熊靜玲 朱西存? 高華光 于瑞陽 溫 新

（1 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安 271018）

（2 中國國家博物館，北京 100006）

夯土齊長城由泥土夯筑而成，土壤水分對夯土結(jié)構(gòu)具有重要影響，土壤含水率過高會造成夯土穩(wěn)定性降低，進(jìn)而引起墻體局部坍塌等問題［1-4］。因此，對夯土齊長城進(jìn)行土壤含水率估測研究，對齊長城遺址的保護(hù)具有重要意義。傳統(tǒng)的稱重法、中子法和張力計(jì)法等土壤含水率測定方法，雖然精度較高，但工作量大、耗費(fèi)時(shí)間長，要求條件較為苛刻［5-7］。高光譜技術(shù)具有數(shù)據(jù)信息豐富、高效無損等特點(diǎn)，彌補(bǔ)了傳統(tǒng)測定方法上的不足。近年來國內(nèi)外學(xué)者將其廣泛應(yīng)用于土壤理化性質(zhì)估測研究中，因此，它已經(jīng)逐漸成為高效獲取土壤含水率的重要手段之一。

在利用高光譜數(shù)據(jù)估測土壤含水率的研究過程中，學(xué)者們發(fā)現(xiàn)土壤含水率光譜的響應(yīng)波段是建立反演模型估算土壤含水率的關(guān)鍵［8-10］。已有研究表明，通過對土壤高光譜數(shù)據(jù)進(jìn)行微分、對數(shù)、倒數(shù)、包絡(luò)線去除等變換，可以增強(qiáng)光譜數(shù)據(jù)與土壤含水率之間的相關(guān)性，能有效地對比和篩選出敏感波段。劉偉東等［11］使用相對反射率法、一階微分法、差分法等對土壤水分進(jìn)行預(yù)測，結(jié)果發(fā)現(xiàn)反射率對數(shù)的一階微分預(yù)測效果較好；尹業(yè)彪等［12］采用包絡(luò)線且一階微分法對土壤原始光譜反射率進(jìn)行處理，提高了土壤含水率估測模型的預(yù)測精度；姚艷敏等［13］對土壤原始光譜反射率進(jìn)行對數(shù)、倒數(shù)、一階微分以及反射率倒數(shù)的一階微分、對數(shù)的一階微分變換，對比不同預(yù)處理后光譜反射率與土壤含水率之間的相關(guān)系數(shù)，發(fā)現(xiàn)對數(shù)的一階微分變換后其相關(guān)系數(shù)最大；史舟等［14］采用多種方法對光譜數(shù)據(jù)進(jìn)行預(yù)處理，通過對后期預(yù)測效果的比較發(fā)現(xiàn)SG平滑加一階微分?jǐn)?shù)據(jù)轉(zhuǎn)換方法最佳；鄧孺孺等［15-16］提出了土壤樣品粒度對土壤反射率具有較大影響，申艷等［17］通過研究證明利用多元散射校正可以消除該影響。近年來，國內(nèi)外學(xué)者發(fā)現(xiàn)多元散射校正方法可以消除樣品粒度不同產(chǎn)生的散射影響，進(jìn)而消除不同光譜之間的物理散射信息差異［18-19］，但關(guān)于利用MSC方法校正過的光譜是否可以更加準(zhǔn)確地進(jìn)行波長優(yōu)選的比較研究卻很少。因此，本研究以夯土齊長城遺址土壤為研究對象，對原始反射率進(jìn)行Lg(R)′和MSC +Lg(R)′兩次預(yù)處理，進(jìn)而對兩次預(yù)處理之后的光譜數(shù)據(jù)和土壤含水率進(jìn)行相關(guān)分析，對比兩者之間的差異，篩選出土壤含水率的敏感波段。最終建立土壤含水率SVM估測模型，實(shí)現(xiàn)對齊長城土壤含水率的快速無損監(jiān)測。

1 材料與方法

1.1 土壤樣品采集

研究區(qū)為青島市黃島區(qū)夯土齊長城遺址，其地理坐標(biāo)為35°35′～36°08′N，119°30′～120°11′E，夯土齊長城由多種類型泥土夯筑而成。

于2017年8月24—27日進(jìn)行土樣采集。首先，在齊長城中心線上每隔50 m選定一個(gè)點(diǎn)，然后，垂直于該點(diǎn)在齊長城遺跡兩側(cè)每隔20 m選定一個(gè)采樣點(diǎn)，最終確定24個(gè)采樣點(diǎn)，如圖1所示。每個(gè)樣點(diǎn)取1 kg左右的新鮮土樣裝入采樣袋中密封編號，每個(gè)采樣點(diǎn)取兩份樣品。

圖1 夯土齊長城土壤樣點(diǎn)分布圖Fig. 1 Soil sampling site Great Wall Dynasty Great Wall distribution map of the Qi Dynasty

1.2 土壤含水率測定

常規(guī)的光譜測量是先將土壤進(jìn)行研磨、自然風(fēng)干等一系列處理，然后設(shè)計(jì)不同含水量的土壤樣品，這樣的測量方法存在一些問題，土壤經(jīng)過處理后破壞了土壤結(jié)構(gòu)，并且最終建立的模型預(yù)測精度也存在較大的差異［20-21］。因此，為避免這些問題，本研究在采集土樣的同時(shí)采用烘干法來獲取原始土樣的含水量。首先將干燥干凈的鋁盒稱重，記為W1；然后將50 g左右土樣置于鋁盒中，蓋后稱重，記為W2，去蓋放入烘箱中，105℃條件下烘至恒重；最后取出放干燥器冷卻至恒溫，立即稱重，記為W3。計(jì)算公式為：

1.3 土壤高光譜測定

利用地物波譜儀對土壤樣本進(jìn)行光譜測定，測定儀器為美國ASD FieldSpec4便攜式地物波譜儀，波譜儀波段范圍為350～2 500 nm，350～1 000 nm波段范圍內(nèi)光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm波段范圍內(nèi)為2 nm，光譜分辨率為8 nm。重采樣間隔為1 nm，輸出波段數(shù)為2 151個(gè)。在一個(gè)能控制光照條件的暗室內(nèi)，將土壤樣本放于半徑為5 cm、深為2 cm的器皿中，裝滿之后用直尺將土壤樣本表面刮平。儀器的光源采用功率為50 W的鹵素?zé)簦庠淳嚯x土樣中心30 cm。將光纖探頭固定于三腳架上，探頭的視場角為25°，距離土壤表面15 cm。測試之前先進(jìn)行白板校正。測定時(shí)每個(gè)樣品按90°旋轉(zhuǎn)3次，每次采集5個(gè)土樣光譜值，最后取20次平均值作為該土樣的反射光譜數(shù)據(jù)。

1.4 光譜數(shù)據(jù)預(yù)處理

為驗(yàn)證MSC對優(yōu)選敏感波長的作用，采用Lg(R)′和MSC+Lg(R)′對原始光譜數(shù)據(jù)進(jìn)行兩次預(yù)處理。MSC算法如下：

式中，i = 1,2，…，n；n為樣本數(shù)；j表示第j個(gè)波長。

1.5 建模方法

支持向量機(jī)算法最早是由Vladimir N.Vapnik和Alexey Ya.Chervonenkis在1963年提出，在90年代得到迅速發(fā)展和完善，目前的版本是Corinna Cortes和Vapnik在1995年發(fā)表。支持向量機(jī)的基本思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的最佳超平面［22-23］。在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。通過多次訓(xùn)練進(jìn)行參數(shù)優(yōu)選，利用DPS數(shù)據(jù)處理軟件確定該模型的參數(shù)，核函數(shù)類型為RBF，Gamma設(shè)置為2，其余各項(xiàng)均為默認(rèn)值。

1.6 模型檢驗(yàn)指標(biāo)

采用決定系數(shù)（R2）、相對誤差（RE）、均方根誤差（RMSE）和相對分析誤差（RPD）對模型進(jìn)行檢驗(yàn)，以驗(yàn)證預(yù)測模型的精度。R2越大、RE和RMSE越小，表明模型估測精度越高；當(dāng)1.5≤RPD＜2.0時(shí)表明模型只能對樣品含量高低進(jìn)行粗略估測，當(dāng)2.0≤RPD＜2.5時(shí)表明模型具有較好的定量預(yù)測能力。

2 結(jié)果與討論

2.1 不同含水率土壤的高光譜特征

土壤是多種成分的復(fù)雜綜合體，其高光譜反射率是由土壤組分及其結(jié)構(gòu)的內(nèi)在性質(zhì)決定的［24-26］。為研究土壤含水率對土壤光譜特征的影響，分別選取含水率為6.16%、8.94%、10.27%、14.10%、18.03%、24.29%的土壤樣本，其高光譜反射率曲線如圖2所示。由圖2可見，不同土壤含水率光譜曲線總體變化相似，但是隨著含水率的增加，土壤高光譜反射率呈現(xiàn)逐漸下降趨勢。對于具體波段而言，不同波段區(qū)間土壤含水率的響應(yīng)特性也會不同。當(dāng)土壤含水率較低時(shí)，隨著土壤含水率的增加，短波紅外波段反射率的變化幅度較大。

圖2 不同含水率的土壤光譜曲線Fig. 2 Soil spectral curve relative to soil moisture content

2.2 土壤原始光譜與MSC預(yù)處理后的比較

原始光譜曲線如圖3所示，各樣本光譜反射率明顯差異較大，光譜間存在基線平移、傾斜等現(xiàn)象，這可能是由土壤顆粒以及土壤樣品裝填密度不同產(chǎn)生的散射影響造成的［27-30］。多元散射校正處理后的光譜曲線如圖4所示，與原始光譜反射率相比，各樣本光譜反射率差異顯著減小，光譜更集中，光譜曲線特點(diǎn)更一致，這說明各樣品的光譜偏移得到了一定的控制。如圖3和圖4所示，校正前后的光譜均保留了土壤樣品的基本光譜特征，在393～790 nm曲線斜率較陡，790～1 350 nm曲線坡度較緩；在1 260 nm、1 686 nm以及2 125 nm附近具有明顯的反射峰，在1 408 nm以及1 910 nm附近具有特征吸收帶。

圖3 土壤原始光譜反射率Fig. 3 Original spectral reflectance of the soil

圖4 MSC預(yù)處理后土壤光譜反射率Fig. 4 Soil spectral reflectance after MSC-pretreatment

2.3 土壤光譜反射率與土壤含水率的相關(guān)性

為研究MSC處理后的光譜是否可以更加準(zhǔn)確地篩選敏感波長，分別對Lg（R）′和MSC+Lg（R）′處理后的光譜反射率與土壤含水率進(jìn)行相關(guān)分析，如圖5和圖6。經(jīng)對比可看出，經(jīng)過MSC處理后，土壤光譜反射率與土壤含水率的相關(guān)性得到了明顯增強(qiáng)。如圖6所示，1 450～1 500 nm、1 850～1 900 nm和2 050～2 100 nm波段范圍內(nèi)，土壤含水率與光譜反射率的相關(guān)性均達(dá)顯著水平。如表1所示，對原始光譜數(shù)據(jù)進(jìn)行MSC+Lg（R）′處理得到7個(gè)相關(guān)性較高的波長，并且其相關(guān)系數(shù)明顯提高，分別為-0.72、-0.71、0.7、-0.7、-0.69、-0.69、0.69；而對原始光譜數(shù)據(jù)進(jìn)行對數(shù)一階微分處理后，僅得到4個(gè)相關(guān)性較高的波長。因此，說明MSC可以對土壤光譜中的非化學(xué)信息進(jìn)行校正，增強(qiáng)與土壤含水率相關(guān)的光譜吸收信息，有利于更加準(zhǔn)確地選取敏感波長。最終選擇1 861 nm、1 866 nm、1 549 nm、1 885 nm、1 871 nm、1 895 nm和2 095 nm作為土壤含水率的敏感波長。

圖5 Lg(R) ′光譜反射率與土壤含水率相關(guān)系數(shù)Fig. 5 Correlation efficient between Lg(R)′spectral reflectance and soil moisture content

圖6 MSC+ Lg(R) ′光譜反射率與土壤含水率相關(guān)系數(shù)Fig. 6 Correlation efficient between MSC+Lg(R)′ spectral reflectance and soil moisture content

2.4 土壤含水率估測模型建立與驗(yàn)證

將本實(shí)驗(yàn)的48組數(shù)據(jù)按照含水率從小到大的順序排列，按4∶1的比例進(jìn)行抽取，即每隔4個(gè)樣本抽取1個(gè)樣本，選取校正集36個(gè)，驗(yàn)證集12個(gè)。

表1 土壤含水率與敏感波長的相關(guān)性Table 1 Correlativity between soil moisture content and sensitive wavelength

為進(jìn)一步探討MSC處理是否能有效提取光譜信息中的微妙信號，更好地選取與土壤含水率有關(guān)的特征波段，分別利用Lg(R)′預(yù)處理后篩選出的波長和MSC+Lg(R)′ 預(yù)處理后篩選出的波長建立SVM回歸模型，對比其模型精度。

利用Lg(R)′預(yù)處理后篩選出的波長1 860 nm、1 872 nm、1 884 nm和2 083 nm建立SVM回歸模型，模型對校正集和驗(yàn)證集的預(yù)測效果如圖7所示。

圖7 基于Lg(R)′預(yù)處理建立的SVM回歸模型Fig. 7 SVM regression model based on Lg(R)′pretreatment

利用MSC+ Lg(R)′預(yù)處理后篩選出的敏感波長1 861 nm、1 866 nm、1 549 nm、1 885 nm、1 871 nm、1 895 nm和2 095 nm建立SVM回歸模型，模型對校正集和驗(yàn)證集的預(yù)測效果如圖8所示，SVM回歸模型的決定系數(shù)Rc2為0.811，RE為0.001，RMSEP為0.019；檢驗(yàn)的決定系數(shù)R2v為0.764，RE為0.062，RMSEP為0.159，RPD為2.671。

圖8 基于MSC+ Lg(R)′預(yù)處理建立的SVM回歸模型Fig. 8 SVM regression model based on MSC+Lg(R)′pretreatment

根據(jù)圖7和圖8，對兩個(gè)模型做對比分析，分別計(jì)算出決定系數(shù)（R2）、相對誤差（RE）、均方根誤差（RMSE）、相對分析誤差（RPD），對模型進(jìn)行檢驗(yàn)，以驗(yàn)證預(yù)測模型的精度。如表2所示。

表2 SVM回歸模型檢驗(yàn)精度對比Table 2 Comparative analysis of SVM regression models in prediction precision

從表2可以看出，基于不同預(yù)處理篩選出的敏感波段建立SVM回歸模型，預(yù)測效果有所差異。利用Lg(R)′ 預(yù)處理后的數(shù)據(jù)建立的模型檢驗(yàn)的決定系數(shù)Rv2為0.679，RE為0.143，RMSEP為0.431，RPD為1.765；而經(jīng)過MSC處理后，建立的模型檢驗(yàn)的決定系數(shù)Rv2為0.764，RE為0.062，RMSEP為0.159，RPD達(dá)到2.671，較Lg(R)′ 預(yù)處理后建立的模型預(yù)測效果更好，說明MSC方法校正過的光譜可以更加準(zhǔn)確地建立土壤含水率估測模型。

3 結(jié) 論

經(jīng)過Lg(R)′以及MSC+Lg(R)′處理后的夯土齊長城土壤光譜反射率的敏感波段主要集中在1 450～1 500 nm、1 850～1 900 nm和2 050～2 100nm范圍內(nèi)，其中1 861 nm、1 866 nm、1 549 nm、1 885 nm、1 871 nm、1 895 nm和2 095 nm處與土壤含水率的相關(guān)系數(shù)最高。將土壤光譜數(shù)據(jù)進(jìn)行MSC預(yù)處理，可以剔除各樣品間由于散射影響造成的基線變化問題，更加準(zhǔn)確地揭示土壤含水率與土壤光譜之間的相關(guān)性，提高敏感波長篩選的準(zhǔn)確度。經(jīng)對比發(fā)現(xiàn)，基于MSC+Lg(R)′ 預(yù)處理建立的SVM回歸模型具有較高的精確度，其檢驗(yàn)?zāi)Ｐ偷腞E為0.062，RMSEP為0.159，RPD為2.671，這進(jìn)一步說明MSC處理可以增強(qiáng)光譜與土壤含水率相關(guān)的吸收信息，可更加準(zhǔn)確地篩選敏感波長。