基于高光譜與電磁感應技術的干旱區綠洲土壤含水量反演研究

寧 娟， 丁建麗， 楊愛霞，蘇 雯 ，李 煥，曹 雷，繆 琛，地力夏提·艾木熱拉

(1.新疆大學 資源與環境科學學院，新疆 烏魯木齊 830046；2.綠洲生態教育部重點實驗室，新疆 烏魯木齊 830046)

綠洲是干旱、半干旱地區一種獨特的生態單元，依托水分條件，以荒漠為基質發育形成的各種植被生態體系，是維系干旱地區人類生存、活動與發展的基本場所[1]。土壤含水量作為植物生長的重要基礎，是氣象、生態、農業等研究應用領域的主要參數之一，特別是在干旱、半干旱綠洲區域，在兩個關鍵季節(干季和濕季)，土壤含水量程度和狀況往往有較大的差異，對該區域的農業發展具有不可忽視的影響[2]。因此，如何高效、準確地獲取關鍵季節的土壤含水量信息，對干旱、半干旱綠洲區域的生態與經濟可持續健康發展起著至關重要的作用。

隨著遙感技術的出現，解決了傳統技術無法滿足的大面積土壤含水量快速監測需求的瓶頸。其中，高光譜技術其光譜分辨率高、使地物在不同波長范圍內的反射值有較大差異，從而為土壤含水量遙感定量反演提供了可能[3]。國內的鄭小坡等[4]、王秀君等[5]以及國外的Pan M等[6]、Younis等[7]基于近地面高光譜來研究土壤含水量，其范圍限于土壤含水量較高的區域，對于較低的土壤含水量難以準確地反演，這需要將遙感技術與其它技術相結合，綜合進行定量研究。

電磁感應儀(EM38)因其具有快速、實時及非破壞性等優點，被廣泛用于土壤理化性質的調查研究中。Hossain等[8]通過驗證不同高度的EM38深度響應函數，建立了土壤體積含水量與土壤表觀電導率的回歸模型，對根區土壤含水量進行了較準確的預測。Misra R K等[9]、Huang J等[10]和蔣志云等[11]分別在棉花地、農田和農牧交錯帶退耕地利用 EM38 測量土壤表觀電導率，并與土壤含水量進行回歸建模，結果顯示土壤水分與土壤表觀電導率(ECa)具有顯著相關性，且土壤含水量預測結果較可靠。目前，國內主要將電磁感應技術應用于土壤含鹽量的測定、土壤鹽分空間異質性分析以及土壤剖面電導率預測等方面[12-4],土壤水分探測及預報方面并不多見，尤其是將電磁感應技術與遙感技術相結合，對兩個關鍵季節的土壤含水量進行精確反演，從而獲取干旱區綠洲土壤含水量變化規律的研究報道較為少見。

本文以渭干河-庫車河綠洲為研究對象，首先利用EM38所測得的土壤表觀電導率與實測土壤含水量進行回歸分析，將土壤含水量EM38解譯值代替土壤含水量實測值，參與后續建模運算中。其次，從室外實測光譜與土壤含水量EM38解譯值入手，采用光譜特征指數的方法選取敏感波段特征指數，利用偏最小二乘回歸分析方法，建立高光譜土壤含水量預測模型。最終將Landsat8遙感影像各采樣單元波段反射率代入預測模型，對土壤含水量狀況進行反演，并對土壤含水量預測值進行精度評估，從而為精確、快速獲取土壤含水量信息提供參考。

1 材料與方法

1.1 研究區概況

渭干河-庫車河綠洲位于新疆天山南麓、塔里木盆地北緣，隸屬于阿克蘇地區，包括庫車、沙雅、新河三縣，地理位置位于東經82°10′～83°50′,北緯41°06′～41°40′之間；屬于溫帶大陸性干旱氣候，天然植被以蘆葦(Phragimitesaustralis)、檉柳(Tamarixramosissima)、駱駝刺(Allhagisparisifolia)、花花柴(Karelinacaspica)和鹽爪爪(Kalidiumgracile)等為主。該區域的年均降水量僅有43.1mm，而年均蒸發量高達1992.0～2863.5mm，蒸發量遠遠大于降水量，干燥系數為44.37，多年平均氣溫10.2～15.1℃，屬于干旱與極端干旱地區。該區是庫車、沙雅和新和三縣經濟發展的核心地帶，經濟結構以農業為主，屬于典型的綠洲灌溉農業區，主要經濟農作物以棉花、小麥、玉米為主。灌溉水源主要來自渭干河和庫車河，此外還有少量的水來自塔里木河、泉水。由于地下水位高，土地下層構成物顆粒細，透水性差，造成該區土壤鹽漬化現象比較普遍，主要表現在土壤次生鹽漬化面積不斷擴大、土壤肥力下降、沙丘移動等。

圖1 研究區地理位置圖及采樣單元分布圖 Fig.1 Geographical position map of study area and distribution of sampling points

1.2 數據采集

野外樣本采集時間是在2015年4月下旬和9月下旬，土壤樣本的光譜采集是運用美國ASD Field spec3 便攜式地物波譜儀，其波長范圍為350～2500nm。觀測時風力小于3級，云量小于5%，且太陽輻射強烈，觀測時間為北京時間13∶00～16∶00。光譜測量時，光譜儀探測頭垂直于土壤表面，距土樣表面約20cm，視場角為25°[15]。按照五點梅花狀進行土壤樣本的采集,每個土樣采集10次，將每個土樣測得的10條光譜平均得到該土樣的實際光譜反射率，再將5個采樣點之和求平均即得到采樣單元的土壤光譜反射率。在光譜數據測量結束后，運用EM38電磁感應儀，獲取每個采樣單元的表觀電導率數據,每個采樣單元選取測量點49個，將49個點測量值的平均值作為該采樣單元表觀電導率的真實值。測量結束后，取土壤表層0～10cm的土樣帶回實驗室，各采樣單元的土壤實測數據值均為一個采樣單元內5個采樣點之和求平均，用烘干箱將土樣烘干并測定土壤含水量。實驗最終獲取的采樣單元有84個，下文統稱為樣本，如圖2所示。

圖2 采樣單元EM38測量Fig.2 The measurement points at a site

1.3 數據預處理

1.3.1 實測高光譜數據預處理 運用ViewSpecPro軟件對土壤樣本的反射光譜進行平均值的計算，得到土壤樣本的光譜反射率，為了突出光譜特征值，消除噪聲的影響，運用OriginPro 9.0軟件，選用Savitzky-Golay濾波平滑法對土壤光譜反射率進行平滑去噪處理，同時剔除水汽吸收影響嚴重的波段，剔除的波段為：1346～1462，1796～1970和2406～2500nm。

1.3.2 遙感數據獲取和預處理 本研究采用Landsat8 的OLI_TRIS數據，軌道號為145/031,獲取時間分別為2015年4月26日和2015年9月17日。選取OLI傳感器的前7個波段影像，采用ENVI下的FLAASH模塊對影像進行大氣輻射校正。接著以經過幾何精校正的2010年遙感影像圖為基準，對2015年4月和2015年9月的影像進行校正，誤差均在0.5個像元以內。

1.4 光譜數據的建模方法

光譜重采樣是指將地面實測或波譜庫的光譜數據匹配到其它已知傳感器的波譜或波譜源中[16]。本文將ASD光譜儀所測得的光譜反射率重采樣為Landsat8反射率，從而進行模型的遙感反演。在前人研究的基礎上[17], 本文采用對與Landsat8相應的波段進行均值處理的方法，獲取與Landsat8各波段相對應的實測高光譜反射率值，參與接下來的光譜特征指數提取，光譜重采樣方法如表1所示。建模采用特征指數法以及偏最小二乘回歸方法(partial least square regress，PLSR)。

特征指數法是地物參數進行遙感反演的一種常用方法，通過特定的波段組合可以消除背景噪聲的影響，從而提高地物參數遙感反演的精度[18]。在不同的特征指數法中，比值形式A/B、差值形式A-B和歸一化形式(A-B)/(A+B)這3種特征指數，由于運算簡便被廣泛使用，本文分別對兩兩波段進行以上3種特征指數提取，為后續土壤含水量建模提供光譜參量。

偏最小二乘回歸方法是將主成分分析和方差分析引入傳統的回歸分析中，在自變量存在嚴重多重相關性的條件下以及樣本點個數少于變量個數的條件下，能夠通過篩選出對因變量具有最佳解譯能力的成分，剔除無解譯能力的信息，從而提高模型的反演精度。

表1 光譜重采樣方法

1.5 估測模型構建及驗證

本文采用干、濕季土壤樣本共84個，其中建模樣本集56個，驗證樣本集28個。將波段平均反射率按上述3種方式進行波段組合，選擇出與土壤含水量相關性大的光譜參數，在The Unscrambler 10.3軟件中，利用偏最小二乘回歸方法對土壤含水量進行預測估計。檢驗模型精度的指標為統計量F值、決定系數R2、建模集決定系數Rc2、驗證集決定系數Rp2、建模集均方根誤差(RMSEc)、驗證集均方根誤差(RMSEp)以及殘留預測偏差(RPD)。當統計量F值大于理論臨界值Fa時，估算方程顯著，且F值越大，R2越高，RMSE越小，表明模型估算的準確性越高，反之則模型估算的準確性越差。RPD是統計預測值和實測值相關性大小的指標，是樣品實測值的標準差(SD)與RMSE的比值。當RPD小于1.4時，模型預測精度極差；當RPD在1.4～2.0時，預測精度尚可；當RPD大于2.0時，預測精度極佳[19]。

1.6 遙感影像反演方法

在遙感影像上獲取的采樣點光譜反射率中，土壤和植被的光譜反射率會同時存在于像元中，然而土壤含水量高光譜估算模型是只考慮純土壤的一種估算模型，因此為了提高土壤含水量遙感反演的精度，需剔除遙感影像上的植被光譜信息。

目前，線性模型是使用較廣泛的混合像元分解模型，其中又以像元二分模型最為常見[20]。本文就利用像元二分模型對原始影像中的植被光譜信息進行剔除，從而準確獲取土壤光譜反射率。剔除植被光譜后的像元二分模型為：

rsa=(ra-Fvrva)/F

(1)

Fs=1-Fv

(2)

Fv=(NDVI-NDVImin)/(NDVImax-NDVImin)

(3)

式中，ra為混合像元光譜反射率；rsa和rva分別為土壤和植被在波段a時的光譜反射率；Fv和Fs分別為植被和土壤所占像元比例。NDVImin和NDVImax分別為遙感影像上的NDVI最小值和最大值。

先將遙感影像上NDVI值小于0的水體去除，再計算出影像中NDVImin和NDVImax，運用上述公式，計算出像元中的土壤光譜反射率。通過對遙感影像進行混合像元分解處理，剔除植被光譜干擾，得到遙感影像土壤光譜反射率值，運用到后續遙感建模反演土壤水分的工作中。

2 結果與分析

2.1 EM38數據解譯

EM38測量原理主要是依靠儀器前端的接受線圈，接受儀器后端的發射線圈所產生的原生磁場及次生磁場，通過建立原生磁場及次生磁場的相對關系，從而獲得土壤綜合表觀電導率ECa。EM38包含垂直偶極和水平偶極兩種探測模式，其探測深度分別為1.5m和0.75m，測得的垂直與水平土壤表觀電導率分別為ECV和ECH。分別對研究區干季42個、濕季42個EM38采樣單元的表觀電導率測定值ECV和ECH進行相關性分析，如圖3所示，二者的相關性較高，表明EM38測定數據準確，研究結果可信度較高。

分別以干季42個、濕季42個土壤含水量為因變量，以EM38垂直模式與水平模式測得的土壤表觀電導率為自變量，建立干、濕季節下的土壤水分回歸模型。由圖4可看出，無論是干季還是濕季，土壤水分與ECV和ECH存在較好的非線性關系，相關系數R2均達到0.65以上，其中，對于研究區干、濕兩季的土壤含水量擬合效果最好的均是以ECH為自變量的指數回歸模型，因此，本文后續所用的土壤含水量均是由該模型計算得出。

圖3 干、濕季ECV和ECH的相關性關系Fig.3 Relationship between electromagnetic apparent conductivity ECV and ECH in dry and wet seasons

圖4 干、濕季實測土壤含水量與土壤表觀電導率ECV和ECH的指數回歸模型Fig.4 Regression and exponential regression model between ECV and ECH in dry and wet seasons

2.2 土壤含水量高光譜建模分析

通過表1高光譜重采樣得到的波段數據，利用比值形式A/B、差值形式A-B和歸一化形式(A-B)/(A+B)3種單一光譜特征指數，對高光譜反射率進行計算。通過相關性分析，選取通過0.05顯著性檢驗的光譜參數，最終利用比值形式A/B得到28個敏感光譜參數、利用差值形式A-B得到20個敏感參數、利用歸一化形式(A-B)/(A+B)得到32個敏感參數。

分別利用干季42個、濕季42個經EM38解譯的土壤含水量數據作為因變量，3種單一光譜特征指數獲取的敏感波段參數作為自變量，運用PLSR方法，分別建立干、濕季土壤含水量高光譜估測模型，結果如表2所示。在濕季，3種單一光譜特征指數建立的模型和利用差值形式A-B建立的土壤含水量模型，建模精度最高，Rc2為0.662和Rp2為0.583，這可能是由于本研究區緯度較低，雖然處于秋季，但日照時間長，土壤含水量較高。在干季，利用歸一化形式(A-B)/(A+B)所建立的土壤含水量預測模型，建模集及預測集的決定系數R2最高，Rc2為0.616和Rp2為0.543，這可能是由于該季節為研究區的春旱期，降水稀少，蒸發強烈，該區域土壤表層含水量較低所致。

由于研究區采樣點大多處于綠洲荒漠交錯帶，比值、差值、歸一化這3種單一的光譜特征指數所構建的土壤含水量高光譜預測模型，在一定程度上很可能反映研究區實際的土壤水分含量。因此，接下來本文嘗試將比值、差值、歸一化3種單一的光譜特征指數結合起來，干、濕季分別選取40個和41個光譜參量，建立基于多種光譜特征指數的土壤含水量模型。從表2中可以看出，利用多種光譜特征指數建立的模型，建模精度與3種單一光譜特征指數相比，建模集與驗證集的決定系數R2均有了顯著提高。濕季的Rp2達到0.715，干季Rp2達到0.679；均方根誤差RMSE也有較大幅度的減少，RMSEp為0.455%，干季的RMSEp為0.524%；干、濕季RPD分別為2.28和2.13，模型均達到較高預測精度。

如圖5所示，基于多種光譜特征指數所建土壤含水量預測模型，干、濕季的Rp2均高于0.6，RMSEp低于0.6%，PRD大于2，并且土壤含水量預測值與實測值都大致均勻地分布在1∶1線附近，證明利用多種光譜特征指數能夠作為有效手段估算干旱區綠洲土壤含水量。

表2 土壤含水量偏最小二乘回歸模型

圖5 干、濕季土壤含水量EM38解譯值與土壤含水量預測值相關關系Fig.5 Relationship between soil moisture content of EM38 interpreted and model predicted

2.3 土壤含水量遙感反演

在遙感影像上確定野外采集的84個采樣點，將各個采樣點的對應波段反射率代入多種光譜特征指數模型中，從而反演研究區土壤含水量分布。從圖6可看出，綠洲內部土壤含水量高于綠洲外圍，濕季的土壤含水量明顯高于干季，干季土壤含水量大部分都低于15%，而在濕季土壤含水量大部分都高于15%。在干季，綠洲北部土壤持水能力較強，因此該區域土壤含水量較高，而在綠洲南部及外圍區域，由于降水稀少，植被覆蓋度低，導致該區域土壤含水量較低；濕季土壤含水量明顯增加，在綠洲內部，由于降水充沛，加上人工灌溉頻繁，植被覆蓋度較高，因此綠洲內部土壤含水量較高，而在綠洲外圍，植被稀少，土壤質地主要以粉砂壤土為主，其土壤孔隙度小，透水性差，持水能力差，因此該區域土壤水分含量較低。這與研究區實際情況相一致。

利用遙感影像中反演的采樣點土壤含水量，與實際采樣點土壤含水量做精度檢驗，如圖7所示，干季土壤含水量統計量F值為1.38，預測決定系數R2為0.610，RMSE為0.638%，濕季土壤含水量統計量F值為1.60，預測決定系數R2為0.695，RMSE為0.601%，依據上文精度評價標準可知，干、濕季土壤含水量預測模型精度較高，證明利用電磁感應技術與高光譜相結合能夠對土壤含水量進行較精確的反演。

圖6 干、濕季土壤含水量遙感反演空間分布圖Fig.6 Spatial distribution patterns of apparent soil moisture content across the study area during two critical seasons of dry and wet based on remote sensing inversion

圖7 土壤含水量實測值與遙感反演值的比較Fig.7 Comparison between the soil moisture content based on remote sensing inversion and measurements

3 結 論

本文通過對EM38所測電導率與干、濕季土壤含水量進行相關性分析，并建立指數回歸模型，將EM38水平模式解譯的土壤含水量作為后續建模因變量，再將高光譜數據重采樣為Landsat8反射率，并進行光譜特征指數提取。通過選擇敏感波段，確定特征參數作為模型自變量，利用偏最小二乘方法進行土壤含水量高光譜模型估算，最終實現遙感與近感相結合的干旱區土壤含水量空間分布反演研究。所得結論如下：

(1)通過對研究區干、濕季EM38電導率與實測土壤含水量的相關性分析，表明干、濕季EM38水平模式土壤表觀電導率與土壤含水量所建指數模型精度較高，相關系數R2均達到0.65以上。因此，利用EM38水平模式所解譯出的土壤含水量作為后續建模因變量是可行的。

(2)對重采樣的高光譜數據，提取干、濕季敏感特征參數共81個，利用偏最小二乘回歸方法，將比值、差值、歸一化以及多種特征光譜參數分別作為自變量，將EM38解譯出的土壤含水量作為因變量，建立研究區干、濕季土壤含水量高光譜估算模型。最優模型為利用多種光譜特征指數所建土壤含水量估算模型，其干、濕季的Rc2大于0.7，并且Rp2大于0.6，RMSE均小于0.5%，RPD均大于2，證明該模型能夠較精確地對干旱區綠洲土壤含水量進行估算。

(3)利用遙感反演土壤含水量分布，結果表明干季土壤含水量大部分都低于15%，而在濕季土壤含水量大部分都高于15%，綠洲內部由于土壤持水能力強且灌溉頻繁，因此土壤含水量高于綠洲外圍，這與研究區實際情況相一致。將遙感影像中反演的采樣點土壤含水量與實際采樣點土壤含水量做相關性分析，結果發現，干、濕季土壤含水量反演精度較高，決定系數R2均大于0.5，且RMSE均小于0.7%。表明在干旱區綠洲，將電磁感應技術與高光譜技術相結合能夠實現對土壤含水量的精準、高效監測。

本文嘗試利用EM38水平模式表觀電導率解譯數據代替實測土壤含水量數據，結合三種單一的光譜特征指數建立土壤含水量預測模型，其結果符合實際土壤含水量分布規律，對于電磁感應技術與高光譜技術相結合監測土壤含水量的方法，進行了初步的探索研究。單一的光譜特征指數所構建的土壤含水量高光譜預測模型，在一定程度上較難反映研究區實際的土壤水分含量，因此本文嘗試利用多種光譜特征指數建立預測模型，預測精度有所提高。由于本文僅利用單1a的實測數據，因此土壤含水量預測模型具有一定的局限性，在今后的研究中盡量采用多年實驗數據，以期實現區域土壤含水量實時、動態、精準監測。

參考文獻：

[1] 姚遠, 丁建麗, 雷磊, 等. 干濕季節下基于遙感和電磁感應技術的塔里木盆地北緣綠洲土壤鹽分的空間變異性[J]. 生態學報, 2013, 33(17): 5308-5319.

[2] 徐馳, 曾文治, 黃介生, 等. 基于高光譜與協同克里金的土壤耕作層含水率反演[J]. 農業工程學報, 2014, 30(13): 94-103.

[3] 游先祥.遙感原理及其在資源環境中的應用[M].北京:中國林業出版社,2003:63-67.

[4] 鄭小坡, 孫越君, 秦其明, 等. 基于可見光-短波紅外波譜反射率的裸土土壤含水量反演建模[J]. 光譜學與光譜分析, 2015, 35(8):2113-2118.

[5] 王秀君, 陳健. 基于LST_EVI特征空間的土壤水分含量反演[J]. 遙感技術與應用,2014,29(1):46-53.

[6] Pan M, Sahoo A K, Wood E F. Improving soil moisture retrievals from a physically-based radiative transfer model[J]. Remote Sensing of Environment, 2014, 140: 130-140.

[7] Younis S M Z, Iqbal J. Estimation of soil moisture using multispectral and FTIR techniques[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18(2): 151-161.

[8] Hossain M B, Lamb D W, Lockwood P V, et al. EM38 for volumetric soil water content estimation in the root-zone of deep vertosol soils[J]. Computers and Electronics in Agriculture, 2010, 74(1): 100-109.

[9] Misra R K, Padhi J. Assessing field-scale soil water distribution with electromagnetic induction method[J]. Journal of Hydrology, 2014, 516: 200-209.

[10] Huang J, Scudiero E, Choo H, et al. Mapping soil moisture across an irrigated field using electromagnetic conductivity imaging[J]. Agricultural Water Management, 2016, 163: 285-294.

[11] 蔣志云, 李小雁, 張志華, 等. 基于 EM38 電導率儀土壤水分探測研究[J]. 干旱區研究, 2015, 32(1): 48-55.

[12] 彭杰, 遲春明, 向紅英, 等. 基于連續統去除法的土壤鹽分含量反演研究[J]. 土壤學報, 2014, 51(3):459-469.

[13] 云安萍, 鞠正山, 胡克林, 等. 基于距離反比法的土壤鹽分三維空間插值研究[J]. 農業機械學報, 2015,12(2):21-30.

[14] 孫永猛, 丁建麗, 瞿娟, 等. 應用電磁感應和遙感的新疆綠洲區域尺度鹽漬土識別[J]. 農業工程學報, 2012, 28(20): 180-187.

[15] 賴寧, 李新國, 梁東. 開都河流域下游綠洲鹽漬化土壤高光譜特征[J]. 干旱區資源與環境, 2015,(2): 151-156.

[16] 姜海玲,楊杭,陳小平,等.利用光譜指數反演植被葉綠素含量的精度及穩定性研究[J]. 光譜學與光譜分析,2015,35(4):975-981.

[17] 李萍, 趙庚星, 高明秀, 等. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演[J]. 土壤學報, 2015, 52(6): 1262-1272.

[18] 顧燕, 張鷹, 李歡. 基于實測光譜的潮灘土壤含水量遙感反演模型研究[J]. 濕地科學, 2013, 11(2): 167-172.

[19] Rossel R A V, McGlynn R N, McBratney A B. Determining the composition of mineral-organic mixes using UV-vis-NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006, 137(1): 70-82.

[20] 李向婷, 白潔, 李光錄, 等. 新疆荒漠稀疏植被覆蓋度信息遙感提取方法比較[J]. 干旱區地理, 2013, 36(3): 502-511.