为分析土壤含水量、 土壤干密度对土壤光谱的影响, 探寻基于光谱技术的土壤干密度准确检测方法, 研究将土壤含水量梯度试验与土壤静力压实试验相结合, 对土样进行处理。 试验土样采集于河北省大城县中南部, 土壤类型为粉土, 土样采集时先将耕层杂质较多的土壤去除, 获取耕层下杂质较少的土壤用于试验, 采样深度为30~50 cm。 为削弱有机质、 土壤团聚体等对土壤干密度的影响, 便于分析土壤水分、 土壤干密度对土壤光谱的影响, 研究在野外土样采集完成后, 先利用烘箱将土样烘干, 并对土样进行研磨、 过筛(5 mm)、 混匀处理, 并取足够土样送检测中心进行土壤参数的检测, 土样的颗粒组成和有机质含量如表1所示。 然后, 对土样进行配水、 静置、 压实处理, 压实土壤统计量描述如表2所示。 土样处理的具体流程如下: (1)采用烘箱将土样进行烘干处理, 烘烤温度为105° , 待土样重量不变时停止。 (2)将烘干后的土样进行研磨、 过筛、 搅拌处理, 使土壤理化组分均一分布, 削弱因土壤理化组分、 粒径差异而产生的干扰。 (3)将(2)处理后的土样以5 kg· 份^-1的规格进行分配。 (4)利用洒水壶对每份土样进行配水处理, 制作不同土壤含水量的土壤; 配水过程中, 每洒水一次, 便对土样进行搅拌、 混合一次, 洒水、 搅拌、 混合依次循环进行, 直至配水完成; 待配水完成后, 将土壤置于保鲜袋内, 并将保鲜袋置于密室内静置至少24小时以上。 (5)在试验室内利用三轴压缩仪对土壤进行压实处理, 且每施加一次载荷, 测量一次土壤表面光谱; (6)利用精密电子秤测定压实后土壤的湿重, 然后利用烘箱将压实后的土样进行烘干处理, 并测定压实后的土壤干重。 土壤含水量与干密度计算方法如式(1)、 式(2)所示。

ρd=ρo1+0.01* ωi(1)

ωi=WS-WGWS(2)

式(1)和式(2)中, ρ _d为土壤干密度, ρ _o为含水土壤的密度, ρ _d为土壤干密度, ω _i为编号为i土样的含水量, W_S是土壤的鲜重, W_G为土壤的干重。

表1

Table 1

表1(Table 1)

表1 土样参数检测结果表 Table 1 Results of soil sample parameter testing 土壤指标颗粒 粒径/mm 颗粒占比 /% 有机质 /(g· kg-1) 0.2~2.0 1.1 11.9 0.02~0.2 45.9 0.002~0.02 32 < 0.002 21

表1 土样参数检测结果表 Table 1 Results of soil sample parameter testing

表2

Table 2

表2(Table 2)

表2 压实土壤干的统计量描述 Table 2 Statistical description of soil dry density 编号 含水量 数量 最小值 /cm3 最大值 /cm3 平均值 /cm3 标准差 MDD_0.05(g· cm-3) 0.05 4 0.979 1.387 1.232 0.156 MDD_0.07(g· cm-3) 0.07 7 0.578 1.362 1.034 0.283 MDD_0.09(g· cm-3) 0.09 7 0.592 1.528 1.087 0.356 MDD_0.11(g· cm-3) 0.11 7 0.607 1.567 1.120 0.378 MDD_0.13(g· cm-3) 0.13 7 0.755 1.850 1.422 0.348

表2 压实土壤干的统计量描述 Table 2 Statistical description of soil dry density

为避免外界不可控因子的影响, 减少土壤水分流失, 研究选在暗室内开展土壤光谱的测定。 土壤光谱测定仪器是美国生产的ASD地物光谱仪, 该仪器可测定350~2 500 nm区间的土壤反射光谱曲线, 其在350~1 000 nm的采样间隔为1.4 nm, 在1 000~2 500 nm的采样间隔为2 nm, 输出光谱分辨率为1 nm。 光谱仪的扫描时间为100 ms, 波长的精度为± 0.5 nm, 杂散光在VNIR小于0.02%, 在SWIR小于0.01%。 土壤反射光谱采集时先对仪器进行优化、 标定处理, 然后将光谱仪的接触式探头置于土壤表面, 使探头与土壤充分接触。 待土壤反射光谱曲线稳定后立刻采集, 采集完成后立刻将接触式探头与土壤进行分离(以避免时间过长致使土壤温度升高改变原有土壤光谱), 并采用专用擦纸对探头进行处理, 以便开展下次土壤光谱的采集。 考虑到利用接触式探头开展室内光谱采集, 光谱采集过程受外界影响较小, 为减少因卤光灯照射而引起的土壤温度升高, 研究对每个土壤样本采集3条光谱, 取均值作为其最终光谱。 为了定量分析土壤含水量、 土壤干密度对土壤光谱的影响, 提升土壤干密度检测精度, 试验分别测定压实前干土、 未压实含水土壤、 压实后含水土壤光谱。

在同一土壤化学组分的条件下, 土壤光谱主要受土壤含水量与土壤颗粒紧实度影响, 土壤含水量或土壤颗粒紧实度的变化均会对土壤光谱产生影响。 当土壤被压实后, 土壤孔隙率降低, 土壤颗粒紧实度增加, 进而改变土壤光谱, 此时土壤光谱可视为土壤颗粒和水分的光谱响应特征的叠加。 本研究通过研究分析干土光谱、 含水土壤光谱、 压实后土壤光谱的变化特征, 提出一种土壤光谱去水方法— SD (spectral dewatering, SD), 以削弱土壤含水量对土壤干密度光谱响应信息的干扰, 提升光谱对土壤干密度的敏感性, 具体推理如式(3)和式(4)

Sw=Sd-Sw_i(3)

Sc_s=Sc_i+Sw_i(4)

式(3)和式(4)中, S_d为干土的土壤光谱, S_w是因土壤水分吸收而减少的光谱反射率, S_{w_i}是含水量为i的土壤光谱, S_{c_i}是含水量为i的土壤被压实后的光谱, S_{c_s}是修正后的土壤光谱。

当土壤化学组分均一且不发生改变时, 土壤含水量、 土壤颗粒的排列密度与组织形式均是导致土壤光谱改变的重要因素, 但土壤水对350~2 500 nm区间的光谱均具有较强的吸收作用, 且土壤水对光谱的影响明显高于土壤颗粒排列密度与组织形式, 因此利用光谱技术进行土壤紧实度的监测, 须去除土壤水对土壤光谱的影响, 凸显土壤紧实度的光谱响应特征。 为去除土壤水对土壤紧实度光谱响应特征的影响, 本研究通过深入分析土壤水、 土壤颗粒对土壤光谱的影响, 提出了一种土壤紧实度修正系数的计算方法, 具体推理如式(5)— 式(8)

Cw=RiRk(5)

Cs=RjRk(6)

Ri_j=RkCw+RkCs(7)

Cs=(Ri_j-Ri)Rk(8)

式(5)— 式(8)中, C_s为土壤颗粒组织排列与形式对土壤光谱的影响系数, C_w为土壤水对土壤光谱的影响系数, R_i为压实前土壤含水量为i的土壤光谱反射率, R_k为压实前土壤含水量为k的土壤光谱反射率, R_j是烘干后, 土壤干密度为j的土壤光谱反射率, R_{i_j}为土壤干密度为j, 且土壤含水量为i的土壤光谱反射率。

小波变换是一种光谱处理算法, 其可将光谱分解为一系列不同频率的信息, 有助于凸显光谱内的可用光谱信息, 因而常用于高光谱数据的处理与分析。 二进制小波是小波变换算法中的一种, 其可从高光谱中分离出敏感性较好的高频信息, 增强光谱与地物理化参数的敏感性, 提高光谱对地物理化参数的估测能力。 因此, 采用二进制小波变换作为光谱处理方法, 采用的小波基为dmey, 分解尺度为1~10尺度, 其对光谱的分解过程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 二进制小波分解示意图Fig.1 Schematic diagram of binary wavelet decomposition

以原光谱、 土壤紧实度系数、 去水后的光谱及相应土壤干密度为数据源, 先利用相关分析算法、 最佳子集算法提取敏感波段, 然后利用偏最小二乘算法(partial least squares regression, PLS)构建土壤干密度估测模型。 为客观、 公正评价土壤干密度估测模型的精度, 将压实土壤分为2组: 建模组、 验证组, 其中2/3(21份)的样本为建模组, 1/3(11份)的样本为验证组, 并采用均方根误差(RMSE)与决定系数(R²)作为评价指标对估测模型进行评价, 其计算方法如式(8)、 式(9)所示

$R^{2}=1-\frac{\displaystyle\sum_{i=1}^{n}\left(\mathrm{SMD}_{i}-\mathrm{SMDP}_{i}\right)}{\displaystyle\sum_{i=1}^{n}\left(\mathrm{SMD}_{i}-\overline{\mathrm{SMD}_{i}}\right)}$(9)

$\mathrm{RMSE}=\sqrt{\frac{\displaystyle\sum_{i=1}^{n}\left(\mathrm{SMD}_{i}-\mathrm{SMDP}_{i}\right)}{n}}$(10)

式(9)和式(10)中, SMD_i为编号为i的土壤样本压实后的干密度实测值, $\overline{\mathrm{SMD}_{i}}$为全部样本实测土壤干密度的均值, SMDP_i为编号为i的土壤样本干密度的估测值。

由于土壤含水量过高时, 土壤内自由水较多, 水分在土壤颗粒间起到润滑作用, 当土壤被挤压时会阻滞土壤颗粒相互靠近、 密实, 且液态水难以从土颗粒间的空隙中压出, 因此, 本研究将土壤含水量控制在5%~13%。 为研究分析静力作用下, 土壤含水量、 土壤干密度对土壤反射光谱的影响规律, 本研究通过开展土壤含水量梯度试验、 土壤静力干密度试验、 土壤光谱测定试验获取不同土壤含水量、 干密度下的土壤光谱数据。

图2为不同土壤干密度和不同土壤含水量下的土壤反射光谱曲线图, 其中图2(a)、 (b)、 (c)、 (d)、 (e)的土壤含水量分别为0.05、 0.07、 0.09、 0.11、 0.13。 由图2(a)— (e)进行对比分析可知: 土壤含水量对土壤光谱的形态具有重要影响, 压实土壤光谱整体随土壤含水量的升高而降低。 在土壤含水量0.05~0.13内, 任一土壤含水量下进行分析可知, 土壤干密度可影响土壤反射光谱的高、 低, 但不影响土壤反射光谱的整体形态, 究其原因主要是同一土壤样本的土壤组分相同, 静力作用主要改变土壤颗粒的组织形式; 从0.05~0.13各土壤含水量进行对比分析可知, 随土壤含水量的增加, 土壤干密度对土壤反射光谱的影响越来越大; 不同土壤含水量条件下, 干密度对土壤反射光谱的影响规律不同, 究其原因主要是采用静力压实会改变土壤颗粒的组织形式, 使土壤颗粒更为紧密, 进而改变单位体积内土壤颗粒的表面积与含水量, 因而压实后土壤光谱的变化主要是单位体积内土壤颗粒的紧实度与含水量共同作用的结果。 在0.09~0.13内, 同一含水量下, 土壤光谱整体随土壤干密度的增加而整体抬升, 究其原因是静力压实使土壤颗粒更紧实, 但土壤内却易形成封闭空间, 导致空气难以排出, 这增加了土壤颗粒的反射面积, 降低了颗粒阴影面积, 但单位体积内土壤含水量的增加却相对较少。 综上可知, 土壤含水量、 土壤干密度均会对土壤光谱整体产生重要影响。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同干密度和不同含水量下的土壤光谱曲线变化分析图Fig.2 Analysis of the variation of soil spectral curves for different compaction levels and different water contents

图3是土壤含水量、 干密度对土壤光谱影响分析图, 其中图3(a)为压实前干土反射光谱与各含水土壤反射光谱的差值, 图3(b)为各土壤含水量下, 最大干密度土壤光谱与压实前土壤光谱的差值。 由图3(a)可知, 当土壤含水量位于0.05~0.13时, 干土光谱与各含水量土壤反射光谱的差值随土壤含水量的增加而降低, 土壤光谱的减弱幅度在[0.053, 0.534]内。 土壤含水量对土壤反射光谱的影响随波长的增加而增加, 其中土壤含水量对近红外区域的影响大于可见光区。 由图3(b)可知, 压实处理会影响土壤反射光谱的整体, 压实后与压实前土壤光谱反射率的差值的变化范围在[-0.031, 0.058], 且随土壤含水量的增加, 土壤干密度对土壤光谱的影响整体呈增加趋势。 从图3(a)和(b)进行对比分析可知, 土壤含水量、 土壤干密度均能对土壤光谱产生重要影响, 其中土壤含水量对土壤光谱的影响明显强于土壤干密度, 位居主导作用。 综上可知, 在土壤理化组分不变的条件下, 土壤含水量对土壤光谱的影响为主导作用, 其对土壤光谱的减弱程度明显强于干密度; 土壤干密度对土壤光谱增强幅度约占土壤含水量减弱幅度的10%左右。 因此, 削弱水分对压实土壤光谱的影响对提升土壤干密度的估测精度非常重要。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 土壤含水量、 干密度对土壤光谱的影响Fig.3 Effects of soil water content and compactness on soil spectrum

(1)土壤水分变异对光谱与土壤干密度敏感性的影响分析

图4为原土壤光谱与土壤干密度相关性分析图, 其中图4(a) 为不同含水量下土壤光谱与土壤干密度间的相关系数曲线; 图4(b)为不同含水量变化区间下, 原土壤光谱与土壤干密度间的相关性曲线图; 从图4(a)可知, 当土壤含水量为0.05、 0.07时, 位于400~692 nm区间内的光谱与土壤干密度的相关性为正相关, 而位于693~2 500 nm区间内的光谱与土壤干密度的相关性为负相关, 但含水量为0.05的土壤光谱与土壤干密度的敏感度相对较强。 当土壤含水量为0.09、 0.11、 0.13时, 土壤光谱与土壤干密度的相关性曲线几乎为直线, 这是由于当土壤含水量位于0.09~0.13时, 土壤颗粒对土壤光谱的作用为主导作用, 其对土壤光谱的影响为全谱段。 由图4(b)可知, 含水量不同的土壤光谱与土壤干密度的相关性随波长的增加而呈先升高后降低的趋势, 且最敏感波段区间均位于可见光区域(420~550 nm), 这表明可见光区间(420~550 nm)受土壤含水量变异的影响相对较小, 其对土壤干密度的敏感性较高, 而近红外区间则较差, 究其原因是水对可见光蓝绿区间的吸收作用较弱, 土壤含水量变化对蓝绿波段的影响相对较小。 随着土壤含水量差异的增加, 土壤干密度与土壤光谱的相关性强度整体呈逐步降低趋势, 相关性曲线的波峰随土壤含水量变化区间的扩大而向短波方向移动。 综上可知, 土壤含水量的变动对光谱与土壤干密度的敏感性具有重要影响, 须去除水分对土壤光谱的影响。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 原土壤光谱与土壤干密度相关性分析图Fig.4 Correlation analysis between original soil spectrum and soil dry density

(2)SD光谱去水法对光谱与土壤干密度敏感性的影响分析

为分析SD光谱去水法在提升光谱对土壤干密度敏感性的效果, 本研究将原光谱、 SD法处理后的光谱、 土壤紧实度系数分别与土壤干密度进行相关性分析, 其相关系数曲线如图5所示, 其中原光谱为绿色, SD法为红色, 土壤紧实度系数为黑色。 由图5可知, 与原始光谱、 土壤紧实度系数相比, 经SD法处理后的土壤光谱与土壤干密度的相关系数明显较高, 其中与土壤紧实度系数相比, 采用SD法处理后的光谱与土壤干密度的相关系数平均提升了7.96%, 这表明本研究提出的SD法优于土壤紧实度系数。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 土壤紧实度、 土壤光谱(修正前、 后)与土壤干密度的相关性曲线图Fig.5 Correlation curves of soil compactness, soil spectra (before and after correction), and soil dry density

(3)二进制小波变换与相关性分析

为分析土壤紧实度修正系数、 SD法在提升光谱对土壤干密度敏感性方面的作用, 本研究先利用二进制小波算法对土壤紧实度修正系数和SD法进行分离, 采用的小波基为dmey。 然后结合相关性分析算法对分离的信息进行相关性分析, 其相关性分析结果图如图6所示, 其中图6(a)为土壤紧实度修正系数1~10分解尺度信息与土壤干密度的决定系数矩阵(R²)图, 图6(b)是SD法修正后的土壤光谱1~10分解尺度信息与土壤干密度的决定系数矩阵(R²)图, 图6(c)是(a)与(b)的差值。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 为土壤紧实度系数、 SD光谱去水法与土壤干密度的决定系数矩阵Fig.6 Shows the matrix of coefficients of determination of soil tightness coefficients, SD spectral de-watering method and soil dry density

由图6(a)可知, 对土壤干密度敏感的特征波段多位于5~10 尺度, 且特征波段主要位于近红外区间。 由图6(b)可知, 对土壤干密度敏感的特征波段也主要位于5~10尺度内, 特征波段在可见光、 近红外区间均有分布, 但多位于近红外区间。 由图6(a)、 (b)进行对比可知, 敏感特征波段在图6(a)与图6(b)中的分布具有较强的相似性, 采用SD法修正后的光谱对土壤干密度的敏感性优于土壤紧实度修正系数, 这表明SD法能有效提升光谱对土壤干密度的敏感性。 由图6(c)可知, 与土壤紧实度修正系数相比, SD法更能提升光谱对土壤干密度的敏感性, 且提升幅度明显, 其决定系数最大提升幅度可达0.6, 平均提升了33.7%。 综上可知, 敏感波段多位于5~10尺度, 这表明土壤干密度与光谱的相关性为中强程度, 究其原因是土壤干密度对整个土壤光谱均会产生影响。 SD法更能凸显土壤干密度的光谱信息, 削弱水分的干扰。

为研究分析SD法在提升光谱对土壤干密度的估测能力, 以土壤紧实度系数为参照, 采用二进制小波算法分别处理土壤紧实度系数与SD法处理后的光谱, 并结合相关性分析算法、 最优子集算法筛选并构建最优特征波段组合。 然后利用偏最小二乘算法构建土壤干密度估测模型, 并采用决定系数与均方根误差对模型进行客观评价。

为便于对比分析基于SD法与紧实度系数构建的土壤干密度估测模型的性能, 将基于1~10尺度构建的模型进行编号M1— M10, 并依据各模型精度的评价指标制图, 其结果如图7所示。 图7为基于土壤紧实度系数(绿色)与SD方法(红色)构建的各模型评价指标曲线图, 其中图7(a)为各模型的建模精度的R², 图7(b)为各模型的验证精度的R², 图7(c)是各模型的建模精度的RMSE, 图7(d)是各模型的验证精度的RMSE。 由图7(a)、 (b)、 (c)、 (d)可知, 依据模型评价指标统计可知, (1)在模型建模精度方面, 与土壤紧实度系数相比, 采用SD法能明显提升模型的建模精度, 降低模型的估测误差, 其R²平均提升6.72%, 其RMSE平均降低11.63%。 (2)在模型的验证精度方面, 与土壤紧实度系数相比, SD法在各模型的验证精度R2相差不大, 但却有效降低了模型的估测误差, 其RMSE平均降低8.34%。 (3)与土壤紧实度系数相比, 基于SD构建的模型的R²平均提升了3.36%, RMSE平均降低了9.985%。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 各模型的决定系数与平方根误差曲线图Fig.7 Determination coefficient and square root error curve of each model

图8为土壤干密度估测模型的实测值与估测值的散点图, 其中图8(a)为基于紧实度修正系数构建的最优模型的散点图, 图8(b)为基于SD法构建的最优模型的散点图。 由图8(a)可知, 建模样本点多位于1∶ 1线附近, 样点估测误差相对较低, 但验证样本点多位于1∶ 1线下, 模型对验证样本的估测整体明显偏高。 由图8(b)可知, 建模样本点也多位于1∶ 1 线附近, 样点估测误差也相对较低; 尽管验证样本点也多位于1∶ 1线下, 但样点的分布更接近1∶ 1线。 从图8(a)与图8(b)的对比分析可知, 与紧实度修正系数相比, 基于SD法构建的最优模型的散点图更接近1∶ 1线, 尤其是验证样点, 这表明SD法更能提升光谱对土壤干密度估测精度。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 实测值与估测值的散点图Fig.8 Scatter chart of measured and estimated values

土壤干密度是影响土壤压实度的关键因素, 也是影响工程地基施工质量的重要因素。 当前, 利用遥感技术进行土壤信息监测的研究较多, 但前人多侧重于光谱在土壤化学组分监测中的应用研究^{[24, 25]}, 而少见针对土壤干密度的研究, 而土壤干密度对土壤颗粒组织、 土壤水的存在形式等均具有重要影响, 是工程地基评价的关键指标。 土壤压实会降低土壤空隙率, 改变土壤的渗水性能, 进而改变土壤光谱特征。 为研究分析土壤干密度对土壤光谱的影响, 本研究通过土壤静力压实试验与光谱测定试验获取试验数据, 并结合光谱数据处理算法定量分析土壤光谱的变化规律, 并构建土壤干密度估测模型, 结果表明: (1)静力压实下, 土壤含水量位于0.09~0.13区间的土壤光谱变化规律与冲击压实相左, 这是由于静力压实不利于土壤空气的排出, 而冲击压实更有助于土壤内空气的排出, 使土壤颗粒更紧实, 这使在增加土壤颗粒表面积的同时, 单位体积内的水分也在增加, 而水分对光谱的吸收作用强于干土的反射作用, 因而导致土壤光谱随土壤干密度的增加而降低。 (3)土壤含水量位于0.09~0.13时, 土壤光谱整体随土壤干密度的增加而升高且规律稳定, 而土壤最大干密度对应的含水量多位于0.09以上^{[26, 27]}, 这可为土壤干密度的无损估测提供了理论支撑。 (2)试验证明土壤含水量对土壤光谱的影响强度明显高于土壤干密度, 须去除水对土壤光谱的影响, 本研究提出的SD光谱去水方法在估测土壤干密度中表现较好, 其最优模型的验证精度的R²达到了0.792, RMSE降低至0.184。

土壤含水量是影响工程地基土壤压实度的重要因素, 尽管工程地基土壤一般均采取同一处理方式, 但由于工程地基面积较大, 难以将土-水充分混合, 地基内土壤的含水量必然存在一定差异, 这导致工程地基内的土壤压实度必然存在差异。 因此, 有必要进行全面无损检测, 规避工程隐患。 本研究提出的方法能有效去除土壤含水量对土壤光谱的影响, 提升土壤干密度的监测精度。 在后续研究中, 将利用无人机搭载高光谱或多光谱传感器通过准确拍摄压实前、 后地基土壤高光谱或多光谱影像数据, 结合本文方法, 开展室外工程地基质量监测的研究, 从而为工程地基质量保障提供了技术和方法支撑。

尽管本文利用高光谱技术开展了压实土壤干密度的检测研究, 并取得一定研究成果, 但仍存在一定不足, 具体如下:

尽管本研究利用高光谱数据构建的土壤干密度检测模型的精度相对较高, 但仍需进一步完善相关算法, 提升检测精度为保障工程质量提供支撑。

本研究的相关试验多在理想的实验室内开展, 室内环境参数便于控制, 影响因子较少, 而外界不可控因子较多, 相关结论的实用性仍需进一步试验。