土壤水分是影响农业生产的重要因素之一, 对农作物生长发育情况和最终产量起着关键的作用, 然而农业用水浪费现象普遍存在, 预计至2020年我国灌溉水利用系数仅为0.55, 远低于0.7~0.8的世界先进水平, 因此准确有效地判断土壤含水量丰缺情况对农业生产实践具有重要意义, 光谱技术利用物体特征谱线的不同, 能够同时获取目标的图像信息和光谱信息, 从而更直观地表达目标的特征, 从而精确、 快速、 无损地对土壤水分的含量进行动态的检测, 该技术极大地促进了农业的精准化、 智能化和现代化, 在土壤水分含量检测中占有重要地位。 文章综述了国内外土壤水分含量检测的最新文献, 对基于光谱技术的土壤水分含量检测的研究进展进行了系统地讨论, 分析了传统方法的不足, 并阐述了光谱成像技术的优势: (1)实时性; (2)无损性; (3)精确性; 及其在土壤水分含量检测中的局限性: (1)土壤的构造复杂; (2)泛化能力不足; (3)气候条件制约。 重点阐述了光谱在土壤水分检测中的三个关键技术: (1)光谱数据预处理技术, 重点对比了常见的预处理技术原理及其效果; (2)光谱特征提取技术, 对比了常见的特征光谱提取方法, 重点分析了土壤水分的敏感波段; (3)光谱建模技术, 重点对比了土壤水分含量检测的线性和非线性模型, 分析其原理、 应用范围及模型精度, 得出非线性模型将成为光谱技术在土壤水分含量检测的主流建模方法。 最后依据上述分析, 对光谱技术在土壤水分检测领域中的应用前景和研究趋势进行了展望: 一是要提高该技术的泛化能力和鲁棒性, 建立可用于多种土壤类型的水分检测模型; 二是要建立大范围区域并动态实时更新的土壤光谱数据库, 为提高模型精度做好数据基础。

准确估算土壤含水量(SMC),对干旱区的精准农业、水资源管理具有重要意义。针对传统估算方法和野外测量耗时、费力的问题,通过无人机平台获取新疆阜康市冬小麦样地的高光谱影像数据,分别利用一阶导数、二阶导数、吸光度、吸光度一阶导数(FDA)、吸光度二阶导数对原始高光谱数据进行预处理;采用随机森林(RF)、梯度提升回归树(GBRT)和极端梯度提升(XGBoost)三种算法进行特征变量重要性遴选,基于地理加权回归(GWR)建立模型。结果表明:FDA的预处理效果最佳,以FDA-GBRT为基础的模型效果最优,建模集与验证集的决定系数(R2)分别为0.890、0.891,四分位数间隔为3.490;GBRT算法相较于RF和XGBoost算法优势较为突出,多数模型建模集与验证集的R2均大于0.600;GWR模型对SMC的预测建模有效,可为干旱区农业生态系统的管理与保护提供理论支撑。

土壤含水量的变化情况与时空分布对热量平衡、 农业墒情等具有显著的影响。 利用反射率光谱信息反演土壤含水量的研究, 可为实现土壤含水量速测、 揭示土壤含水量时空变异规律提供科学依据。 构建不同含水量黑土土壤反射率光谱半经验模型, 深入探究土壤重量含水量与反射率光谱的关系。 制备了12种不同湿度的土壤样品。 采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。 利用菲涅耳反射率建立土壤表面反射模型; 在以往的研究中, Kubelka-Munk (KM)模型中的漫反射率R∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。 通过研究发现, 漫反射率R∞不仅与材料和波长有关, 还与土壤含水量相关。 利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R∞的关系, 并基于KM理论对体散射分量进行建模; 进而构建不同含水量黑土土壤反射率光谱半经验模型。 根据实际测量数据选用最小二乘算法对模型参数进行反演, 并通过分析反演参数简化模型。 最后, 将未参与建模的不同含水量梯度的数据代入模型中, 验证模型的有效性。 结果表明: 对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现, 含水量为200 g·kg-1的土壤反射率光谱的均方根误差最大, 为0.008, 含水量为40 g·kg-1的土壤反射率光谱的均方根误差最小, 为0.000 6, 不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。 在400～2 400 nm波段范围内, 不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008, 1 920 nm波长处的预测均方根误差最小, 为0.002 062。 采集长春地区的土壤检验模型的可靠性, 配制15个不同含水量样品并对其进行反射率光谱测量。 选取9个样品数据用于建模, 6个样品数据用于验证。 结果表明: 在400～2 400 nm波段范围内, 不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015, 525 nm波长处的预测均方根误差最小, 为0.000 922 5。 综上所述, 所建立的模型具有很高的预测精度, 可很好地适用于不同含水量黑土土壤反射率光谱的模拟。

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据, 难以获得剖面上精细且连续的水分含量分布图。 研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）, 并实现精细制图的可行性。 研究剖面位于江苏省东台市, 我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测, 共采集了280个土样用于烘干法测定SMC。 原始高光谱图像经数字量化值（DN）校正、 黑白校正、 拼接、 几何校正、 剪切和掩膜等一系列预处理后, 提取各采样点的平均光谱反射率。 提取光谱（Raw）经吸光度［LOG10(1/R)］, Savitzky-Golay平滑（SG）、 一阶微分（FD）、 二阶微分（SD）、 多元散射校正（MSC）和标准正态变量（SNV）转换后, 采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型, 并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。 结果表明, 光谱反射率随SMC增加逐渐降低, 不同光谱预处理方法的预测精度有所差异, 除MSC方法外, 同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型, 并且基于LOG10(1/R)光谱的LS-SVM模型对SMC预测精度最高, 其建模集的决定系数（R2c）和均方根误差（RMSEc）分别为096和065%, 预测集的决定系数（R2p）、 均方根误差（RMSEp）和相对分析误差（RPDp）分别为088, 105%和288。 利用最优模型进行剖面SMC的高空间分辨率精细制图, 通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 085～095, RMSE: 094%～102%）, 且两者在剖面中的变化趋势基本一致, 说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息, 也可反映出同一位置处不同天数间的含量差异。 因此, 利用近红外高光谱成像结合优化的预测模型, 能够实现土壤剖面SMC的定量预测及精细制图, 有助于快速、 有效监测田间剖面土壤水分状况。

为了更加精确地分析土壤光谱中不同水分吸收带内的光谱吸收特征参数在估测土壤水分含量(SMC)中的重要性,以新疆渭干河-库车河绿洲为研究区,采集38个土壤样本进行土壤光谱反射率及SMC的测定。利用去包络线消除法提取反射光谱水分吸收特征参数,包括最大吸收深度D、吸收谷右面积R_a、吸收谷左面积L_a、吸收谷总面积A、面积归一化最大吸收深度D_A和对称度S, 将反射光谱水分吸收特征与SMC进行相关性分析,通过随机森林方法对光谱水分吸收特征参数进行分类,获取各参数对SMC的重要性。运用多元逐步回归模型建立SMC反演模型。结果表明:D、A与SMC的相关性最高,同时2200 nm及1400 nm波段范围内的光谱吸收特征参数与SMC的相关性优于1900 nm波段范围内的光谱吸收特征参数;对SMC影响较为重要的前5个参数分别为D₂₂₀₀、L_a2200、A₂₂₀₀、D₁₉₀₀和R_a2200;SMC的最佳预测模型是采用A₂₂₀₀、D₂₂₀₀建立的多元逐步回归模型,其建模集决定系数为0.88,建模集均方根误差为2.08,测试集决定系数为0.89,预测均方根误差为2.21,相对分析误差为2.80。随机森林分类能得到对土壤含水量影响较为重要的光谱水分特征参数,为干旱区精准土壤水分快速估测提供了新方法。

土壤含水量是干旱区地表水-热-溶质耦合运移的关键指标;以干旱区典型样点实测土壤含水量及其室内可见光-近红外光谱数据作为数据集,通过蒙特卡罗交叉验证确定77个有效样本;基于竞争适应重加权采样算法筛选出最优光谱变量子集,利用3种机器学习方法——BP神经网络、随机森林回归和极限学习机建立土壤含水量预测模型,进而实现土壤含水量估算模型的优选。结果表明:竞争适应重加权采样算法能有效剔除无关变量,从2151个光谱波段中优选出20个特征波段,其中R₁₈₄₈与土壤含水量的最大相关系数为0.531;引入偏最小二乘模型和机器学习方法进行对比,分析发现机器学习方法的预测结果比偏最小二乘模型更高;分析比较BP神经网络、随机森林回归和极限学习机的建模结果可知:极限学习机模型建模在机器学习方法中的效果最佳,决定系数R²=0.918,均方根误差RMSE=0.015,相对分析误差RPD=3.123,四分位数间隔RPIQ=3.325;机器学习能显著提升光谱建模反演土壤含水量的精度和稳定性,显示出其在非线性问题中具有很强的透析力和较好的模型稳健性,针对干旱区土壤水分的精准预测和定量估算具有可行性,可为干旱区土壤墒情、精准农业等研究提供科学参考。

土壤水分含量(SMC)的快速估测能促进干旱、半干旱地区精准农业的发展。以渭干河-库车河绿洲为研究区,采用小波变换对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,并对原始反射率至最大分解层数以内的各层特征光谱进行9种常规数学变换处理,然后将土壤反射率与SMC进行相关性分析,并从每层特征光谱的各种变换中筛选出相关系数最大的波段,将其作为敏感波段,通过灰色关联分析(GRA)从中筛选出最佳波段组合,利用偏最小二乘回归建立SMC预测模型并进行分析。结果显示:在小波变换过程中,随着分解层数增加,土壤反射率与SMC的相关性呈先增后减的趋势,L6处通过0.01水平下的显著性波段最多, L6的特征光谱在去噪的同时还能最大限度地保留光谱细节,为本研究中的最大分解层;将小波变换和微分变换相结合可以深度挖掘光谱的潜在信息,提高土壤反射率与SMC之间的关联度;根据所有SMC模型的统计参数综合对比分析可以确定基于L-GRA建立的模型精度最优,其建模集均方根误差为0.026,建模集决定系数为0.710,预测均方根误差为0.030,验证集决定系数为0.965,相对分析误差为2.800;小波变换和灰色关联分析的结合在建立模型时能尽可能少地损失光谱细节,较为彻底地去除噪声,同时还能对无信息变量进行有效去除。