing, ZHOU Zhen-jin, HONG Yong-sheng, et al(朱亚星, 周桢津, 洪永胜, 等). Journal of Central China Normal University·Natural Sciences(华中师范大学学报·自然科学版), 2017, 51(1): 123. [本文引用:1]
[12] CAI Liang-hong, DING Jian-li(蔡亮红, 丁建丽). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(16): 144. [本文引用:1]
[13] CHEN Hong-yan, ZHAO Geng-xing, LI Yu-huan, et al(陈红艳, 赵庚星, 李玉环, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(12): 119. [本文引用:1]