枸杞土壤含水量间接光谱估测模型

吴娟　何月红　黄涛　吕林涛　刘自增

摘要为定量分析叶片高光谱不同波段反射率特征值与土壤含水量之间关系，并为构建枸杞作物土壤含水量快速、高效、准确的预测模型提供理论依据。以银川市试验基地枸杞为试验对象，测定实验室叶片光谱反射率，利用多元线性回归和多元逐步回归方法提取反射光谱特征指标，建立土壤水分含量的高光谱预测模型。结果表明，基于754、1 844、1 855和1 900 nm波段反射率特征值的多元线性回归模型对土壤水分的反演准确性较低，R²=0.326；以673、1 893、1 872 nm波段反射率为特征值的多元逐步回归分析法可以较好地预测土壤含水量，R²=0.716，模型方程为Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X₁₈₇₂，该模型在预测土壤含水量方面具有较好的准确性且输入量少的优点，可以为土壤含水量预测模型提供参考。

关键词土壤水分；高光谱数据；线性回归；逐步回归

中图分类号X833文献标识码A

文章编号0517-6611（2023）11-0171-03

doi：10.3969/j.issn.0517-6611.2023.11.041开放科学（资源服务）标识码（OSID）：

Indirect Spectral Estimation Model of Wolfberry Soil Water Content

WU Juan HE Yue-hong HUANG Tao et al（1.Ningxia Institute of Remote Sensing Survey & Mapping（Ningxia Remote Sensing Center）， Yinchuan，Ningxia 750001;2.Zhongning County Wolfberry Industry Development Service Center， Yinchuan，Ningxia 750001）

AbstractIn order to quantitatively analyze the relationship between leaf hyperspectral reflectance characteristics of different bands and soil water content， and provide a theoretical basis for constructing a fast， efficient and accurate prediction model of soil water content of wolfberry crops. In this paper， the experimental base of Yinchuan wolfberry as the experimental object， laboratory spectral reflectance was determined， using multiple linear regression and multiple stepwise regression method to extract reflectance spectral characteristics， hyperspectral prediction model of soil moisture content was established. The results show that the multiple linear regression model based on reflectance characteristic values of 754，1 844，1 855 and 1 900 nm bands has low inversion accuracy for soil moisture，R2=0.326; the multiple stepwise regression analysis method with 673， 1 893 and 1 872 nm band reflectance as characteristic values can better predict soil water content， R2=0.716. The model equation is：Y=25.001-56.485X673-115.923X1 893+100.631X1 872.The model has good accuracy and less input in predicting soil water content， which can provide reference for soil water content prediction model.

Key wordsSoil moisture;Hyperspectral data;Linear regression;Stepwise regression

土壤水分是土壤一項重要的理化性质，直接影响土壤中的物质和能量运移以及地表作物的水、肥、气、热等条件的变化，是作物生长状况监测的重要指标，在作物生长发育中起着不可替代的作用［1-3］。因此，快速、准确、高效地监测农田土壤水分一直是研究的重点。

传统的土壤水分监测方法主要包括烘干法、中子水分仪法、张力计法和时域反射仪（TDR）法等［4-6］，上述方法普遍以人工单点测定为基础，尽管具有测定精度高和操作简单的优点，但是数据范围有限、工作量大、时效性差，难以满足大范围﹑实时的土壤水分监测需求［7］。近年来，随着遥感技术飞速发展，通过遥感技术获取植被和土壤的光谱反射特性，使大范围、高精度的快速监测土壤水分动态成为可能，弥补了传统土壤水分监测方法的缺点，成为研究的热点［8］。随着高光谱与土壤水分关系的研究，光谱数据处理技术日趋成熟。研究表明，350～2 500 nm波长范围内的高光谱反射率可以反映土壤水分特征值的细微差异，进而反演土壤水分含量。国内外学者［9-11］已得出较为一致的结论，在一定的土壤含水量范围内，土壤光谱反射率随着土壤水分的增加而减小；当土壤水分达到阈值时，土壤光谱反射率随土壤水分的增加而上升。金慧凝等［12］以黑土作为研究对象，利用去包络线方法提取反射光谱特征指标，得到以1 920 nm波段反射率为自变量建立的一元线性回归模型；何挺等［13］基于1 450和1 925 nm黄土和沙子的光谱特征参数，建立了相应的土壤水分预测模型。目前，基于高光谱数据的土壤水分预测已经取得了显著的成果，但仍有许多问题需要进一步研究。现有的光谱-土壤湿度预测模型大多基于单一的特征参数，参与变量较少时不能充分反映全局变量，建立多参数谱-土壤水分预测模型已成为必然趋势。

该研究以银川枸杞试验基地土壤样品为研究对象，设置了不同等级的土壤水分含量，获得了4个土壤水分区间的样品。测定实验室叶片光谱反射率，采用多元线性回归和多元逐步回归方法提取光谱反射率特征值，分析土壤水分吸收谷和光谱特征波段，建立土壤水分和高光谱预测模型之间的关系，以期研究利用光谱特征参数预测土壤水分潜力，为快速测定土壤水分提供新的方法。

1材料与方法

1.1试验区概况试验在银川市郊区芦花台花园试验基地的温室内进行。该地区属中温带干旱气候区，年平均气温8.5 ℃，有效积温3 135～3 272 ℃≥10 ℃，昼夜温差10～15 ℃，日照时数3 032 h，日照度67%，年降水量180～200 mm，无霜期180 d。棚内施肥、修剪等管理措施与田间管理一致。该区域枸杞田属于盐碱地，地下水位为1.2～1.8 m， pH 8.67～8.84，土壤总盐为0.72～1.90 g/kg，土壤有机质为8.37 g/kg，土壤总氮为0.34～0.52 g/kg，水解氮为9.92～47.70 mg/kg，全钾19.70 g/kg，速效磷和速效钾含量分别为2.30～44.20和18.60～37.90 mg/kg。该试验采用盆栽枸杞，试验品种为“宁杞1号”，树龄为4 a。试验时间为2020—2021年，2020年4月上旬，选择12株生长相同的枸杞树进行裸根移植，每个花盆里装16 kg土壤用于栽培。

1.2试验设计田间滴灌的最佳灌水量为4 kg/株为中等灌水量，设4个处理，过度灌溉（中灌125%）、中灌、轻度干旱（中灌75%）、中度干旱（中灌50%），每个处理重复3次，灌水频率为7 d。为了保证数据的代表性，选择枸杞盆栽植物进行统一生长。每盆施肥时间和施肥量相同，各枸杞树的管理措施相同。光谱数据、土壤水分和土壤温度在整个生育期进行测量，每个生育期测量2～3次。为了保证数据的准确性，选择枝干上健康的叶片来测量光谱数据。

1.3監测指标

1.3.1光谱测量仪器和方法。采用美国ASD公司生产的便携式野外监测仪对温室枸杞冠层进行光谱测定。该检测仪的波段范围为350～2 500 nm，光谱分辨率为3 nm。选择晴朗无风的天气，在10：00～14：00进行光谱测量。探针距离样品15 cm。每个样品以3°视场角垂直照射5次，平均后得到样品的光谱反射率。在光谱采集过程中，每测试9个样品用白板进行校准。选取发育完全叶片上、中、下3部分的光谱反射率，取其平均值作为测量组的光谱反射率。在测量过程中，叶片室放置刀片夹，然后刀片夹紧以确保叶片水平和测量区域是相同的，以消除背景反射造成的影响以及光谱波动引起的叶片表面弯曲和叶片的内部变化。

1.3.2土壤水分测定。采用便携式土壤温度、水、盐、pH测速仪测定枸杞样品植株的土壤含水量。该仪器通过测量土壤的介电常数来反映真实的土壤含水量，测量精度为±2%。

1.4数据处理利用ViewSpecPro光谱数据处理软件对每个土壤样品的光谱曲线断点进行修正，然后通过Microsoft Office Excel 2010求算出5条光谱曲线平均值，作为对应样品的光谱反射率。由于受多种人为及外界因素的影响，光谱曲线存在大量噪声。为了减少毛刺噪声的影响，使光谱曲线更加平稳，采用5点加权移动平均方法对光谱曲线进行降噪处理。

1.5土壤含水量光谱特征分析为了防止异常样本对试验结果造成影响，叶片的光谱反射率数据样本分类根据含水量的顺序从小到大，通过绘制散点图观察光谱反射曲线的趋势并消除异常样本。将剩余72个土壤样品按含水量分为4个等级：5%～10%、10%～15%、15%～20%、＞20%，样本数分别为10、14、32、16个。计算各等级样品的平均光谱反射率，绘制叶片光谱曲线，如图1所示。

从图1可知，在350～1 400 nm波段，土壤含水量在15%～20%的叶片光谱反射率最高，其余等级的光谱反射率随土壤含水量的增加而下降，即土壤含水量与叶片光谱反射率在一定波段之间呈负相关性，这与现有的研究一致［3］。不同土壤含水量的叶片光谱曲线有3个较大的吸收峰，分别位于900、1 100和1 250 nm附近；在670～720 nm波段中反射率急剧上升，相反在1 340～1 460 nm波段间光谱急剧下降；且由于大气水汽吸收的强烈影响，在1 800～1 960和2 334～2 500 nm波段光谱曲线变动剧烈，而在720～1 340 nm波段光谱曲线变动平缓。在整个350～2 500 nm波段中可以明显看出土壤含水量的变化会造成叶片光谱反射率大小的变化，但并不会引起趋势性变化。

2结果与分析

2.1选取特征因子利用SPSS软件对4种等级的土壤含水量和350～2 500 nm波段的叶片光谱反射率进行显著性分析，最终选出下列31个土壤含水量光谱特征因子（表1）。其中754、1 844、1 855和1 900 nm波长与土壤含水量的显著性均低于0.05，754和1 844 nm波长的显著性最低，达到0.042。

2.2土壤含水量多元线性回归反演模型多元线性回归方法（REG）的主要思想是根据预测时间前一定时期模型的预测效果，总结出预测值与实测值之间的函数关系，不同的训练次数校正具有不同的预测效果［14］。该研究选用72个样本进行训练，可以更好地构建回归模型。多元线性回归方程的整合中，需要有多个关键参数，根据表1选取754、1 844、1 855和1 900 nm波长的特征因子为关键参数，利用SPSS软件进行回归计算，构建土壤水分估测模型，公式如下：

Y=21.508-3.167X₇₅₄+0.375X_{1 844}-9.34 X_{1 855}-19.47X_{1 900}（1）

式中：Y为土壤含水量的估测值，%；X₇₅₄为光谱在754 nm波长处的光谱特征因子， nm；X_{1 844}为光谱在1 844 nm波长处的光谱特征因子， nm；X_{1 855}为光谱在1 855 nm波长处的光谱特征因子， nm；X_{1 900}为光谱在1 900 nm波长处的光谱特征因子， nm。

根据72个样品的光谱特征因子，利用公式（1），计算样品的土壤含水量，进而得到实测土壤含水量与多元线性回归估值的组合图，如图2所示。结合4种光谱特征值的多元线性回归模型的R²为0.326，相关性较低。这说明利用多元线性回归模型高光谱信息对土壤含水量进行间接估测的效果较差。

2.3土壤含水量多元逐步回归分析反演模型多元逐步回归分析（SMLR）是一种选择回归变量的数学方法。按照一定的显著性水平筛选有统计学意义的波长，然后进行多元线性回归计算。具体操作是逐个选择回归变量，选择条件是偏回归平方和显著。每选取一个新变量后，对所选取的所有变量逐一进行显著性检验，剔除不显著的变量。引入或拒绝变量的过程不断重复，直到引入的变量不能被消除，不能引入新的参数为止，逐步回归的过程结束［15］。

利用多元逐步回归分析方法对350～2 500 nm波段的叶片光谱反射率数据进行计算和处理，建立土壤含水量预测高光谱模型。所选特征值均在0.05水平通过显著性检验。基于反射率光谱反射率，利用SMLR拟合，模型中选取了3个变量，分别为673、1 893、1 872 nm波长，所获得模型精度较高，R2为0.716，公式如下：

Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X_{1 872}（2）

式中：Y为土壤含水量的估测值，%；X₆₇₃为光谱在673 nm波长处的光谱特征因子， nm；X_{1 893}为光谱在1 893 nm波长处的光谱特征因子，nm；X_{1 872}为光谱在1 872 nm波长处的光谱特征因子，nm。为进一步检验模型的可靠性以及预测精度，利用15个测试样本的叶片高光谱数据对基于光谱反射率的最佳模型进行了验证。利用公式（2）计算土壤样本含水量的预测值，绘制土壤含水量的实测值与预测值的散点图，其拟合方程为y=0.872 7x+1.349 9，方程R²为0.765 3，说明利用高光谱反射率间接预测土壤含水量是可行且有效的（图3）。

3结论

该研究通过探讨不同波段叶片光谱反射率土壤含水量之间的关系，采用多元线性回法和多元逐步回归分析法实现了对土壤含水量的间接预测，旨在为土壤含水量预测提供一种新方法。

（1）基于叶片光谱反射率的多元线性回归反演模型对于间接预测土壤含水量效果较差，决定系数仅为0.326。

（2）基于叶片光谱反射率的多元逐步回归分析法可以较好地预测土壤含水量，决定系数达到0.716，模型方程为：Y=25.001-56.485X₆₇₃-115.923X_{1 893}+100.631X_{1 872}，该模型在预测土壤含水量方面具有较好的准确性，可为准确、快速的土壤含水量估算技术提供参考。

（3）土壤水分的高光谱间接预测模型受数据获取时段以及土壤类型影响。该研究仅在宁夏银川对该方法的可行性和有效性进行了初步探讨，未在其他区域验证方法。因此，有必要对不同土壤类型和不同时期的数据进行深入研究，进一步验证该模型的适用性。

参考文献

［1］ 王启元，赵艳玲，房铄东，等.基于多光谱遥感的裸土土壤含水量反演研究［J］.矿业科学学报，2020，5（6）：608-615.

［2］ 冯珊珊，梁雪映，樊风雷，等.基于无人机多光谱数据的农田土壤水分遥感监测［J］.华南师范大学学报（自然科学版），2020，52（6）：74-81.

［3］ 翟浩然，李西灿，钟浩，等.耕层土壤含水量间接光谱估测模型［J］.中国农学通报，2020，36（11）：86-91.

［4］ 赵宇飞，王长沙.常用土壤含水量测定方法的原理及比较［J］.园艺与种苗，2017，37（10）：70-73.

［5］ 潘宁，王帅，刘焱序，等.土壤水分遥感反演研究进展［J］.生态学报，2019，39（13）：4615-4626.

［6］ 馬春芽，王景雷，黄修桥.遥感监测土壤水分研究进展［J］.节水灌溉，2018（5）：70-74，78.

［7］ 刘影，姚艳敏.土壤含水量高光谱遥感定量反演研究进展［J］.中国农学通报，2016，32（7）：127-134.

［8］ 崔兆韵，吴茜.山东潮盐土土壤含水量高光谱特征分析及预测方法［J］.农技服务，2020，37（11）：117-121.

［9］ LOBELL D B，ASNER G P.Moisture effects on soil reflectance［J］.Soil science society of America journal，2002，66（3）：722-727.

［10］ LIU W D，BARET F，GU X F，et al.Relating soil surface moisture to reflectance［J］.Remote sensing of environment， 2002，81（2/3）：238-246.

［11］ 程街亮，纪文君，周银，等.土壤二向反射特性及水分含量对其影响研究［J］.土壤学报，2011，48（2）：255-262.

［12］ 金慧凝，张新乐，刘焕军，等.基于光谱吸收特征的土壤含水量预测模型研究［J］.土壤学报，2016，53（3）：627-635.

［13］ 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.

［14］ 潘锦秀，晏平仲，孙峰，等.多元线性回归方法对北京地区PM2.5预报的改进应用［J］.中国环境监测，2019，35（2）：43-52.

［15］ 高如泰，陈焕伟，李保国，等.基于BP神经网络的土壤水力学参数预测［J］.土壤通报，2005，36（5）：641-646.