引用本文
王延仓, 李笑芳, 张文胜, 刘星宇, 张亮. 基于高光谱技术公路路基土壤压实度定量反演的研究[J]. 光谱学与光谱分析, 2023,43(7): 2294-2300.
WANG Yan-cang, LI Xiao-fang, ZHANG Wen-sheng, LIU Xing-yu, ZHANG Liang. Study on Quantitative Inversion of Soil Compactness of Highway Subgrade Based on Hyperspectral Technology[J]. Spectroscopy and Spectral Analysis, 2023,43(7): 2294-2300.
Doi:10.3964/j.issn.1000-0593(2023)07-2294-07  
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
基于高光谱技术公路路基土壤压实度定量反演的研究
王延仓1,2,5, 李笑芳5, 张文胜1,4,*, 刘星宇3, 张亮3
1.石家庄铁道大学交通运输学院, 河北 石家庄 050043
2.廊坊师范学院, 河北 廊坊 065000
3.航天遥感信息应用技术国家地方联合工程研究中心, 河北 廊坊 065000
4.河北省交通安全与控制重点实验室, 河北 石家庄 050043
5.北华航天工业学院, 河北 廊坊 065000
*通讯作者 e-mail: zws@stdu.edu.cn

作者简介: 王延仓, 1986年生,北华航天工业学院副教授 e-mail: yancangwang@163.com

收稿日期: 2022-04-25 修回日期: 2022-12-07
基金: 高分辨率对地观测系统重大专项(30-Y30F06-9003-20/22),国家重点研发计划项目,中央引导地方科技发展资金项目(20620801G)和河北省引进国外智力项目(2020)资助
摘要

路基压实度是影响公路施工质量与使用寿命的重要因素, 因此, 快速、 无损、 精准掌握公路路基压实度具有重要的现实需求与意义, 然而传统公路路基压实度的检测主要基于少量离散点的精准检测实现, 无法满足全面、 精准检测路基施工质量的需求。 高光谱技术是一种可实现实时、 快速、 无损、 精准监测地表信息的高新技术, 这为公路路基压实度的检测提供了新的解决思路。 为探寻高光谱技术在检测公路路基土壤压实度方面的可行性, 通过土壤击实实验和土壤光谱测定获取土壤压实度及相应光谱数据, 并借助土壤光谱响应机理分析构建土壤紧实度系数; 然后采用压实前、 后土壤光谱构建土壤紧实度系数, 并选用离散小波算法处理分析土壤紧实度系数, 并结合相关性算法定量分析低频、 高频信息与土壤最大干密度进行相关性分析, 提取并筛选特征波段, 然后基于偏最小二乘算法构建土壤最大干密度的估测模型, 研究结果表明: (1)压实后土壤光谱幅度随土壤含水量的增加而降低, 光谱降低幅度随土壤含水量的增加而增加, 且土壤光谱反射率的变化幅度与土壤含水量差异的关系为非线性; 与压实前土壤光谱相比, 除20%土壤含水量外, 压实后土壤光谱反射率几乎在全波段区间均产生不同程度的增加或降低, 而该变化易对土壤成分的检测产生一定影响。 (2)基于压实前、 后土壤光谱生成的土壤紧实度系数能明显提升光谱对压实后土壤最大干密度的敏感性, 其相关系数 R最高可达0.811, 为高度相关。 (3)在离散小波算法下, 高频信息能明显提升土壤紧实度对土壤最大干密度的估测能力, 其中基于 D1构建的模型精度最高, 为最优模型, 其 R2=0.957, RMSE=0.023, 土壤紧实度系数的分辨率对估测模型的精度影响较大。 该研究成果可为将高光谱技术应用于公路路基压实度、 其他工程地基压实度及耕层土壤紧实度的监测提供基础理论与方法支撑。

关键词: 土壤压实度; 高光谱; 公路路基; 土壤紧实度系数; 最大干密度
中图分类号:U4 文献标志码:A
Study on Quantitative Inversion of Soil Compactness of Highway Subgrade Based on Hyperspectral Technology
WANG Yan-cang1,2,5, LI Xiao-fang5, ZHANG Wen-sheng1,4,*, LIU Xing-yu3, ZHANG Liang3
1. School of Traffic and Transportation, Shijiazhuang Tiedao University, Shijiazhuang 050043, China
2. Langfang Normal University, Langfang 065000, China
3. National Joint Engineering Research Center of Space Remote Sensing Information Application Technology, Langfang 065000, China
4. Traffic Safety and Control Laboratory of Hebei Province, Shijiazhuang 050043, China
5. North China Institute of Aerospace Engineering, Langfang 065000, China
*Corresponding author
Abstract

The compactness of roadbeds is an important factor affecting highway construction's quality and service. Therefore, it is of great practical demand and significance to grasp the compactness of highway subgrade quickly, non-destructive and accurately. However, the traditional detection of the compactness of highway roadbeds is mainly based on the accurate detection of a small number of discrete points, which can not meet the need for comprehensive and accurate detection of roadbed construction quality. Hyperspectral technology is a high and new technology that can realize real-time, fast, non-destructive and accurate monitoring of surface information, providing a new solution for detecting compactness of highway roadbeds. In order to explore the feasibility of hyperspectral technology in detecting the soil compaction degree of highway roadbed, soil compaction degree and corresponding spectral data were obtained through the soil compaction experiment and soil spectral measurement experiment, and the soil compactness coefficient was constructed with the help of soil spectral response mechanism analysis. Then the soil compactness coefficient is constructed by soil spectrum before and after compaction, and the soil compactness coefficient is processed and analyzed by discrete wavelet algorithm. The correlation between low frequency and high-frequency information and soil maximum dry density is analyzed quantitatively by correlation algorithm. The characteristic bands are extracted and screened, and then the soil maximum dry density estimation model is constructed based on the partial least square algorithm. The results show that: (1) after compaction, the soil spectrum decreases with the increase of soil water content, and the decrease range increases with the increase of soil water content, and the relationship between the variation range of soil spectral reflectance and the difference of soil water content is non-linear. Compared with the soil spectrum before compaction, except for 20% soil water content, the soil spectral reflectance increases or decreases in different degrees in the whole band range after compaction, and this change is easy to have a certain impact on the detection of soil composition. (2) the soil compactness coefficient generated by the soil spectrum before and after compaction can improve the sensitivity of the spectrum to the maximum soil dry density after compaction, and the correlation coefficient R is up to 0.811, which is highly correlated. (3) under the discrete wavelet algorithm, high-frequency information can improve the ability of soil compactness to estimate the maximum dry density of soil, among which the model based on D1 has the highest accuracy and is the best model, and its R2=0.957 and RMSE=0.023. The resolution of the soil compactness coefficient greatly influences the accuracy of the estimation model. The research results of this paper can provide basic theory and method support for the application of hyperspectral technology to the monitoring of highway roadbed compaction, other engineering foundation compaction and topsoil compactness.

Keyword: Soil compaction; Hyperspectral; Highway roadbed; Soil compactness coefficient; Maximum dry density
引言

公路路基压实是公路施工的关键环节, 路基压实质量直接影响公路路面强度与耐久性[1], 因此, 公路路基压实度是公路施工质量的重要检测指标, 也是评价公路施工质量的关键因子[2, 3, 4]。 传统公路路基压实度主要采用野外取样加实验室检测的模式开展, 但模式存在路基破损、 以点代面、 耗时等不足, 无法满足实时、 精准、 无损获取公路路基压实度信息的应用需求; 近年来, 高光谱技术凭借其无损、 实时、 快速、 精准等优势, 已广泛应用于陆表信息的监测, 为公路路基压实度的精准检测提供新的解决思路。

土壤含水量对土壤压实度具有重要影响, 因此, 土壤压实度的检测须明确土壤含水量。 目前公路路基压实度检测的标准方法为灌沙(水)法, 但该方法工序复杂、 耗时、 耗力且具有破坏性, 制约了公路路基压实度的全面检测[5, 6]。 波法与经验法也可实现公路路基压实度的无损检测, 波法主要利用波在不同路基压实度中的传播规律, 经验法主要依据构建路基压实度与弯沉值、 静力贯入深度、 回弹模量等参量的定量关系[7, 8]; 但因波法与经验法的检测精度无法满足应用需求, 因此亟需一种新型无损、 快速、 精准检测方法。 高光谱遥感是一种新型地表信息检测技术, 已有研究表明土壤光谱与土壤理化参量间存在较强内在关联[9, 10], 通过构建光谱与土壤理化参量的定量关系, 可将高光谱应用于区域尺度地表土壤理化参量的快速、 精准、 无损检测[11, 12, 13]。 高光谱技术在非工程领域土壤理化参量的应用为公路路基压实度的监测提供了新的思路, 本研究旨在为高光谱应用于公路路基压实度的监测提供一定支撑。

针对土壤理化参量的研究前人主要将高光谱技术应用于土壤组分如土壤含水量、 土壤有机质等的检测[14, 15], 并取得较多成果, 但多偏重于耕层土壤, 针对压实对土壤光谱影响的研究相对较少。 压实土壤是公路施工的关键环节, 路基压实质量对后期工程施工的质量具有重要影响。 传统路基压实度检测模式对路基具有破坏性, 且采样点较少无法精准掌握非采样点的土壤压实度, 进而无法及时发现、 修复地基隐患。 为探寻公路路基压实度实时、 无损、 精准检测方法, 且考虑到土壤含水量对土壤压实度的影响, 本研究以高光谱为主要技术手段, 通过土壤含水量梯度实验与土壤击实实验开展压实前、 后土壤与光谱的作用机理分析, 提出一种构建土壤紧实度系数的方法; 然后利用离散小波算法处理分析土壤紧实度系数, 并结合相关分析算法提取并筛选特征波段; 最后, 利用偏最小二乘算法构建土壤压实度估测模型, 以期为公路路基压实度的检测提供科学支撑。

1 实验部分
1.1 土样采集与处理

土壤样本采集区域为大城县耕地, 采集时将表层杂质较多的土壤剔除, 采集杂质较少的土层。 待采集完成后, 将土样置于烘箱内烘干, 然后将烘干后的土壤进行研磨、 过筛(5 mm)(减少土壤颗粒差异对土壤光谱的影响)、 配水、 静置、 击实等处理。 详细处理步骤如下: (1)利用烘烤箱对采集的土样进行烘干处理, 温度设定为105°, 待土样重量无变化为止; (2)对已烘干的土壤进行研磨、 过筛(5 mm)、 搅拌处理, 旨在削弱土壤组分、 粒径等理化组分的差异, 然后将处理后的土壤以5 kg·份-1的标准进行分离, 共分为6份; (3)用洒水壶配水, 制作不同含水量的土壤: 每份土壤与水进行混合时, 按喷水、 搅拌依次循环进行处理, 待完成土、 水均匀混合后, 将土样置于保鲜袋内, 并静置24 h, 以使干土与水充分混合; (4)在实验室内采用击实仪、 击实筒(内径为10 cm)等相关器具对处理好的土壤进行击实, 击实时分3层进行, 每层击实次数为25, 待完成土壤击实后利用钢尺将击实后的土壤表层刮平; 在击实前采用精密电子秤测定击实筒净重, 击实后测定击实筒与土壤的总重; (5)利用推土器实现击实筒与土壤分离, 并利用器具取代表性土样用于土壤含水量的测定; 利用式(1)和式(2)计算土壤含水量、 最大干密度, 其统计性描述如表1所示。

ρd=ρo1+0.01ωi(1)

ωi=WS-WGWS×100(2)

式中, ρ o为含水土壤的密度, ρ d为土壤最大干密度, ω i为第i土壤样本的含水量(%), WS是土壤的湿重, WG为土壤的干重。

表1 土壤最大干密度的统计量描述 Table 1 Statistical description of maximum dry density (MDD) of soil
1.2 光谱测量与处理

为减弱外界复杂因素的干扰, 在暗室内测定压实前、 后土壤光谱数据。 光谱测量仪器为ASD生产的地物光谱仪, 该光谱仪可采集350~2 500 nm范围的土壤光谱数据, 光谱分辨率为1 nm。 土壤光谱采集方法如图2所示, 定标后将ASD接触式探头直接与待测土壤样本接触, 待光谱稳定后立刻进行土壤光谱采集, 每个土样采集10条光谱, 取其平均值为土样的最终光谱。 受仪器自身传感器响应差异及其他因素的影响, 采集的光谱内仍存在一定噪声, 因此, 须利用低通滤波器对已测定的光谱曲线进行平滑、 去噪处理。

图1 实验室内土壤光谱测量示意图Fig.1 Schematic diagram of soil spectrum measurement at laboratory

图2 土壤压实前、 后光谱分析图Fig.2 Spectra of soil samples before and after compaction

1.3 土壤紧实度系数的构建

在土壤非水组分不变的情况下, 土壤含水量与土壤紧实度是影响土壤光谱的主要因素。 但土壤水分含量对土壤光谱的影响过大, 对土壤紧实度的光谱产生较大干扰。 通过分析二者对土壤光谱的影响, 研发了土壤紧实度修正系数计算方法, 具体推理如式(3)—式(6)

Cw=RiRk(3)

Cs=RjRk(4)

Rij=RkCw+RkCs(5)

Cs=Rij-RiRk(6)

式中, Cs为土壤颗粒紧密度对土壤光谱的影响, Cw为水分影响系数, Ri为未压实含水量为i的土壤光谱, Rk为未压实含水量为k的土壤光谱反射率, Rj烘干后干密度为j的土壤光谱,Rij为干密度为j含水量为i的土壤光谱。

1.4 模型精度验证

基于压实前、 后土壤光谱数据生成土壤紧实度系数, 并将土壤紧实度系数与土壤最大干密度进行相关性分析, 筛选并提取敏感特征波段; 选用偏最小二乘算法(partial least squares regression, PLS)构建压实后土壤最大干密度估测模型, 并选用均方根误差(RMSE)与决定系数(R2)综合评价模型精度, 其计算方法如式(7)和式(8)式所示

RMSE=∑i=1n(SMDi-SMDPi)n(7)

R2=1-∑i=1n(SMDi-SMDPi)∑i=1n(SMDi-SMD¯i)(8)

式中, SMDi为压实后土壤最大干密度,SMD¯i为实测土壤最大干密度的均值, SMDPi为土壤最大干密度的估测值。

2 结果与讨论
2.1 土壤压实前、 后光谱分析

图2为压实前、 后土壤光谱反射率曲线(虚线为压实后, 实线为压实前)与压实后不同含水量土壤光谱间的差值绝对值图。 由图2(a)可知, 压实前、 后的土壤光谱反射率随波长的变化趋势具有较强的一致性, 光谱曲线整体均随土壤含水量的增加而降低; 但压实前、 后的土壤光谱(除20%土壤含水量外)几乎在全波段区间均存在一定差异, 且该差异随土壤含水率的增加而呈先增后减的规律, 这表明土壤紧实度对土壤光谱具有一定影响, 且其影响幅度受土壤含水量的影响较大。 由图2(b)可知, 压实后, 土壤光谱变化幅度随土壤含水量差异的增加而增加, 且土壤光谱的变化幅度与土壤含水量差值的关系为非线性; 综上可知, 压实后土壤光谱随土壤含水量的增加而降低, 且降低幅度随土壤含水量的增加而增加, 且土壤变化幅度与土壤含水量差值的关系为非线性; 与压实前土壤光谱相比, 除20%土壤含水量外, 压实后土壤光谱反射率几乎在全波段区间均产生不同程度的增加或降低, 而该变化易对土壤成分的检测产生一定影响。

2.2 光谱吸收特征分析

图3为土壤压实前、 后去包络线[图3(a)]与吸收峰深度曲线[图3(b)]图, 其中实线为压实前, 虚线为压实后; 由图3(a)可知, 压实前、 后土壤光谱去包络线的变化趋势具有较强的一致性, 其中二者在近红外区间的一致性明显高于可见光区间; 与压实前相比, 压实后的土壤在位于1 451和1 935 nm附近的吸收峰深度较深, 究其原因为压实后单位体积内的土壤含水量增加, 增强了土壤在1 451和1 935 nm附近区域的吸收强度; 由图3(b)可知, 压实前、 后土壤光谱的吸收峰深度存在一定差异, 压实后土壤在1 451和1 935 nm的吸收峰略高于压实前。 综上可知, 与压实前相比, 压实后土壤在1 451和1 935 nm附近的吸收强度得到增强。

图3 土壤压实前、 后去除包络线与吸收峰深度图Fig.3 Envelope removal spectra of soil samples before and after compaction

2.3 反射光谱与土壤最大干密度相关性分析

图4为土壤紧实度系数曲线图(如图4(a)所示)及其与土壤压实度间的相关系数[如图4(b)所示]。 由图4(a)可知, 土壤紧实度系数曲线整体平缓光滑, 且曲线整体随波长的增加呈先升高后降低的趋势; 在蓝波段处, 土壤紧实度修正系数随土壤最大干密度的增加而增加, 二者呈正比关系。 由图4(b)可知, 土壤紧实度与土壤最大干密度间的相关系数随波长的增加而逐渐降低, 其与土壤最大干密度的相关强度随波长的增加呈先降后增的趋势; 原土壤光谱与土壤最大干密度的相关系数随波长的增加而呈先降后升, 其与土壤最大干密度的相关强度随波长的增加而呈先升后降的规律; 由于原光谱与土壤最大干密度的相关系数的绝对值小于0.4, 因此原光谱与土壤最大干密度的相关性为低度相关; 与原始光谱相比, 土壤紧实度系数与土壤最大干密度相关强度明显较强, 且土壤紧实度系数与土壤最大干密度间的相关系数的变化区间较大为[0.811, -0.618], 二者的相关性为高、 中度相关, 这表明土壤紧实度系数能明显提升光谱对土壤最大干密度的敏感性, 提高光谱对土壤最大干密度的估测能力。 综上可知, 基于压实前、 后土壤光谱生成的土壤紧实度系数能明显提升光谱对压实后土壤最大干密度的敏感性, 其相关系数R最高可达0.811。

图4 土壤紧实度系数、 原土壤光谱与土壤最大干密度相关性分析图Fig.4 Correlation analysis of soil compactness coefficient, original soil spectrum and soil maximum dry density

2.4 基于离散小波算法土壤压实度检测模型的构建

以压实前、 后土壤光谱构建的土壤紧实度系数为处理分析对象, 首先采用离散小波技术处理分析土壤紧实度系数, 并将处理后的数据与土壤最大干密度进行相关性分析, 提取并筛选特征波段, 然后基于偏最小二乘算法构建土壤最大干密度的估测模型, 其结果如表2所示, 其中A为低频信息, D为高频信息。

表2 基于离散小波算法构建的土壤压实度估测模型结果 Table 2 Modeling results of soil compactness estimation model based on discrete wavelet algorithm

由表2可知, 土壤紧实度系数的分辨率随分解尺度的增加而成倍降低; 从模型的建模精度与验证精度对比分析可知, 基于低频信息构建的模型的精度整体明显低于高频信息, 究其原因主要是高频信息为原土壤紧实度系数内的细微信息, 低频信息是原土壤紧实度系数内的宏观信息, 而压实度对土壤光谱的影响相对较弱, 因此有效信息多为细微信息, 且随分解尺度的加深, 高频信息逐步从低频信息内分离, 低频信息内的可用信息逐步减少, 进而降低模型精度。

基于低频信息或高频信息构建的模型的建模精度与验证精度均随分解尺度的增加而降低, 究其原因随分解尺度的增加, 土壤紧实度系数的分辨率呈倍数降低, 从而遮蔽或掩盖部分可用信息, 进而降低土壤紧实度系数对土壤最大干密度的估测能力。 从低频信息与高频信息对比分析可知, 基于D1构建的模型精度最高, 为最优模型, 其R2=0.957, RMSE=0.023, 其散点图如图5所示。 综上可知, 与低频信息相比, 高频信息能明显提升土壤紧实度对土壤最大干密度的估测能力; 土壤紧实度系数的分辨率对估测模型的精度影响较大。

图5 基于D1构建的估测模型的散点图Fig.5 Scatter plot of the estimation model constructed based on D1

前人利用高光谱技术在土壤组分如土壤含水量、 土壤有机质等方面开展了大量研究, 并取得一定成果, 但研究多偏重于耕层土壤, 有关压实对土壤光谱影响的研究相对较少。 而压实土壤是工程施工的基础, 土壤压实质量对后期工程施工的质量具有重要影响。 目前工程地基压实度主要采用“离散点采样+实验室检测”的工作模式, 该工作模式虽对采样点压实度的检测具有较高的精度, 但对工程地基具有破坏性, 且采样点较少无法精准掌握非采样点的土壤压实度, 进而无法及时发现、 修复地基隐患。 高光谱技术具有无损、 精准、 实时获取地表信息的优势, 为无损、 精准、 全面检测工程地基压实度提供了新的解决途径。 本研究利用土壤击实实验+土壤光谱测定实验, 结合光谱处理技术、 土壤紧实度系数、 建模算法, 定量分析了土壤压实前、 后的土壤光谱变化, 并构建土壤压实度检测模型, 分析了高光谱在土壤压实度检测中的可行性。 结果表明: (1)压实后土壤光谱信号强度随土壤含水量的增加而降低, 降低幅度随土壤含水量的增加而增加; 且土壤光谱强度变化幅度与土壤含水量差值的关系为非线性; 与压实前土壤光谱相比, 除20%土壤含水量外, 压实后土壤光谱反射率几乎在全波段区间均产生不同程度的增加或降低。 (2)基于压实前、 后土壤光谱生成的土壤紧实度系数能明显提升光谱对压实后土壤最大干密度的敏感性, 其相关系数R最高可达0.811, 为高度相关。 (3)与低频信息相比, 高频信息能明显提升土壤紧实度对土壤最大干密度的估测能力; 土壤紧实度系数的分辨率对估测模型的精度影响较大。 综上可知, 土壤紧实度系数的引入能明显提升光谱对土壤紧实度的敏感性, 利用高光谱技术进行土壤压实度检测可行。 本研究成果可为其他工程的施工建设提供科学支撑。

实验探寻了利用高光谱技术进行土壤压实度检测的可行性与方法, 并取得了较好的效果, 可为高光谱技术应用于公路路基压实度及其他工程地基压实度的监测提供基础理论与方法支撑。 土壤紧实度对土壤光谱反射率产生影响, 从而对耕层土壤理化组分的监测提供了新的机理与方法, 从而为提升耕层土壤理化组分检测精度提供新的解决思路。 但本研究的相关结论均基于室内实验数据, 室内环境参量易控, 而施工现场的外界环境拥有很多不确定因素, 因此在施工现场的实用性仍需进一步研究。

3 结论

结合土壤击实实验和土壤光谱测定获取了土壤压实度及相应光谱数据, 利用光谱处理技术、 相关性算法得到土壤紧实度系数, 并基于土壤紧实度系数构建土壤压实度检测模型, 结论如下:

(1)压实后土壤光谱信号强度随土壤含水量的增加而降低, 光谱降低幅度随土壤含水量的增加而增加, 且土壤光谱反射率的变化幅度与土壤含水量差异的关系为非线性; 与压实前土壤光谱相比, 除20%土壤含水量外, 压实后土壤光谱反射率几乎在全波段区间均产生不同程度的增加或降低, 而该变化易对土壤成分的检测产生一定影响。

(2)基于压实前、 后土壤光谱生成的土壤紧实度系数能明显提升光谱对压实后土壤最大干密度的敏感性, 其相关系数R最高可达0.811, 为高度相关。

(3)离散小波算法中, 高频信息能明显提升土壤紧实度对土壤最大干密度的估测能力, 其中基于D1构建的模型精度最高, 为最优模型, 其R2=0.957, RMSE=0.023, 土壤紧实度系数的分辨率对估测模型的精度影响较大。

参考文献
[1] LIU Zhi-jun(柳志军). Journal of Central South University(Science and Technology)[中南大学学报(自然科学版)], 2014, 45(4): 1341. [本文引用:1]
[2] Ministry of Transport of the People's Republic of China(中华人民共和国交通运输部). JTG D30-2015 Specifications for Design of Highway Subgrades(JTG D30-2015 公路路基设计规范), 2015. 10. [本文引用:1]
[3] HE Min, CAO Wen-gui, WANG Jiang-ying, et al(贺敏, 曹文贵, 王江营, 等). Journal of Hunan University(Natural Sciences)[湖南大学学报(自然科学版)], 2018, 45(1): 128. [本文引用:1]
[4] DONG Cheng, YANG Xian-zhang, LIU Wen-jie, et al(董城, 杨献章, 刘文劼, 等). Journal of Highway and Transportation Research and Development(公路交通科技), 2017, 34(2): 42. [本文引用:1]
[5] Ministry of Transport of the People's Republic of China(中华人民共和国交通运输部). JTG E40-2007 Test Methods of Soils for Highway Engineering(JTG E40-2007 公路土工试验规程), 2007. [本文引用:1]
[6] SHA Qing-lin(沙庆林). Gonglu Yashi Yu Yashi Biaozhun(公路压实与压实标准). 3rd ed. (3版). Beijing: China Communications Press(北京: 人民交通出版社), 1999. 350. [本文引用:1]
[7] CHAI Hua-you, WANG Jiang-bo, ZHOU Yi-qin, et al(柴华友, 汪江波, 周一勤, 等). Chinese Journal of Rock Mechanics and Engineering(岩石力学与工程学报), 2002, 21(1): 119. [本文引用:1]
[8] ZHANG Xian-min, WANG Jian-hua(张献民, 王建华). China Civil Engineering Journal(土木工程学报), 2003, 36(10): 105. [本文引用:1]
[9] GOU Yu-xuan, ZHAO Yun-ze, LI Yong, et al(勾宇轩, 赵云泽, 李勇, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2022, 53(3): 331. [本文引用:1]
[10] Zhang S, Shen Q, Nie C, et al. Spectrochimica Acta Part A: Molecular & Biomolecular Spectroscopy, 2019, 211: 393. [本文引用:1]
[11] ZHU Yuan-li, WANG Dong-yan, ZHANG He, et al(祝元丽, 王冬艳, 张鹤, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(6): 66. [本文引用:1]
[12] MENG Xiang-tian, BAO Yi-lin, LIU Huan-jun, et al(孟祥添, 鲍依临, 刘焕军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(16): 231. [本文引用:1]
[13] GE Xiang-yu, DING Jian-li, WANG Jing-zhe, et al(葛翔宇, 丁建丽, 王敬哲, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(2): 602. [本文引用:1]
[14] Xu C, Zeng W, Huang J, et al. Remote Sensing, 2016, 8(1): 42. [本文引用:1]
[15] Wang G Q, Wang W, Fang Q Q, et al. Remote Sensing, 2018, 10(6): 867. [本文引用:1]