引用本文
姜传礼, 赵健赟, 丁圆圆, 赵沁浩, 马宏嫣. SPA算法与机器学习的黄河源土壤水分反演[J]. 光谱学与光谱分析, 2023,43(6): 1961-1967.
JIANG Chuan-li, ZHAO Jian-yun, DING Yuan-yuan, ZHAO Qin-hao, MA Hong-yan. Study on Soil Water Retrieval Technology of Yellow River Source Based on SPA Algorithm and Machine Learning[J]. Spectroscopy and Spectral Analysis, 2023,43(6): 1961-1967.
Doi:10.3964/j.issn.1000-0593(2023)06-1961-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
SPA算法与机器学习的黄河源土壤水分反演
姜传礼1, 赵健赟1,2,*, 丁圆圆1, 赵沁浩1, 马宏嫣1
1. 青海大学地质工程系, 青海 西宁 810016
2. 青藏高原北缘新生代资源环境重点实验室, 青海 西宁 810016
*通讯作者 e-mail: zhaojianyun1981@163.com

作者简介: 姜传礼, 1996年生, 青海大学地质工程系硕士研究生 e-mail: jcl18755853214@163.com

收稿日期: 2022-03-22 修回日期: 2022-06-02
基金: 国家自然科学基金项目(42161068), 青海省科技厅基金项目(2021-ZJ-743), 甘肃省祁连山生态环境研究中心开放基金项目(QLS202007)资助
摘要

土壤水分在一定程度上决定着地区的生态承载力和土壤理化性质。 准确、 快速的获取土壤水分含量, 对生态环境监测、 土壤退化恢复等具有重要意义。 高光谱遥感在土壤参数反演方面应用广泛, 但对高寒草甸土壤的高光谱特征与参数反演研究有待深入。 为建立适用于高寒脆弱生态系统的高寒草甸土壤含水量高光谱反演模型, 以黄河源区的河南县为例, 利用多元线性逐步回归(MLSR)、 偏最小二乘回归(PLSR)和BP神经网络(BPNN)对土壤样本含水量与土壤光谱及其数学变换的特征波段进行建模, 由决定系数( R2)、 均方根误差(RMSE)和预测残差比(RPD)对模型精度进行验证。 结果表明: (1) 在可见光-近红外波段, 土壤样本的光谱反射率在710、 780和950 nm附近存在强弱不同的水分吸收区间, 且随着含水量的增加, 反射率呈现先迅速降低, 后缓慢增加的趋势。 (2) 通过连续投影算法(SPA)筛选的光谱特征波段作为自变量, 含水量作为因变量, 分别通过MLSR和PLSR建立反演模型, 其中一阶微分(FD)、 对数一阶微分(FDL)变换对应的PLSR模型可实现高寒草甸土壤水分的粗略反演, 且FD变换对应的PLSR模型精度较高。 (3)BPNN反演模型中, 除去包络(CR)建模外, 其余模型 R2均大于0.9, RMSE在0.048~0.074之间。 其中FD、 FDL、 LG变换光谱对应的BPNN模型反演精度较高, 验证结果的 R2均大于0.8, RPD均大于2.5, 精度最高的为对数(LG)变换对应的BPNN模型, R2、 RMSE和RPD分别达到0.967、 0.038和5.039。 因此, BPNN模型能较精确的实现黄河源区高寒草甸土壤含水量的高光谱反演, 为该地区乃至其他高寒地区生态环境监测与土壤恢复提供技术基础和数据支撑。

关键词: 高光谱反演; 高寒草甸; 机器学习; SPA算法; 黄河源
中图分类号:TP79 文献标志码:A
Study on Soil Water Retrieval Technology of Yellow River Source Based on SPA Algorithm and Machine Learning
JIANG Chuan-li1, ZHAO Jian-yun1,2,*, DING Yuan-yuan1, ZHAO Qin-hao1, MA Hong-yan1
1. Department of Geological Engineering, Qinghai University, Xining 810016, China
2. Key Laboratory of Cenozoic Resource & Environment in North Margin of the Tibetan Plateau, Xining 810016, China
*Corresponding author
Abstract

Soil moisture determines a region's ecological carrying capacity and soil physical and chemical properties to a certain extent. It is significant to obtain soil moisture content accurately and quickly for ecological environment monitoring and soil degradation restoration. Hyperspectral remote sensing is widely used in soil parameter inversion, but the research on hyperspectral characteristics and parameter inversion of alpine meadow soil needs further study. Consequently, to develop a hyperspectral inversion model of soil moisture content in alpine meadows applicable to fragile alpine ecosystems, 102 soil samples were collected from Henan County in the Yellow River source area. Multiple linear stepwise regression (MLSR), partial least squares regression (PLSR) and back propagation neural network (BPNN) methods were used to model the soil moisture content with the original spectrum and its mathematically transformed characteristic bands, and the inversion accuracy was verified by the coefficient of determination ( R2), root mean square error (RMSE) and the residual ratio of prediction (RPD). The major findings are as follows: (1) In the visible-near infrared band, the spectral reflectance of soil samples has water absorption interval near 710, 780 and 950 nm, and the absorption intensity is different. The reflectance tends to decrease rapidly and increase slowly with increasing soil moisture content. (2) SPA algorithm was used to select the spectrum's characteristic bands after S-G smoothing, four transformations as independent variables and water content as dependent variables. Then MLSR and PLSR were used to establish the inversion model. The PLSR model corresponding to the first-order differential (FD) and first-order logarithmic differential (FDL) transformations can achieve a rough inversion of soil moisture in alpine meadows, and the PLSR model corresponding to the FD transformation is accurate. (3) In the BPNN inversion models, except for the model corresponding to continue to remove (CR), the R2 of other models is greater than 0.9, and RMSE is between 0.048 and 0.074. In all the models, the BPNN model corresponding to FD, FDL and LG transform is highly accurate, with R2 and RPD greater than 0.8 and 2.5 respectively. The BPNN model corresponding to the LG transform has the highest accuracy, with R2, RMSE and RPD up to 0.967, 0.038 and 5.039, respectively. Therefore, the BPNN model can achieve relatively accurate hyperspectral inversion of soil moisture content of alpine meadow in the source region of the Yellow River, which can provide the technical basis and data support for ecological environment monitoring and soil restoration in this region and even other alpine regions.

Keyword: Hyperspectral inversion; Alpine Meadow; Machine Learning; SPA; Yellow River Source
引言

土壤水分作为连接大气和陆地生态系统的关键因素, 能决定生态质量, 影响水文循环和水热平衡的进程[1, 2]。 土壤水分含量的多少, 不仅关系到区域降水的形成, 还直接决定地表植被特性及其类型分布, 对生态系统起到至关重要的作用[3], 并且在高寒脆弱生态系统显得更加突出。 因此, 土壤水分含量与格局的准确、 快速获取与分析, 是进行生态恢复与治理、 农牧业生产的关键之一。 地处青藏高原的黄河源区是我国重要生态屏障和主要的水源涵养区、 草原区。 近几十年来, 在人类活动和气候变化的影响下, 黄河源生态环境遭到严重破坏, 高寒草甸严重退化、 土地沙漠化、 水土流失、 鼠兔干扰等问题频发[4], 引起了众多学者的广泛关注[5]。

传统的土壤含水量获取主要有烘干法、 核磁共振法和时域反射仪法等[6], 虽然这些方法能够精确获取采样土壤的含水量, 但存在费时费力, 时效性差, 少量样本无法反应大范围土壤含水量情况[7]。 近年来逐渐发展的微波遥感, 可通过数据同化方法将遥感数据与地面数据结合, 反演精度较高, 但由于土壤覆被复杂, 所需地面物理参数众多且获取困难, 难以广泛适用。 高光谱技术具有较高的光谱分辨率, 能够探测土壤水分含量细微变化的差异, 具有快速、 准确、 无损和持续观测等特点, 同时可建立波段与含水量的数学模型, 准确快速反演土壤水分含量。

由于高光谱反射率能够反应土壤水分的细微差异, 国内外学者已经开展了相关研究。 在土壤水分光谱响应分析方面, 刘焕军等[8]得出不同土壤类型的光谱反射率在510、 650和1 420 nm等多个波段处存在吸收峰, 可用于土壤含水量反演; 反演模型也从简单的多元线性回归(multiple linear regression, MLR)到多元线性逐步回归(multiple linear stepwise regression, MLSR)[9]、 偏最小二乘回归(partial least squares regression, PLSR)[10]和神经网络(neural network, NN)、 支持向量机(support vector machine, SVM)等机器学习算法[11], 反演精度不断提升。 有关水分高光谱反演的建模波段提取方法, 多数学者根据含水量与反射率的相关系数进行提取, 少有利用连续投影算法(successive projections algorithm, SPA)提取特征波段与机器学习方法结合建模。 同时, 由于土壤的理化性质、 覆被及自然环境等因素的差异, 不同研究区适用的模型有所差异, 导致普适模型依然未被广泛建立和使用。 另外, 国内土壤水分含量的高光谱反演研究主要集中于松辽流域和三江平原的黑土地区、 典型农业区及沙漠和盐土[12, 13, 14], 反演模型精度较高, R2在0.8~0.9之间。 虽然针对以上地区的土壤含水量高光谱反演研究已取得一定成效, 但对于典型的高寒生态脆弱区, 高寒草甸的土壤含水量, 特别是生态系统破坏严重、 亟待修复的地区, 尚未广泛开展相关研究, 建立能准确、 快速获取生态脆弱区, 高寒草甸土壤含水量高光谱反演模型极为迫切。 因此, 本研究以位于黄河源区的河南县高寒草甸土壤为研究对象, 采用SPA算法筛选特征波段, 然后通过MLSR、 PLSR和BPNN分别建立高寒草甸土壤含水量的高光谱反演模型, 并对精度进行验证, 确定适用于高寒草甸土壤含水量高光谱反演的最优模型, 以期为黄河源区高寒脆弱生态系统和其他高寒地区的土壤水分监测、 退化恢复及生态治理提供技术基础和决策依据。

1 实验部分
1.1 研究区概况

河南县(34° 04'N— 34° 54'N, 100° 53'E— 102° 15'E)位于黄河源区中东部(图1), 地理环境复杂, 属典型山地环境, 地形地貌以高山和盆地为主, 海拔在3 185~4 491 m之间, 平均海拔约3 743 m。 植被类型以高山草甸为主, 其中退化草甸约占36%; 土壤类型主要为高寒草甸土、 高寒寒漠土和山地草甸土等; 属高原大陆性亚寒带温湿气候区, 年均气温为-1.3~1.6 ℃, 年降水量为597.3~615.5 mm。

图1 研究区地理位置与采样点分布Fig.1 Location of study fields and sampling points

1.2 数据来源与研究方法

野外采集河南县土壤样本并在实验室测定土壤样本高光谱数据及土壤含水量。 对原始光谱反射率在进行Savitzky-Golay (S-G)平滑的基础上, 进行对数(logarithmic, LG)、 去包络(continuum removal, CR)、 一阶微分(first derivative, FD)、 对数一阶微分变换(first derivative of logarithmic, FDL), 而后利用SPA算法提取特征波段, 运用MLSR、 PLSR及BPNN进行土壤水分高光谱反演建模及精度验证。

1.2.1 土壤样本采集与数据获取

土壤样本采集于2021年7月31日— 8月1日白天, 天气晴, 无降雨。 采样点(图1)选择地形起伏程度不大的平坦草甸覆盖区域, 同时去除土壤上方杂草等遮盖物体, 然后利用环刀采集深度约为5 cm的土壤样本, 共计102件, 随机选择其中82件作为建模样本, 20件作为验证样本。

将采集的土壤样本烘干后剔除植物根系、 碎石等残渣, 适当研磨过2 mm孔径筛, 处理完后装入容器待用。 然后制备土壤不同含水量梯度的样本进行光谱和含水量测定; 制备方法为向各土壤样本中加入不等量的蒸馏水, 密闭静置8 h后, 测定土壤光谱反射率和含水量。 土壤光谱反射率使用高光谱仪mHIS-101(波长范围为400~1 010 nm, 采样间隔为0.63 nm)在暗室内测量; 光源为50 W卤素灯, 距样本50 cm, 光源天顶角为15° 。 高光谱仪探头在土壤样本正上方15 cm位置处。 垂直采集5次光谱, 计算视场内光谱反射率均值后再取5次测量均值作为土壤样本的最终光谱反射率。 利用S-G滤波对光谱数据进行平滑, 并去除噪声较大的边缘波段(400~407 nm)。 土壤样本的含水量通过烘干法测定。

1.2.2 光谱数据处理及反演模型

将原始光谱反射率(R)经过S-G平滑后, 分别进行LG、 CR、 FD、 FDL变换。 通过SPA算法筛选出滤波及各种变换后的光谱的特征波段, 然后利用MLSR、 PLSR和BPNN方法建立高寒草甸土壤含水量高光谱反演模型并验证。

(1) 连续投影算法(SPA)

SPA算法由Bregman[15]提出, 是一种可以很好地消除波段间共线问题的前向循环特征波段提取算法。 SPA算法能够有效减少光谱的冗余信息, 降低光谱数据的维度, 同时提高模型的稳定性和准确性, 具体算法如下[16]:

设Xk(0)与N分别为初始向量与特征波段个数, 光谱反射率矩阵为I列。

1) 在矩阵I中任意选择一列, 记为第i列, 并将其赋值给Xi, 记为Xk(0)。

2) 将矩阵I中其余列向量的位置集记为S, 且S为

S={i, 1≤i≤I, i∉(k(0), …, k(n-1))}(1)

3) 将Xi对其余列向量分别进行投影计算, 公式为

PXi=Xi-(XTiXk(n-1))Xk(n-1)(XTk(n-1)Xk(n-1))-1, i∈S(2)

4) 筛选出光谱对应的向量投影最大的波长

k(n)=arg(max‖PXi‖), i∈S(3)

5) 令Xi=PX, i∈ S。

6) n=n+1, 当n< N时, 循环式(1)。

7) 最终提取出的特征波长变量组合为{Xk(n)=0, …, N-1}, 分别建立各循环中k(0)与N的多元线性回归模型并进行交叉验证分析, 得到建模集交互验证的均方根误差(RMSE)及对应的候选波段子集。 RMSE最小值对应的k(0)和N就是最终筛选出的波段集合。

(2) 多元线性逐步回归(MLSR)

MLSR通过将自变量逐个引入模型中, 进而分析该自变量对因变量影响的显著性, 判断该变量是否引入模型。 MLSR能够有效进行波段筛选以及降低光谱信息的冗余程度。

(3) 偏最小二乘回归(PLSR)

PLSR集主成分分析、 多元线性回归和典型相关分析为一体的回归模型, 能够简化多元回归过程以及降低光谱维度, 从而提高模型精度, 算法基本步骤为[17]:

1)主成分分析: 将光谱反射率矩阵X和土壤含水量矩阵Y进行分解

X=AET+PY=BFT+Q(4)

得到X的得分矩阵A和载荷矩阵E及Y的得分矩阵B和载荷矩阵F, P、 Q分别为X和Y进行PLSR拟合时引进的残差阵。

2)回归分析: 将A、 B进行线性回归, 得式(5)

B=AH(5)

式(5)中, H为系数阵。

3)将式(5)代入式(4), 得PLSR模型为

Y=AHFT+Q(6)

(4) BP神经网络模型(BPNN)

BPNN模型主要由输入层、 隐含层和输出层构成, 在学习和训练中采用误差的反向传播算法, 数据逐层传播并不断修正权值, 使得输出值与真实值均方差达到期望[18]。 算法原理如图2所示。

图2 BPNN算法示意图Fig.2 Schematic diagram of BPNN algorithm

1.2.3 模型验证与精度评价

通过计算建模集和验证集的决定系数R2、 均方根误差RMSE及预测残差比RPD, 对模型精度进行评价, 计算公式为[19]

R2=∑k=1N(Yk-y̅)2∑k=1N(yk-y̅)2(7)

RMSE=1N∑k=1N(Yk-yk)2(8)

RPD=∑k=1N(yk-y̅)2∑k=1N(Yk-yk)2(9)

其中, Y和y分别为土壤含水量的预测值和实测值, y̅为实测值的算术平均值, N为样本数。 R2∈ [0, 1]且越接近1表明模型拟合越好; RMSE越接近0模型精度越高; RPD用于评价模型的预测能力, 值越高, 模型预测精度越高。 一般来说, 当RPD≥ 2时, 模型具备极好的反演能力; 当1.4≤ RPD< 2时, 模型具备粗略反演能力; 当RPD< 1.4时, 模型不具备反演能力[19]。

2 结果与讨论
2.1 土壤样本光谱特征

2.1.1 不同含水率土壤光谱特征

图3为不同含水率土壤样本的反射光谱曲线。 发现不同含水率的土壤光谱曲线总体变化特征相似, 在可见光范围内光谱曲线上升较快且波动较小, 在近红外范围内反射率趋于平缓且波动较大, 在780 nm附近存在较强的吸收峰, 在710和950 nm附近存在较弱的吸收峰, 且当土壤含水量在较低范围时, 光谱反射率随含水率的增加而降低, 而土壤含水量达到一定数值时, 光谱反射率反而增加, 但变化量相对较小。

图3 不同含水量的土壤光谱反射率Fig.3 Spectra of soil samples with different moisture contents

2.1.2 土壤光谱变换与特征分析

土壤样本的原始光谱曲线及其数学变换如图4所示。 由图4(a、 b)发现土壤原始光谱反射率在0.036~0.62之间, 经过S-G平滑后的光谱消除了细微波动, 同时保留了原始光谱的反射特征。 分析图3(c— f)发现, 经LG变换后的光谱曲线趋于平缓, 而经CR、 FD和FDL变换后, 水分吸收波段特征明显增强, 特别是FD和FDL变换有效消除了基线和背景干扰, 显著突出了土壤水分吸收波段。

图4 土壤原始光谱及各变换形式Fig.4 Original and transformed reflectance spectra of soil samples

2.2 SPA算法提取特征波段

原始光谱经S-G平滑及LG、 CR、 FD、 FDL变换后, 利用SPA算法分别进行特征波段提取, 102个样本中82个作为训练集、 20个作为验证集, 所需提取波段数N范围设为5~45, 而后利用筛选的特征波段与土壤水分建立回归模型。 通过RMSE决定筛选的特征波段个数, SPA算法结果如图5所示。 发现随着特征波段个数的增加, RMSE先是下降, 随后趋于平缓, 经SG、 LG、 CR、 FD和FDL变换后的光谱提取的特征波段数分别为39、 9、 9、 30和37个, 筛选出的具体波段为红色方框处。

图5 SPA算法提取特征波段的结果Fig.5 Characteristic wavelength screenings of preprocessed spectra by SPA

2.3 反演模型与精度分析

2.3.1 线性模型

将各种光谱处理的特征波段作为自变量, 土壤含水量作为因变量, 分别建立MLSR和PLSR模型, 结果如表1所示。 五种光谱处理的特征波段与土壤含水量建立的MLSR模型精度均低于PLSR模型。 MLSR模型R2> 0.8的有R和LG变换, 但所有验证集RPD均小于1.4。 PLSR模型R2除CR变换外均大于0.8, RMSE均较小, 模型精度较高, 并且LG、 FD变换与含水量建立的模型R2均大于原始光谱, RMSE均小于原始光谱, 经变换后模型精度有所提升。 FD和FDL变换与土壤含水量建立的PLSR模型验证集RPD> 1.4, 即该模型可实现对含水量的反演, 但FDL建模精度及验证集R2均于低于FD, 因此线性反演模型中, FD变换所建立的PLSR模型精度最高。

表1 MLSR和PLSR建模及验证结果 Table 1 The modeling and validation results of MLSR and PLSR

2.3.2 BPNN模型

将R、 CR、 LG、 FD、 FDL变换的特征波段和含水量数据输入BPNN模型中进行训练并验证, 建模结果如表2所示, 验证结果如图6所示。

表2 BPNN建模精度 Table 2 Accuracies of BPNN model

图6 土壤含水量BPNN模型验证结果Fig.6 Verification of BPNN model for soil moisture content

由2表可知, 利用BPNN模型建立模型精度较MLSR和PLSR模型高, 除CR变换所建模型R2为0.549外, 其余模型R2均大于0.9, 最高为LG变换对应的模型, R2为0.941, RMSE为0.048。 显然, 经过CR变换后模型精度不佳, FD和FDL变换相对于原始光谱, 模型精度差距不大, LG变换对模型精度有一定提升。 进一步分析验证集(图6)发现, 验证集R2在0.763~0.967之间; RPD均大于2, 具有极好反演能力。 验证结果精度最高的为LG变换对应的模型, R2、 RMSE、 RPD分别为0.967、 0.038、 5.039, 相对于原始光谱, 预测精度有明显提升; 进一步分析发现, CR、 FD和FDL变换所建立的反演模型精度均低于原始光谱所建立的含水量反演模型精度。 因此, 利用SPA算法提取光谱LG变换的特征波段与土壤含水量建立的BPNN模型精度最高, 能够很好的利用土壤光谱特征, 对黄河原高寒草甸土壤含水量进行反演。

对采集的光谱经S-G平滑后, 分别进行CR、 LG、 FD和FDL变换, 发现部分变换后光谱特征得到增强, 反演模型的精度也有所提升, 这一结果与Ž í ž ala等[20]结论一致。 除上述变换方法外, 多元散射校正、 连续小波及小波包变换等方法同样具有上述作用, 同时能够针对不同光谱分辨率及不同反演参数进行变换参数调整, 使模型精度有所提升。

在以往研究中, 黑土、 盐土等特殊土地及典型农业区土壤水分高光谱反演已取得一定成效, 但对生态脆弱区高寒草甸的土壤含水量高光谱反演以及空间特征的研究尚少。 对于模型精度, 本研究所得结论为: BPNN> PLSR> MLSR, 并且BPNN模型精度远高于线性模型, 这与其他地区的相关研究结论一致[6]; 原始光谱经过CR变换建立的MLSR、 PLSR和BPNN模型精度均与原始光谱有较大差距, 与已有研究的模型精度有较大提升有所不同[10, 11, 12, 13], 其原因可能是本研究采集的土壤样本来自黄河源区高寒草甸, 该地区生态环境恶劣, 土壤性质特殊, 与其他地区有较大差异。 因此, 利用高光谱反演土壤含水量, 要综合考虑生态环境、 气候条件、 土壤性质等影响因素。

利用SPA算法提取光谱LG变换的特征波段并利用BPNN进行建模精度最高, 能较好的对高寒草甸土壤含水量进行反演, 但考虑到土壤样本主要采集于河南县地势相对平缓的地区且数量有限, 模型在黄河源区其他地区的适用性需进一步验证。 因此在后续研究中, 可增加采样点数量以及扩大采样范围, 在黄河源其他地区以及海拔较高地区进行采样, 以进一步提高模型的精度和适用性。

3 结论

(1)反射光谱在710~950 nm间存在多个水分吸收峰, 分别为710、 780和950 nm; 土壤光谱反射率随土壤水分含量的增加呈先减少, 后缓慢增加的特征。

(2)土壤光谱经数学变换后, 光谱特征有所增强, CR、 FD和FDL变换最为明显。

(3)BPNN比MLSR、 PLSR具有更高的模型精度。 除CR变换所建模型精度较低外, 其余变换与含水量建立的BPNN模型均可实现土壤含水量高光谱反演, 其中LG变换对应的模型精度最高, 能够较精确的对黄河源区高寒草甸土壤含水量进行高光谱反演。

(4)最佳高寒草甸土壤含水量高光谱反演模型为LG变换特征波段与含水量建立的BPNN模型, 验证结果R2、 RMSE、 RPD分别为0.967、 0.038、 5.039, 对应的特征波段分别为的406.56、 407.82、 409.08、 424.36、 501.26、 775.84、 782.18、 904.86、 999.56 nm。

参考文献
[1] HUANG Qian, DING Ming-jun, CHEN Li-wen, et al(黄倩, 丁明军, 陈利文, 等). Journal of Soil and Water Conservation(水土保持学报), 2022, 36(1): 189. [本文引用:1]
[2] Wand ers N, Bierkens M F P, Jong S M D, et al. Water Resources Research, 2015, 50(8): 6874. [本文引用:1]
[3] Guillod B P, Orlowsky B, Miralles D G, et al. Nature Communications, 2015, 6: e6443. [本文引用:1]
[4] ZHAO Jian-yun, DING Yuan-yuan, DU Mei, et al(赵健赟, 丁圆圆, 杜梅, 等). Science Technology and Engineering(科学技术与工程), 2021, 21(24): 10209. [本文引用:1]
[5] HU Guang-yin, DONG Zhi-bao, LU Jun-feng, et al(胡光印, 董治宝, 逯军峰, 等). Acta Ecologica Sinica(生态学报), 2011, 31(14): 3872. [本文引用:1]
[6] LI Xin-xing, LIANG Bu-wen, BAI Xue-bing, et al(李鑫星, 梁步稳, 白雪冰, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(12): 3705. [本文引用:2]
[7] Peng J, Loew A, Merlin O, et al. Reviews of Geophysics, 2017, 55(2): 341. [本文引用:1]
[8] LIU Huan-jun, ZHANG Bai, SONG Kai-shan, et al(刘焕军, 张柏, 宋开山, 等). Journal of University of Chinese Academy of Sciences(中国科学院大学学报), 2008, (4): 503. [本文引用:1]
[9] Hummel J W, Sudduth K A, Hollinger S E. Computers and Electronics in Agriculture, 2001, 32(2): 149. [本文引用:1]
[10] Wang W, Gao M, Wang J. Hyperspectral Parameters and Prediction Model of Soil Moisture in Apple Orchards: IOP Conference Series: Earth and Environmental Science, 2021, 687: 012085. [本文引用:2]
[11] TIAN Mei-ling, GE Xiang-yu, DING Jian-li, et al(田美玲, 葛翔宇, 丁建丽, 等). Laser & Optoelectronics Progress(激光与光电子学进展), 2020, 57(9): 232. [本文引用:2]
[12] ZHANG Jun-yong, DING Jian-li, TAN Jiao (张钧泳, 丁建丽, 谭娇). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2019, 50(3): 221. [本文引用:2]
[13] SHANG Tian-hao, JIA Ping-ping, SUN Yuan, et al(尚天浩, 贾萍萍, 孙媛, 等). Bulletin of Soil and Water Conservation(水土保持通报), 2020, 40(4): 183. [本文引用:2]
[14] LIU Huan-jun, WANG Xiang, ZHANG Xiao-kang, et al(刘焕军, 王翔, 张小康, 等). Chinese Journal of Soil Science(土壤通报), 2018, 49(1): 38. [本文引用:1]
[15] Bregman L M. Dokl. Akad. Nauk SSSR, 1965, 162: 487. [本文引用:1]
[16] NIU Fang-peng, LI Xin-guo, MAMATTURSUN Eziz, et al(牛芳鹏, 李新国, 麦麦提吐尔逊·艾则孜, 等). Journal of Zhejiang University(Agriculture and Life Sciences)[浙江大学学报(农业与生命科学版)], 2021, 47(5): 673. [本文引用:1]
[17] 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]
[18] TIAN An-hong, FU Cheng-biao, XIONG Hei-gang, et al(田安红, 付承彪, 熊黑钢, 等). Chinese Journal of Eco-Agriculture(中国生态农业学报), 2020, 28(2): 296. [本文引用:1]
[19] Li H, Jia S, Le Z. Sensors, 2019, 19(20): 4355. [本文引用:2]
[20] Žížala D, Zádorová T, KapiĆ J. Remote Sensing, 2017, 9(1): 28. [本文引用:1]