留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用包络线消除法反演黄绵土水分含量

刘秀英 王力 常庆瑞 宋荣杰

刘秀英, 王力, 常庆瑞, 宋荣杰. 利用包络线消除法反演黄绵土水分含量[J]. 武汉大学学报 ● 信息科学版, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
引用本文: 刘秀英, 王力, 常庆瑞, 宋荣杰. 利用包络线消除法反演黄绵土水分含量[J]. 武汉大学学报 ● 信息科学版, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
LIU Xiuying, WANG Li, CHANG Qingrui, SONG Rongjie. Prediction of Moisture Content in Loess Using Continuum-Removed Method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
Citation: LIU Xiuying, WANG Li, CHANG Qingrui, SONG Rongjie. Prediction of Moisture Content in Loess Using Continuum-Removed Method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006

利用包络线消除法反演黄绵土水分含量

doi: 10.13203/j.whugis20150006
基金项目: 

国家863计划 2013AA102401-2

河南科技大学博士科研启动基金 13480074

国家“十二五”科技支撑计划 2012BAH29B04-00

河南省科技攻关计划 132102110210

详细信息
    作者简介:

    刘秀英, 博士, 讲师, 主要从事高光谱遥感及GIS应用研究。csfulxy@126.com

    通讯作者: 常庆瑞, 教授。changqr@nwsuaf.edu.cn
  • 中图分类号: P237

Prediction of Moisture Content in Loess Using Continuum-Removed Method

Funds: 

The National 863 Program of China 2013AA102401-2

the Doctoral Scientific Research Foundation of Henan University of Science and Technology 13480074

The National Key Technology Support Program 2012BAH29B04-00

The Henan Technology Plan Program 132102110210

More Information
    Author Bio:

    LIU Xiuying, PhD, lecturer, specializes in of hyperspectral remote sensing and GIS. E-mail: csfulxy@126.com

    Corresponding author: CHANG Qingrui, professor. E-mail: changqr@nwsuaf.edu.cn
  • 摘要: 采集2014年陕西省乾县黄绵土土壤样本129个,风干过程中进行光谱反射率及水分含量测定,采用包络线消除法提取水分吸收特征参数,进行黄绵土水分含量反演。在对土壤水分含量和光谱吸收特征参数进行相关分析的基础上,运用一元线性回归、对数、指数、幂函数分析法,建立了土壤水分含量定量反演模型。结果表明,相关性较好的为最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)和吸收峰左面积(LA),1 900 nm的光谱吸收特征参数相关性优于1 400 nm。以D1 900RA1 900为自变量建立的一元线性模型和A1 900A1 400为自变量建立的对数模型是最佳预测模型,其建模和验证模型的决定系数R2分别大于0.92和0.95,相对分析误差值大于4,预测均方根误差小于1.5%。
  • 图  1  土壤水分光谱反演流程图

    Figure  1.  Flowchart of Soil Moisture Spectral Inversion

    图  2  不同含水量土壤光谱曲线及其吸收特征曲线

    Figure  2.  Spectral Curves and Spectral Absorption Characteristic Curves of Different Soil Moisture

    图  3  土壤水分含量测量值与预测值的比较

    Figure  3.  Comparison of the Measured Value and Predicted Value of Soil Moisture Content

    表  1  土壤包络线消除光谱吸收特征参数与水分含量的相关分析 (1 900 nm)

    Table  1.   Correlation Analysis Between Absorption Characteristics Parameters of Continuum-Removed Spectra of Soil and Moisture Content (1 900 nm)

    光谱吸收特征参数 D1 900 LA1 900 RA1 900 A1 900 S1 900 DA1 900 P1 900
    水分含量 0.971** 0.974** 0.963** 0.968** -0.048 -0.966** 0.893**
    下载: 导出CSV

    表  2  土壤包络线消除光谱吸收特征参数与水分含量的相关分析 (1 400 nm)

    Table  2.   Correlation Analysis Between Absorption Characteristics Parameters of Continuum-Removed Spectra of Soil and Moisture Content (1 400 nm)

    光谱吸收特征参数 D1 400 LA1 400 RA1 400 A1 400 S1 400 DA1 400 P1 400
    水分含量 0.960** 0.916** 0.959** 0.962** -0.027 -0.908** 0.880**
    下载: 导出CSV

    表  3  土壤含水量反射光谱预测模型 (n=182)

    Table  3.   Soil Spectral Reflectance-Based Model for Prediction of Soil Moisture (n=182)

    自变量 模型 方程 R2
    D1 900 一元线性 y=47.849x-5.032 9 0.943
    对数 y=14.207lnx+27.136 0.937
    y=66.074x1.675 9 0.948
    指数 y=1.550 4e5.509x 0.909
    LA1 900 一元线性 y=11.232x-3.028 7 0.948
    对数 y=12.394lnx+8.961 9 0.951
    y=7.752 8x1.448 4 0.944
    指数 y=1.985e1.279x 0.894
    RA1 900 一元线性 y=4.462 5x-2.564 2 0.927
    对数 y=11.832lnx-1.435 6 0.929
    y=2.269 2x1.396 8 0.941
    指数 y=2.074 6e0.511 3x 0.885
    A1 900 一元线性 y=3.008 6x-2.903 2 0.938
    对数 y=12.186lnx-6.943 1 0.939
    y=1.190 9x1.434 7 0.946
    指数 y=1.999 1e0.344 3x 0.893
    DA1 900 一元线性 y=-1 124.7x+93.943 0.933
    对数 y=-84.1lnx-208.38 0.933
    y=8×10-11x-9.787 0.919
    指数 y=159 252e-131.4x 0.926
    D1 400 一元线性 y=121.99x-2.343 2 0.922
    对数 y=12.207lnx+ 38.79 0.948
    y=246.86x1.415 9 0.927
    指数 y=2.173 9e13.765x 0.853
    LA1 400 一元线性 y=36.399x+1.257 7 0.839
    对数 y=9.208 8lnx+24.215 0.922
    y=44.902x1.059 3 0.887
    指数 y=3.318 2e4.037 5 0.751
    RA1 400 一元线性 y=10.316x + 0.251 2 0.920
    对数 y=8.898 1lnx+11.554 0.928
    y=10.519x1.052 4 0.943
    指数 y=2.882 2e1.175 3x 0.868
    A1 400 一元线性 y=7.733 4x+0.052 7 0.926
    对数 y=9.272 7lnx+8.701 3 0.939
    y=7.514 6x1.089 3 0.942
    指数 y=2.835 9e0.876 1x 0.864
    DA1 400 一元线性 y=-409.43x + 43.901 0.825
    对数 y=-35.86lnx-79.593 0.849
    y=0.000 2x-4.385 0.924
    指数 y=572.32e-50.48x 0.911
    下载: 导出CSV

    表  4  模型的验证结果 (n=104)

    Table  4.   Validation Results of the Model (n=104)

    自变量 模型 R2 RMSEp/% RPD
    D1 900 一元线性 0.96 1.499 4.235
    对数 0.96 1.432 4.433
    0.93 2.674 2.375
    指数 0.86 6.014 1.056
    LA1 900 一元线性 0.89 4.140 1.534
    对数 0.94 1.961 3.237
    RA1 900 一元线性 0.96 1.393 4.558
    对数 0.95 1.459 4.352
    0.94 2.047 3.101
    A1 900 一元线性 0.95 1.89 3.344
    对数 0.96 1.318 4.814
    0.92 3.083 2.059
    DA1 900 一元线性 0.95 1.946 3.261
    对数 0.95 2.017 3.146
    指数 0.86 5.043 1.259
    D1 400 一元线性 0.92 2.586 2.454
    对数 0.97 1.328 4.781
    0.88 4.342 1.462
    LA1 400 对数 0.90 2.908 2.183
    RA1 400 一元线性 0.93 1.692 3.752
    对数 0.93 1.816 3.495
    0.92 1.823 3.482
    A1 400 一元线性 0.93 2.419 2.624
    对数 0.96 1.299 4.885
    0.92 3.097 2.049
    AD1 400 0.92 4.083 1.554
    指数 0.90 2.274 2.791
    下载: 导出CSV
  • [1] 吴代晖, 范闻捷, 崔要奎, 等.高光谱遥感监测土壤含水量研究进展[J].光谱学与光谱分析, 2010, 30(11):3067-3071) doi:  10.3964/j.issn.1000-0593(2010)11-3067-05

    Wu Daihui, Fan Wenjie, Cui Yaokui, et al. Review of Monitoring Soil Water Content Using Hyperspectral Remote Sensing[J]. Spectroscopy and Spectral Analysis, 2010, 30(11):3067-3071 doi:  10.3964/j.issn.1000-0593(2010)11-3067-05
    [2] 宋海燕. 基于光谱技术的土壤、作物信息获取及其相互关系研究[D]. 杭州: 浙江大学, 2006)

    Song Haiyan. Study of the Soil and Crop Information Collection and Their Relationships Based on Spectroscopy Technique[D]. Hangzhou:Zhejiang University, 2006
    [3] 姚艳敏, 魏娜, 唐鹏钦, 等.黑土土壤水分高光谱特征及反演模型[J].农业工程学报, 2011, 27(8):95-100 http://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201108018.htm

    Yao Yanmin, Wei Na, Tang Pengqin, et al. Hyper-Spectral Characteristics and Modeling of Black Soil Moisture Content[J]. Transactions of the CSAE, 2011, 27(8):95-100 http://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201108018.htm
    [4] 童庆禧, 张兵, 郑兰芬.高光谱遥感:原理、技术与应用[M].北京:高等教育出版社, 2006

    Tong Qingxi, Zhang Bing, Zheng Lanfen. Hyperspectral Remote Sensing-Theory, Technology and Application[M]. Beijing:Higher Education Press, 2006
    [5] Yin Zhe, Lei Tingwu, Yan Qinghong, et al. A Near-Infrared Reflectance Sensor for Soil Surface Moisture Measurement[J]. Computers and Electronics in Agriculture, 2013, 99:101-107 doi:  10.1016/j.compag.2013.08.029
    [6] Lobell D B, Asner G P.Moisture Effects on Soil Reflectance[J]. Soil Science Social of America Journal, 2002, 66(3):722-727 doi:  10.2136/sssaj2002.7220
    [7] Clark R N, Roush T L. Reflectance Spectroscopy:Quantitative Analysis Techniques for Remote Sensing Applications[J]. Journal of Geophysical Research:Solid Earth, 1984, 89(B7):6329-6340 doi:  10.1029/JB089iB07p06329
    [8] 张雪红, 刘绍民, 何蓓蓓.基于包络线消除法的油菜氮素营养高光谱评价[J].农业工程学报, 2008, 24(10):151-155 doi:  10.3321/j.issn:1002-6819.2008.10.030

    Zhang Xuehong, Liu Shaomin, He Beibei. Hyperspectral Evaluation of Rape Nitrogen Nutrition Using Continuum-Removed Method[J]. Transactions of the CSAE, 2008, 24(10):151-155 doi:  10.3321/j.issn:1002-6819.2008.10.030
    [9] Huang Zhi, Turner B J, Dury S J, et al. Estimating Foliage Nitrogen Concentration from HYMAP Data Using Continuum Removal Analysis[J]. Remote Sensing of Environment, 2004, 93(1/2):18-29 http://www.academia.edu/14522145/Estimating_foliage_nitrogen_concentration_from_HYMAP_data_using_continuum_removal_analysis
    [10] 谢伯承, 薛绪掌, 刘伟东, 等.基于包络线法对土壤光谱特征的提取及其分析[J].土壤学报, 2005, 42(1):171-175 doi:  10.11766/trxb200401110129

    Xie Bocheng, Xue Xuzhang, Liu Weidong, et al. Hull-Curve-Method Extraction and Analysis of Soil Spectral Characteristics[J]. Acta Pedologica Sinica, 2005, 42(1):171-175 doi:  10.11766/trxb200401110129
    [11] 徐永明, 蔺启忠, 黄秀华, 等.利用可见光/近红外反射光谱估算土壤总氮含量的实验研究[J].地理与地理信息科学, 2005, 21(1):19-22 http://www.cnki.com.cn/Article/CJFDTOTAL-DLGT200501006.htm

    Xu Yongming, Lin Qizhong, Huang Xiuhua, et al. Experimental Study on Total Nitrogen Concentration in Soil by VNIR Reflectance Spectrum[J]. Geography and Geo-information Science, 2005, 21(1):19-22 http://www.cnki.com.cn/Article/CJFDTOTAL-DLGT200501006.htm
    [12] 何挺, 王静, 程烨, 等.土壤水分光谱特征研究[J].土壤学报, 2006, 43(6):1027-1032 doi:  10.11766/trxb200506150621

    He Ting, Wang Jing, Cheng Ye, et al.Spectral features of Soil Moisture[J]. Acta Pedologica Sinica, 2006, 43(6):1027-1032 doi:  10.11766/trxb200506150621
    [13] 李美婷, 武红旗, 蒋平安, 等.利用土壤的近红外光谱特征测定土壤含水量[J].光谱学与光谱分析, 2012, 32(8):2117-2121 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201208027.htm

    Li Meiting, Wu Hongqi, Jiang Ping'an, et al. Measuring Soil Water Content by Using Near Infrared Spectral Characteristics of Soil[J]. Spectroscopy and Spectral Analysis, 2012, 32(8):2117-2121 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201208027.htm
    [14] Hummel J W, Sudduth K A, Hollinger S E. Soil Moisture and Organic Matter Prediction of Surface and Subsurface Soils Using an NIR Soil Sensor[J]. Computers and Electronics in Agriculture, 2001, 32(2):149-165 doi:  10.1016/S0168-1699(01)00163-6
    [15] Liu Huanjun, Zhang Yuanzhi, Zhang Xinlei, et al.Quantitative Analysis of Moisture Effect on Black Soil Reflectance[J]. Pedosphere, 2009, 19(4):532-540 doi:  10.1016/S1002-0160(09)60146-6
    [16] 何挺, 王静, 林宗坚, 等.土壤有机质光谱特征研究[J].武汉大学学报·信息科学版, 2006, 31(11):975-979 http://ch.whu.edu.cn/CN/abstract/abstract2597.shtml

    He Ting, Wang Jing, Lin Zongjian, et al. Spectral Features of Soil Organic Matter[J].Geomatics and Information Science of Wuhan University, 2006, 31(11):975-979 http://ch.whu.edu.cn/CN/abstract/abstract2597.shtml
    [17] Shepherd K D, Walsh M G.Development of Reflectance Spectral Libraries for Characterization of Soil Properties[J]. Soil Science Social of America Journal, 2002, 66(3):988-998 doi:  10.2136/sssaj2002.9880
    [18] Stoner E R, Baumgardner M F. Characteristic Variation in Reflectance of Surface of Surface soils[J]. Soil Science Society of America Journal, 1981, 45(6):1161-1165 doi:  10.2136/sssaj1981.03615995004500060031x
    [19] Bowers S A, Hanks R J. Reflection of Radiant Energy from Soils[J]. Soil Science, 1965, 100(2):130-138 doi:  10.1097/00010694-196508000-00009
    [20] 浦瑞良, 宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社, 2000

    Pu Ruiliang, Gong Peng. Hyperspectral Remote Sensing and Its Application[M]. Beijing:Higher Education Press, 2000
    [21] 张娟娟, 田永超, 姚霞, 等.基于高光谱的土壤全氮含量估测[J].自然资源学报, 2011, 26(5):881-890 doi:  10.11849/zrzyxb.2011.05.015

    Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. Estimating Soil Total Nitrogen Content Based on Hyperspectral Analysis Technology[J].Journal of Natural Resources, 2011, 26(5):881-890 doi:  10.11849/zrzyxb.2011.05.015
    [22] Chang Chengwen, Laird D A. Near-Infrared Reflectance Spectroscopic Analysis of Soil C and N[J]. Soil Science, 2002, 167(2):110-116 doi:  10.1097/00010694-200202000-00003
    [23] 孙建英, 李民赞, 郑立华, 等.基于近红外光谱的北方潮土土壤参数实时分析[J].光谱学与光谱分析, 2006, 26(3):426-429 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200603011.htm

    Sun Jianying, Li Minzan, Zheng Lihua, et al.Real-time Analysis of Soil Moisture, Soil Organic Matter, and Soil Total Nitrogen with NIR Spectra[J]. Spectroscopy and Spectral Analysis, 2006, 26(3):426-429 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200603011.htm
    [24] Bowers S A, Smith S J. Spectrophotometric Determination of Soil Water Content[J]. Soil Science Society of America Journal, 1972, 36(6):978-980 doi:  10.2136/sssaj1972.03615995003600060045x
    [25] 王昌佐, 王纪华, 王锦地, 等.裸土表层含水量高光谱遥感的最佳波段选择[J].遥感信息, 2003(4):33-36 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200304011.htm

    Wang Changzuo, Wang Jihua, Wang Jindi, et al. The Choice of Best Detecting Bandfor Hyperspectral Remote Sensing on Surface Water Content of Bare Soil[J]. Remote Sensing Information, 2003(4):33-36 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200304011.htm
  • [1] 张霞, 丁松滔, 岑奕, 孙伟超, 王晋年.  结合野外与实验室光谱的土壤Pb含量反演 . 武汉大学学报 ● 信息科学版, 2022, 47(9): 1479-1485. doi: 10.13203/j.whugis20200386
    [2] 汪韬阳, 李熙, 田礼乔, 陈振炜, 李治江, 张过, 李德仁, 沈欣, 李欣, 蒋博洋, 周屈, 邓实权, 王剑茹, 朱浩楠.  城市建筑群航天遥感动态监测 . 武汉大学学报 ● 信息科学版, 2020, 45(5): 640-650. doi: 10.13203/j.whugis20200096
    [3] 孙伟伟, 蒋曼, 李巍岳.  利用稀疏自表达实现高光谱影像波段选择 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 441-448. doi: 10.13203/j.whugis20150052
    [4] 秦占飞, 申健, 谢宝妮, 严林, 常庆瑞.  引黄灌区水稻叶面积指数的高光谱估测模型 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1159-1166. doi: 10.13203/j.whugis20150132
    [5] 秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐.  引黄灌区水稻红边特征及SPAD高光谱预测模型 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
    [6] 方圣辉, 乐源, 梁琦.  基于连续小波分析的混合植被叶绿素反演 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 296-302.
    [7] 张良培.  高光谱目标探测的进展与前沿问题 . 武汉大学学报 ● 信息科学版, 2014, 39(12): 1377-1394+1400.
    [8] 彭小婷, 高文秀, 王俊杰.  基于包络线去除和偏最小二乘的土壤参数光谱反演 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 862-866.
    [9] 赵海涛, 张兵, 左正立, 陈正超.  推扫式高光谱传感器集成的POS系统视准轴及位置偏差检校 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 973-977.
    [10] 周源, 方圣辉, 李德仁.  利用光谱角敏感森林的高光谱数据快速匹配方法 . 武汉大学学报 ● 信息科学版, 2011, 36(6): 687-690.
    [11] 李祖传, 马建文, 张睿, 李利伟.  利用SVM-CRF进行高光谱遥感数据分类 . 武汉大学学报 ● 信息科学版, 2011, 36(3): 306-310.
    [12] 舒宁, 苏俊英.  高光谱影像纹理特征编码分形特征研究 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 379-382.
    [13] 张睿, 马建文.  一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 834-837.
    [14] 龚龑, 舒宁.  基于层次密度分析的遥感影像分割方法 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 310-313.
    [15] 龚衍, 舒宁.  非参数吉布斯模型和多波段遥感影像纹理分割方法研究 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 581-584.
    [16] 杜培军, 唐宏, 方涛.  高光谱遥感光谱相似性度量算法与若干新方法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 112-115.
    [17] 杜辉强, 舒宁.  高光谱影像能量边缘提取 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 132-135.
    [18] 吴波, 张良培, 李平湘.  基于支撑向量机概率输出的高光谱影像混合像元分解 . 武汉大学学报 ● 信息科学版, 2006, 31(1): 51-54.
    [19] 张立福, 张良培, 村松加奈子, 藤原昇.  基于高光谱卫星遥感数据的UPDM分析方法 . 武汉大学学报 ● 信息科学版, 2005, 30(3): 264-268.
    [20] 舒宁.  关于多光谱和高光谱影像的纹理问题 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 292-295.
  • 加载中
图(3) / 表(4)
计量
  • 文章访问数:  1297
  • HTML全文浏览量:  92
  • PDF下载量:  333
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-03-31
  • 刊出日期:  2017-05-05

利用包络线消除法反演黄绵土水分含量

doi: 10.13203/j.whugis20150006
    基金项目:

    国家863计划 2013AA102401-2

    河南科技大学博士科研启动基金 13480074

    国家“十二五”科技支撑计划 2012BAH29B04-00

    河南省科技攻关计划 132102110210

    作者简介:

    刘秀英, 博士, 讲师, 主要从事高光谱遥感及GIS应用研究。csfulxy@126.com

    通讯作者: 常庆瑞, 教授。changqr@nwsuaf.edu.cn
  • 中图分类号: P237

摘要: 采集2014年陕西省乾县黄绵土土壤样本129个,风干过程中进行光谱反射率及水分含量测定,采用包络线消除法提取水分吸收特征参数,进行黄绵土水分含量反演。在对土壤水分含量和光谱吸收特征参数进行相关分析的基础上,运用一元线性回归、对数、指数、幂函数分析法,建立了土壤水分含量定量反演模型。结果表明,相关性较好的为最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)和吸收峰左面积(LA),1 900 nm的光谱吸收特征参数相关性优于1 400 nm。以D1 900RA1 900为自变量建立的一元线性模型和A1 900A1 400为自变量建立的对数模型是最佳预测模型,其建模和验证模型的决定系数R2分别大于0.92和0.95,相对分析误差值大于4,预测均方根误差小于1.5%。

English Abstract

刘秀英, 王力, 常庆瑞, 宋荣杰. 利用包络线消除法反演黄绵土水分含量[J]. 武汉大学学报 ● 信息科学版, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
引用本文: 刘秀英, 王力, 常庆瑞, 宋荣杰. 利用包络线消除法反演黄绵土水分含量[J]. 武汉大学学报 ● 信息科学版, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
LIU Xiuying, WANG Li, CHANG Qingrui, SONG Rongjie. Prediction of Moisture Content in Loess Using Continuum-Removed Method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
Citation: LIU Xiuying, WANG Li, CHANG Qingrui, SONG Rongjie. Prediction of Moisture Content in Loess Using Continuum-Removed Method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
  • 土壤水分是农作物生长发育的基本条件和产量预报模型中的重要参量[1],其含量的高低不仅直接影响着作物的生长,对农田小气候和土壤的机械性能等方面也有一定的影响[2]。精准农业需要快速、及时地获得地块级土壤水分信息,而传统的土壤水分测定方法工作量大、周期长、要求条件较为苛刻。常规多光谱遥感影像由于波段少、光谱分辨率低等原因,不能满足这一要求。高光谱遥感具有波段多、波段窄的优点,能够快速获取地面土壤反射光谱信息,探测表层土壤含水量细微差异的变化,为动态监测区域或地块级土壤含水率提供了一种新的技术手段[3]

    目前,基于高光谱遥感测定土壤水分的方法主要是利用高光谱反射率随土壤水分含量的变化规律,通过各种相关指标进行土壤水分定量反演[4],或直接利用水分在近红外的吸收波段进行定量估算[5-6],较少深入探讨利用土壤水分吸收波段处的特征参数进行水分定量反演的潜力。土壤水分的诊断性光谱特征主要表现在1 400、1 900 nm波长附近的光谱吸收,因此可以提取这些波长处的吸收特征参数进行水分定量反演。已有研究表明,包络线消除法是一种常用的光谱分析方法,定义为逐点直线连接随波长变化的吸收或反射凸出的“峰”值点,并使折线在“峰”值点上的外角大于180°,以包络线作为背景,去掉包络线,即得到光谱的特征吸收带,从而可以提取光谱吸收特征参数[7]。该方法可以去除那些不感兴趣的吸收特征,孤立单个感兴趣的吸收特征,并将其归一到一个一致的光谱背景上,从而具有压抑背景光谱,扩大弱吸收特征信息的优势[4, 8]。因此,该方法是提取光谱吸收特征参数的最佳方法。包络线消除法最初用于矿物制图,后来延伸到植物制图及估算地面干叶片的化学浓度 (特别是氮含量等信息诊断)[9]等方面。目前,已经有一些研究探讨了包络线消除法用于土壤有机质、土壤粘粒含量、土壤总氮的定量评价和预测,以及土壤分类等方面的潜力[10-11],但是将包络线消除法用于土壤水分定量反演[12]的研究较少,且主要是应用吸收深度指标,而利用其他吸收特征指标进行土壤水分含量反演更少见诸报道。此外,利用可见/近红外光谱进行土壤水分定量反演时,大多数研究对土壤样本进行研磨、过筛、水分配比等繁琐的预处理[13-15],造成土壤结构的改变,供试土壤与田间自然状态下的土壤之间差异明显,适用性较差。

    因此,本文尝试在湿润土壤自然风干过程中进行高光谱反射率和水分含量测定,利用包络线消除法提取光谱吸收特征参数,探讨土壤光谱吸收特征参数在进行水分含量预测时的潜力,为快速获取土壤水分信息提供参考。

    • 影响黄土高原地区农作物生长发育的主要因素是土壤水分,而黄绵土是黄土高原地区分布面积最大的耕作土壤。因此,利用光谱反射率对黄土高原地区黄绵土水分含量进行反演研究对该地区农业生产具有很重要的意义。另外,土壤含水量与土壤反射率关系的研究,往往建立在实验室光谱测量的基础上,而传统的实验室土壤光谱测量方法存在几个较严重的问题[1, 15],因此需要对原有方法进行改进。

      研究区选择地处陕北黄土高原南缘与关中平原过渡地带的陕西省乾县,该地区属于典型的渭北旱塬农业区。2014年4月和2014年9月分两次在乾县采集0~20 cm的耕层土壤样品129个,土壤类型为黄绵土。自然风干前,剔出土壤以外的侵入体 (如植物残茬、石粒、砖块等杂质),并用木棒将大的土块轻轻敲碎;然后将土壤样品倒在干净的塑料布上,摊成薄薄的一层,放在阴凉、干燥通风,又无特殊气体、无灰尘污染的室内风干;在风干过程中经常翻动土壤,使土壤样本水分含量尽可能均匀,土壤水分含量和光谱反射率测量前将土壤样本再次混合均匀。为了得到具有一定梯度的土壤含水量样本,将第一次采集的36个土样在风干第1天、第2天和第3天上午,同时进行土壤光谱反射率和水分测量,剔除4个误差样本,得到104个有效样本数据,作为验证集;第二次采集的93个土样在风干的第1天和第3天上午进行土壤样本光谱反射率和水分测量,剔除有误差的4个样本数据,得到182个有效样本数据,作为校正集。土壤含水量采用经典的土壤烘干称重法测定。土壤样本水分含量最小值为2.32%,最大值为19.38%,均值为10.11%,标准差为5.32%。

    • 采用美国Spectra Vista公司生产的SVC HR-1024i便携式光谱仪测定土壤反射率,光谱范围为350~2 500 nm。该仪器在波长350~1 000 nm,光谱分辨率≤3.5 nm;1 000~1 850 nm,光谱分辨率≤9.5 nm;1 850~2 500 nm,光谱分辨率≤6.5 nm。光源为功率50 W的卤素灯,光源入射角为15°,距土壤表面30 cm;探头视场角为8°,垂直放置于目标物正上方,距土样表面15 cm。土样置于直径15 cm的容器中,装满后将土壤表面刮平。每个样品转动3次,每个方向测定3条样本线,共12条,去掉异常线后取算术平均作为该土样的光谱反射值,并以标准白色参考板获取相对反射率。

    • 土壤水分光谱反演过程中数据处理与模型建立流程见图 1。首先对光谱反射率进行预处理,为消除颗粒分布不均匀及颗粒大小产生的散射影响,采用多元散射校正 (multiplicative scatter correction, MSC) 进行光谱反射率数据处理,9点加权移动平均法[16]对数据进行平滑去噪处理,并且对数据进行重采样,得到10 nm间隔的光谱反射率[17]。然后,根据对实测土壤光谱吸收特征的分析,并结合其他研究者的结论,土壤水分吸收波段在近红外主要位于1 400、1 900 nm附近[18-19],因此利用包络线消除法提取这两个波段的吸收特征参数,包络线消除处理采用ENVI软件来实现。通过包络线消除后可以提取以下几个典型吸收特征[20]:(1) 最大吸收深度D,定义为吸收峰中最大吸收值 (即1-最小反射值);(2) 吸收峰总面积A,定义为吸收峰的积分面积;(3) 面积归一化最大吸收深度DA,定义为吸收峰中最大吸收值与吸收峰总面积的比值;(4) 吸收峰左面积LA,定义为以吸收峰中最小反射波长处为临界点,其左边的吸收峰积分面积;(5) 吸收峰右面积RA,定义为以吸收峰中最小反射波长处为临界点,其右边的吸收峰积分面积;(6) 对称度S,定义为吸收峰左面积与吸收峰右面积的比值;(7) 吸收波段波长位置P,定义为吸收峰中最小反射值对应的波长。

      图  1  土壤水分光谱反演流程图

      Figure 1.  Flowchart of Soil Moisture Spectral Inversion

      根据计算过程简单,最终建立的模型实用性强的原则,本文采用一元线性、对数、指数、幂函数分析建立土壤含水量与吸收特征参数之间的预测模型,模型的预测精度采用预测值和观测值间的决定系数R2、均方根误差 (root mean squared error,RMSE) 和相对分析误差 (residual prediction deviation,RPD) 来衡量。R2越大,RMSE越小,说明模型的精度越高[21]。另外,RPD的评价标准采用文献[22]提出的阈值划分方法,当RPD>2时表明模型具有极好的预测能力,当1.4 < RPD < 2时表明模型可对样品作粗略估测,而RPD < 1.4则表明模型无法对样品进行准确预测。

    • 图 2为不同含水量土壤样本的光谱反射率及吸收特征曲线图。由图 2(a)可以看出,在低于田间持水量的土壤水分水平下,黄绵土土壤光谱反射率随土壤水分含量增加而减小。土壤光谱曲线总体变化比较平缓,光谱特征在形态上相似。土壤样本间的光谱差别主要为490 nm附近的吸收峰深度及1 400、1 900和2 200 nm附近的3个吸收峰的位置及深度。前者主要是由土壤有机质、铁及土壤机械组成引起的,后者主要由土壤水分吸收光谱能量差异引起的。通过对光谱反射率曲线去包络处理,得到反映土壤水分状况的吸收特征曲线 (见图 2(b)),从图 2(b)中能够清晰地看到特征吸收峰。从土壤的光谱吸收特征曲线可以看出,1 400、1 900 nm附近的水吸收峰值的波段位置随着土样水分含量的增加向长波方向偏移,而2 200 nm附近的吸收峰位置没有明显偏移。在3个水分吸收带中,1 900 nm附近吸收最强烈,吸收峰的深度最深,吸收峰面积也最大;2 200 nm附近吸收最弱,吸收峰深度最小,吸收峰面积也最小。因此,可以提取1 400和1 900 nm附近的吸收特征参数进行土壤水分反演。

      图  2  不同含水量土壤光谱曲线及其吸收特征曲线

      Figure 2.  Spectral Curves and Spectral Absorption Characteristic Curves of Different Soil Moisture

    • 利用土壤包络线消除提取的光谱吸收特征参数与水分含量的相关分析结果见表 12表 12中,**表示在0.01水平 (双侧) 上显著相关。由表 12可知,除对称度S没有达到显著检验水平外,其他的光谱吸收特征参数与水分含量之间的相关性都通过了0.01极显著性检验水平。其中,1 900 nm附近的吸收特征参数,相关系数达到0.95以上的指标有最大吸收深度D、吸收峰左面积LA、吸收峰右面积RA、吸收总面积A、面积归一化最大吸收深度DA;只有吸收波段波长位置P的相关性差一些,两者之间的相关系数小于0.90。1 400 nm附近的吸收特征参数除吸收峰左面积LA、面积归一化最大吸收深度DA和吸收波段波长位置P的相关系数小于0.95外,其他的吸收特征参数与水分的相关系数也大于0.95。其中,相关性最好的为最大吸收深度D、吸收峰右面积RA和吸收总面积A,都呈正相关;对称度S和面积归一化最大吸收深度DA与水分含量呈负相关关系。1 900 nm处的光谱吸收特征参数与水分的相关性整体优于1 400 nm。总之,土壤光谱吸收特征参数与水分含量的相关分析,说明光谱吸收特征参数具有定量评价土壤水分含量的潜力。

      表 1  土壤包络线消除光谱吸收特征参数与水分含量的相关分析 (1 900 nm)

      Table 1.  Correlation Analysis Between Absorption Characteristics Parameters of Continuum-Removed Spectra of Soil and Moisture Content (1 900 nm)

      光谱吸收特征参数 D1 900 LA1 900 RA1 900 A1 900 S1 900 DA1 900 P1 900
      水分含量 0.971** 0.974** 0.963** 0.968** -0.048 -0.966** 0.893**

      表 2  土壤包络线消除光谱吸收特征参数与水分含量的相关分析 (1 400 nm)

      Table 2.  Correlation Analysis Between Absorption Characteristics Parameters of Continuum-Removed Spectra of Soil and Moisture Content (1 400 nm)

      光谱吸收特征参数 D1 400 LA1 400 RA1 400 A1 400 S1 400 DA1 400 P1 400
      水分含量 0.960** 0.916** 0.959** 0.962** -0.027 -0.908** 0.880**
    • 分别以表 12中的10个 (相关系数大于0.90) 吸收特征参量为自变量,土壤水分含量为因变量,进行一元线性、对数、指数、幂函数分析,建立土壤水分含量预测模型,其结果如表 3所示。所有的预测模型都通过了0.01的F检验,大部分模型的R2都大于0.90。其中,以D1 900为自变量建立的幂函数和一元线性方程,R2大于0.94,其次为对数函数和指数方程;以LA1 900为自变量建立的一元线性、对数方程和幂函数方程的R2均大于0.94,仅指数方程R2略小于0.90;RA1 900A1 900的幂函数方程的R2均大于0.94,其次为一元线性和对数方程;以DA1 900为自变量建立的方程R2介于0.94和0.91之间;以D1 400为自变量建立的对数方程、以RA1 400A1 400为自变量建立的幂函数方程的R2均大于0.94,其次,以D1 400为自变量建立的一元线性和幂函数方程、以LA1 400为自变量建立的对数方程、以RA1 400A1 400为自变量建立的一元线性和对数方程、以DA1 400为自变量建立的幂函数和指数函数方程的R2均在0.94和0.91之间。上述方程的R2均大于0.90,且差值小于0.05,说明这些模型的建模精度均较高。

      表 3  土壤含水量反射光谱预测模型 (n=182)

      Table 3.  Soil Spectral Reflectance-Based Model for Prediction of Soil Moisture (n=182)

      自变量 模型 方程 R2
      D1 900 一元线性 y=47.849x-5.032 9 0.943
      对数 y=14.207lnx+27.136 0.937
      y=66.074x1.675 9 0.948
      指数 y=1.550 4e5.509x 0.909
      LA1 900 一元线性 y=11.232x-3.028 7 0.948
      对数 y=12.394lnx+8.961 9 0.951
      y=7.752 8x1.448 4 0.944
      指数 y=1.985e1.279x 0.894
      RA1 900 一元线性 y=4.462 5x-2.564 2 0.927
      对数 y=11.832lnx-1.435 6 0.929
      y=2.269 2x1.396 8 0.941
      指数 y=2.074 6e0.511 3x 0.885
      A1 900 一元线性 y=3.008 6x-2.903 2 0.938
      对数 y=12.186lnx-6.943 1 0.939
      y=1.190 9x1.434 7 0.946
      指数 y=1.999 1e0.344 3x 0.893
      DA1 900 一元线性 y=-1 124.7x+93.943 0.933
      对数 y=-84.1lnx-208.38 0.933
      y=8×10-11x-9.787 0.919
      指数 y=159 252e-131.4x 0.926
      D1 400 一元线性 y=121.99x-2.343 2 0.922
      对数 y=12.207lnx+ 38.79 0.948
      y=246.86x1.415 9 0.927
      指数 y=2.173 9e13.765x 0.853
      LA1 400 一元线性 y=36.399x+1.257 7 0.839
      对数 y=9.208 8lnx+24.215 0.922
      y=44.902x1.059 3 0.887
      指数 y=3.318 2e4.037 5 0.751
      RA1 400 一元线性 y=10.316x + 0.251 2 0.920
      对数 y=8.898 1lnx+11.554 0.928
      y=10.519x1.052 4 0.943
      指数 y=2.882 2e1.175 3x 0.868
      A1 400 一元线性 y=7.733 4x+0.052 7 0.926
      对数 y=9.272 7lnx+8.701 3 0.939
      y=7.514 6x1.089 3 0.942
      指数 y=2.835 9e0.876 1x 0.864
      DA1 400 一元线性 y=-409.43x + 43.901 0.825
      对数 y=-35.86lnx-79.593 0.849
      y=0.000 2x-4.385 0.924
      指数 y=572.32e-50.48x 0.911
    • 为了检验所建立的土壤水分含量预测模型的可靠性和适应性,利用不同时间采集的独立样本,采用决定系数R2、预测均方根误差 (root mean squared error of prediction,RMSEp) 以及相对分析误差RPD对模型进行检验,将RPD值大于1.0的检验结果列于表 4。由表 4可知,预测效果最好的是以D1 900RA1 900为自变量建立的一元线性和对数模型及以A1 900D1 400A1 400为自变量建立的对数模型,这些模型的验证R2均大于0.95,RMSEp均小于1.5%,而RPD值均大于4。另外,以LA1 900为自变量建立的对数模型、以A1 900DA1 900为自变量建立的一元线性模型、以RA1 400为自变量建立的一元线性和对数模型验证效果也较好,这些模型的R2处于0.93~0.9 5之间,RMSEp均小于2.0%,而RPD值在3以上;其次为以D1 900RA1 400为自变量建立的幂函数、以D1 400A1 400为自变量建立的一元线性模型、以DA1 900LA1 400为自变量建立的对数模型、以DA1 400为自变量建立的指数模型,其R2处于0.93~0.90之间,RMSEp在3.0%以下,RPD均大于2.0。以上这些模型的验证R2均大于0.9,RPD均大于2.0,RMSEp小于3.0%。以上结果说明这些模型具有较好的拟合度,可以作为土壤水分含量的反演模型。对建模与验证过程进行比较发现,土壤水分与吸收特征参数之间的幂函数关系稳定性相对较差。此外,建模集与验证集数据是不同时间采集的独立样本,表明预测模型具有很好的普适性。

      表 4  模型的验证结果 (n=104)

      Table 4.  Validation Results of the Model (n=104)

      自变量 模型 R2 RMSEp/% RPD
      D1 900 一元线性 0.96 1.499 4.235
      对数 0.96 1.432 4.433
      0.93 2.674 2.375
      指数 0.86 6.014 1.056
      LA1 900 一元线性 0.89 4.140 1.534
      对数 0.94 1.961 3.237
      RA1 900 一元线性 0.96 1.393 4.558
      对数 0.95 1.459 4.352
      0.94 2.047 3.101
      A1 900 一元线性 0.95 1.89 3.344
      对数 0.96 1.318 4.814
      0.92 3.083 2.059
      DA1 900 一元线性 0.95 1.946 3.261
      对数 0.95 2.017 3.146
      指数 0.86 5.043 1.259
      D1 400 一元线性 0.92 2.586 2.454
      对数 0.97 1.328 4.781
      0.88 4.342 1.462
      LA1 400 对数 0.90 2.908 2.183
      RA1 400 一元线性 0.93 1.692 3.752
      对数 0.93 1.816 3.495
      0.92 1.823 3.482
      A1 400 一元线性 0.93 2.419 2.624
      对数 0.96 1.299 4.885
      0.92 3.097 2.049
      AD1 400 0.92 4.083 1.554
      指数 0.90 2.274 2.791

      根据斜率越接近于1,截距越接近于0,趋势线就与预测值和实测值的1:1线越接近,预测效果就越好[5]的原则来挑选土壤水分含量最佳预测模型。将104个验证样本的实测水分含量与不同光谱吸收特征参数建立的最优预测模型 (建模和验模时方程的R2>0.9,RPD>2.0,RMSEp < 3.0%) 的预测值进行比较,可知以D1 900RA1 900为自变量的一元线性模型和以A1 900A1 400为自变量的对数模型的预测值与实测值的回归线 (虚线) 的斜率在0.99~1.1之间,截距小于0.5,与实测值和预测值的1:1线 (实线) 非常接近 (见图 3),因此认为这些模型的预测效果最佳。综上所述,预测土壤水分含量的最佳模型为以D1 900RA1 900为自变量的一元线性模型和以A1 900A1 400为自变量的对数模型,这些模型可以对土壤水分含量进行准确的预测。

      图  3  土壤水分含量测量值与预测值的比较

      Figure 3.  Comparison of the Measured Value and Predicted Value of Soil Moisture Content

    • 本文利用包络线消除法提取了1 400、1 900 nm附近水分吸收波段的14个吸收特征参数,对土壤水分含量与14个高光谱吸收特征参数进行相关分析。结果表明,除对称度S外,其他的光谱吸收特征参数与水分含量之间呈极显著相关,特别是最大吸收深度和吸收面积这两个参数与土壤水分含量的相关性最强,这与其他研究者的结论一致[12]。并且,1 900 nm处的光谱吸收特征参数与水分的相关性整体优于1 400 nm,主要是由于水分对1 900 nm的吸收比1 400 nm更强[23]。同时,本文研究的土壤样本的水分含量与吸收特征参数之间的相关性及所建立的模型的决定系数明显高于其他研究者的研究结果[12]。一是由于本文只是针对单一类型土壤——黄绵土进行研究,而其他研究者研究的是较大区域采集的多种类型的土壤,而不同类型的土壤,其结构和性质不同,因而土壤水分含量和光谱吸收特征参数之间的相关性减弱,所建立的模型的效果也受到影响;二是因为本文实验在土壤风干过程中不同时间进行土壤光谱和水分数据测量,使土壤样本水分含量形成了一定的梯度,从而增强了二者之间的相关性,因而所建立的模型更好一些。

      利用相关性较好的10个吸收特征参数对土壤水分含量进行预测研究,结果表明1 900 nm处的最大吸收深度能够对土壤水分含量进行很好的预测,这与文献[5, 24]的结论一致。此外,吸收面积由于综合了吸收深度和宽度信息[20],对土壤水分含量非常敏感,预测时精度较高,说明光谱吸收面积也能够对土壤水分含量进行很好的预测。本文实验采用自然状态土壤样本进行研究,土壤没有经过研磨、过筛,在土样风干过程中同时进行光谱和水分含量测定,没有经过水分配比过程,从而土壤的结构没有太大的改变[25],研究结果更具实用价值,并且节省了大量的人力、物力。本文进行模型验证时采用的是不同地块、不同时间采集的样本数据,增强了反演模型的可靠性和适应性。但是,这一方法对于不同类型、不同区域的更大范围的土壤水分含量反演是否适用,还需要进一步探索。

    • 本文在黄绵土土壤自然风干过程中测定其水分含量和高光谱反射率,利用包络线消除法提取1 400、1 900 nm处土壤水分吸收特征参数,在对土壤水分含量与光谱吸收特征参数进行相关分析的基础上,进行土壤水分含量光谱反演,得出如下结论。

      1) 与土壤水分含量相关性最好的光谱吸收特征参数为最大吸收深度和吸收总面积、吸收峰右面积、吸收峰左面积,1 900 nm处的光谱吸收特征参数与水分的相关性优于1 400 nm。

      2) 土壤水分含量的最佳预测模型为以D1 900RA1 900建立的一元线性模型和以A1 900A1 400建立的对数模型,这些模型的建模和验证R2均大于0.92和0.95,RPD值均大于4,RMSEp均小于1.5%。

      应用高光谱数据,结合包络线消除法,选择最大吸收深度和吸收面积,可以进行黄绵土土壤水分含量快速、准确反演,为精准农业地表土壤水分快速测定提供参考。

参考文献 (25)

目录

    /

    返回文章
    返回