李鑫星，梁步穩(wěn)，白雪冰，李 娜

1. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2. 承德石油高等專科學(xué)校工業(yè)技術(shù)中心，河北 承德 067000

引 言

土壤是影響農(nóng)業(yè)生產(chǎn)的重要因素之一，是保障農(nóng)作物品質(zhì)、產(chǎn)量和區(qū)域生態(tài)環(huán)境穩(wěn)定的基礎(chǔ)。 目前我國(guó)面臨土壤資源緊張、農(nóng)業(yè)用水資源相對(duì)緊缺等重大挑戰(zhàn)，截至2018年，我國(guó)人均水資源量2 007.57 m3·人-1，不足世界的三分之一，年總用水總量6 110.00億m3，農(nóng)業(yè)用水3 807.00億m3，農(nóng)業(yè)用水占據(jù)全國(guó)總用水量的2/3。 然而，農(nóng)業(yè)用水利用率較低，高效利用水資源已成為農(nóng)業(yè)生產(chǎn)亟待解決的問題[1-3]。 如何節(jié)約土壤水資源，精確地檢測(cè)土壤水分含量，保證作物的生產(chǎn)已經(jīng)成為目前研究的熱點(diǎn)問題。

傳統(tǒng)獲取土壤水分含量的方法包括取樣測(cè)定法(烘干法、核磁共振法等)和定點(diǎn)測(cè)定法(中子儀法、時(shí)域反射儀法等)，雖然可以精確地獲取地面部分區(qū)域的含水量數(shù)據(jù)，但成本高、時(shí)效性差，少量的單點(diǎn)數(shù)據(jù)無法反映全部土壤的含水情況，不適用于農(nóng)業(yè)生產(chǎn)[4-5]。 因此土壤水分含量檢測(cè)亟需從靜態(tài)向動(dòng)態(tài)、實(shí)時(shí)持續(xù)高效的監(jiān)測(cè)，而光譜土壤水分檢測(cè)技術(shù)正適應(yīng)這種發(fā)展的需求。

光譜技術(shù)具有快速性、精確性和無損性等特點(diǎn)[6-7]，近五年來國(guó)內(nèi)外光譜技術(shù)在土壤水分含量檢測(cè)領(lǐng)域應(yīng)用有很多報(bào)道，本文對(duì)光譜技術(shù)在土壤水分含量檢測(cè)中的優(yōu)勢(shì)和局限性進(jìn)行了總結(jié)，闡述了光譜土壤水分含量檢測(cè)的關(guān)鍵技術(shù)并展望其發(fā)展趨勢(shì)，為土壤水分研究提供系統(tǒng)的綜合參考。

1 光譜土壤水分含量檢測(cè)技術(shù)概述

土壤是一個(gè)多因素的綜合系統(tǒng)，在保持其他因素一致的情況下，土壤水分含量對(duì)土壤光譜有著重要的影響，因此，建立特定的波譜組合能夠有效地反映土壤水分含量的變化[8-9]。 基于光譜的土壤水分含量檢測(cè)技術(shù)，可以精確、快速、無損地對(duì)土壤水分含量進(jìn)行實(shí)時(shí)動(dòng)態(tài)的檢測(cè)，其在土壤水分檢測(cè)的研究中表現(xiàn)出非凡的潛力。

1.1 光譜技術(shù)的特點(diǎn)

光譜土壤水分分析技術(shù)是利用土壤介質(zhì)的物理結(jié)構(gòu)和化學(xué)性質(zhì)的不同，有效地檢測(cè)土壤水分含量，與傳統(tǒng)土壤水分含量檢測(cè)方法相比有比較明顯的優(yōu)勢(shì)，是目前獲取土壤水分?jǐn)?shù)據(jù)的最重要手段[10]，具體的優(yōu)勢(shì)表現(xiàn)為以下三個(gè)方面：

(1)實(shí)時(shí)性。 傳統(tǒng)的土壤水分含量檢測(cè)方法需對(duì)特定的坐標(biāo)點(diǎn)進(jìn)行檢測(cè)，效率低、時(shí)效性差，難以對(duì)大面積區(qū)域進(jìn)行檢測(cè)，而光譜技術(shù)可以利用遙感平臺(tái)搭載光譜傳感器快速獲取檢測(cè)區(qū)域的全部土壤光譜信息，并對(duì)含水量進(jìn)行預(yù)測(cè)，達(dá)到實(shí)時(shí)檢測(cè)的效果[11]。

(2)無損性。 光譜土壤水分檢測(cè)技術(shù)僅需要通過傳感器來獲取土壤的光譜信息，無需損害土壤的內(nèi)部物理構(gòu)造和化學(xué)性質(zhì)，保證了土壤水分含量不因檢測(cè)而發(fā)生改變，因此保證了土壤水分含量的準(zhǔn)確性[12]。

(3)精確性。 不同的土壤含水量和土壤中不同物質(zhì)對(duì)應(yīng)光譜反射率曲線中不同的特征吸收峰谷，光譜傳感器可同時(shí)獲取土壤的圖像數(shù)據(jù)和光譜數(shù)據(jù)，并提取土壤光譜數(shù)據(jù)的敏感波段。 由該數(shù)據(jù)建立的土壤檢測(cè)模型較為精確，因此目前已成功應(yīng)用于便攜式土壤含水量傳感器。

1.2 光譜技術(shù)的局限性

(1)土壤的構(gòu)造復(fù)雜。 土壤是由母質(zhì)在氣候、地形、生物等因素經(jīng)過長(zhǎng)時(shí)間形成的復(fù)雜系統(tǒng)，并隨氣候環(huán)境變化而不斷改變，任一影響因子的改變都可能導(dǎo)致土壤光譜的改變，因此土壤光譜具有時(shí)空變異性。 采集的光譜數(shù)據(jù)中包含了較多的干擾物質(zhì)，而研究中僅需利用對(duì)水分敏感性較強(qiáng)的波段。 目前解決辦法均是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，消除其他信息的影響，增強(qiáng)水分敏感波段的光譜特征[13]。

(2)泛化能力不足。 土壤由多種物質(zhì)組成，有機(jī)質(zhì)含量、鹽分含量等和粒徑大小對(duì)光譜有很大影響，不同物質(zhì)的含量會(huì)導(dǎo)致土壤光譜的水分敏感波段的不同，進(jìn)而影響光譜模型的適用性和泛化能力，因此多數(shù)光譜土壤水分檢測(cè)模型僅針對(duì)某一地區(qū)或某種土壤類型進(jìn)行研究[14-15]。

(3)氣候條件制約。 光譜數(shù)據(jù)采集條件要求要高，需要考慮光照、風(fēng)力等天氣的影響，惡劣的氣候條件下采集的數(shù)據(jù)誤差較大，為保證測(cè)量的精確性，采集需要在環(huán)境理想的條件下進(jìn)行。

1.3 光譜技術(shù)的分類

(1)基于光譜分辨率。 針對(duì)光譜分辨能力的不同，光譜可分為多光譜、高光譜和超光譜。 隨著光譜分辨率的不斷提高，可獲得更多的土壤信息，根據(jù)光譜特性的差異更容易判斷土壤水分的豐缺情況[16]。

(2)基于信息獲取方式。 一是通過衛(wèi)星、無人機(jī)等航天航空平臺(tái)攜帶的傳感器采集數(shù)據(jù)，該方法具有獲取數(shù)據(jù)量大，效率高等優(yōu)點(diǎn)，但是易受到氣候環(huán)境的嚴(yán)重影響； 二是使用地物光譜儀或成像高光譜儀直接進(jìn)行光譜數(shù)據(jù)的獲取，該方法獲取的數(shù)據(jù)較為精確，但是采集數(shù)據(jù)速度較慢[17]。

(3)基于波段。 綜述目前國(guó)內(nèi)外光譜土壤水分檢測(cè)技術(shù)的研究現(xiàn)狀，多數(shù)研究者基于可見光—近紅外之間土壤水分含量與光譜的關(guān)系進(jìn)行檢測(cè)，少數(shù)研究者使用熱紅外波段通過輻射平衡估算土壤水分，或通過微波和紫外波段進(jìn)行檢測(cè)[18-20]。

2 光譜土壤水分含量檢測(cè)中關(guān)鍵技術(shù)

了解光譜土壤水分檢測(cè)中的關(guān)鍵技術(shù)并深入探討基于光譜技術(shù)在土壤水分含量檢測(cè)中的可行性十分必要。 第一，對(duì)原始的光譜數(shù)據(jù)預(yù)處理； 第二，提取對(duì)土壤水分敏感的光譜特征； 第三，建立土壤水分含量檢測(cè)模型并進(jìn)行驗(yàn)證。

2.1 光譜預(yù)處理技術(shù)

光譜數(shù)據(jù)的采集和建模過程中存在由不同因素引起的實(shí)驗(yàn)誤差，為建立一個(gè)更加穩(wěn)定、準(zhǔn)確的光譜土壤水分檢測(cè)模型，需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，消除干擾信息，突出土壤水分光譜的吸收和反射峰谷，提取有效信息[18-22]。 不同的預(yù)處理方法如表1所示。

(1)Savitzky-Golay平滑算法(S-G)。 S-G算法通過多項(xiàng)式最小二乘擬合，計(jì)算出窗口內(nèi)中心點(diǎn)關(guān)于其周圍點(diǎn)的加權(quán)平均和。 該算法相比于其他算法更穩(wěn)定、誤差更小，適用于去除土壤光譜中出現(xiàn)下高頻光譜信號(hào)[23]，采用S-G算法有效地減弱了其他因素對(duì)土壤水分的影響，但該算法也會(huì)削弱水分的敏感波段，因此需要在土壤水分光譜中尋求去噪不足和過度去燥之間的平衡點(diǎn)，但目前對(duì)光譜的去燥平衡點(diǎn)很難確定[27]。

(2)多元散射校正(MSC)。 該算法將采集的數(shù)據(jù)與標(biāo)準(zhǔn)光譜進(jìn)行一元線性回歸運(yùn)算，增強(qiáng)了與主成分含量相關(guān)的光譜信息[24]，可以增強(qiáng)土壤光譜中水分的信息，消除分布不均勻產(chǎn)生的散射影響。 MSC算法在去除大氣散射和消除土壤粒徑大小影響的效果較好，因此最適用于氣候條件不佳和土壤粒徑問題的光譜信息的預(yù)處理。

(3)微分處理。 微分適用于消除背景的影響，根據(jù)微分的不同階數(shù)，可以顯示光譜的變化規(guī)律，突出光譜曲線的波峰波谷。 Morellos等[25-26]采用一階微分的方法，對(duì)比了多種土壤光譜的變化規(guī)律，突出了土壤水分的特征波段，為建模提供了精確的數(shù)據(jù)支持。

2.2 特征光譜提取算法

采集的光譜數(shù)據(jù)能顯示豐富的空間、光譜、輻射信息，不僅包含光譜土壤水分檢測(cè)所需的特定光譜數(shù)據(jù)，而且還包含大量的冗余數(shù)據(jù)和無關(guān)信息，與全波長(zhǎng)范圍相比，特定變量選擇重要的波長(zhǎng)范圍會(huì)得到性能更好的模型[28]，因此選取適當(dāng)?shù)奶卣鞴庾V提取算法來降低數(shù)據(jù)的冗余程度和無關(guān)信息，可以提高光譜土壤水分檢測(cè)模型的精度，優(yōu)化預(yù)測(cè)模型的性能。 常見的光譜特征波段選擇方法如表2所示。

表1 光譜預(yù)處理技術(shù)特點(diǎn)分析Table 1 Characteristic analysis of spectral pretreatment technology

表2 特征提取算法的對(duì)比分析Table 2 Comparative analysis of feature extraction algorithms

(1)包絡(luò)線消除法(C-R)。 以包絡(luò)線作為背景，去掉包絡(luò)線，即可有效突出單個(gè)感興趣的光譜吸收特征。 有研究發(fā)現(xiàn)土壤光譜曲線一般情況下差異不大，利用C-R算法可以突出土壤光譜中某一具體光譜特征，例如土壤水分，并確定土壤水分最為敏感的波段為1 481和1 616 nm，為精確建模奠定了基礎(chǔ)。

(2)主成分分析法(PCA)。 通過正交變換將存在相關(guān)性的光譜信息轉(zhuǎn)換為線性不相關(guān)的特征信息。 該算法不破壞原始的光譜信息，適用于對(duì)大規(guī)模數(shù)據(jù)的處理，提取所需光譜信息，例如Morellos等[25]基于PCA算法可以準(zhǔn)確提取大樣本土壤光譜中水分敏感信息，減少其他因素對(duì)水分敏感波段的影響。

(3)遺傳算法(GA)。 GA算法通過模仿自然界的遺傳機(jī)理來尋找最優(yōu)信息的全局優(yōu)化算法。 雖然通過犧牲效率來保證精度，但其具有可拓展性、易與其他算法結(jié)合等優(yōu)點(diǎn)。 有研究利用GA算法提取歸一化水體指數(shù)，效果較好； 將優(yōu)化遺傳算法與連續(xù)投影算法結(jié)合，達(dá)到了較好的效果。

2.3 土壤水分檢測(cè)模型的建立

光譜技術(shù)改進(jìn)了特定的農(nóng)業(yè)特征的模型，極大地提升了土壤水分含量檢測(cè)的精度和效率，使有效評(píng)估農(nóng)業(yè)特性方面得到了顯著增強(qiáng)。 目前利用土壤光譜特性建立土壤水分檢測(cè)模型的方法主要分為一元線性模型、多元線性模型和其他非線性模型。 線性模型高效簡(jiǎn)便且精度較高，非線性模型較為復(fù)雜但是具有更好的泛化性能[29，32]。 常見的光譜建模算法如表3所示。

(1)一元線性模型。 自20世紀(jì)70年代，Bowers等[33]研究發(fā)現(xiàn)土壤水分和光譜特征有顯著相關(guān)性并建立土壤水分檢測(cè)模型，光譜土壤水分檢測(cè)技術(shù)正式進(jìn)入到應(yīng)用階段。 有研究基于特定單一波段已建立指數(shù)、倒數(shù)、對(duì)數(shù)等大量一元模型。 一元模型面向單一波長(zhǎng)，建模流程簡(jiǎn)單且精確性較高，但不具有普遍性[34-35]，僅適用于特定的區(qū)域和時(shí)間，不適合進(jìn)行大區(qū)域統(tǒng)一的土壤水分檢測(cè)。

(2)多元線性模型。 多元線性模型在一元模型的基礎(chǔ)上考慮數(shù)個(gè)光譜水分敏感波段或加入其他外界因素對(duì)土壤水分的影響，有研究采用1 481和1 616 nm等多個(gè)波段與土壤水分含量的關(guān)系建立多元線性回歸模型； 有報(bào)道在多光譜的基礎(chǔ)上增添了氣候地形植被等外界影響因子，大大提高模型的精度和適用范圍。 用少量的關(guān)鍵參數(shù)可以有效地建立土壤水分模型，高效簡(jiǎn)便，適用性相比于一元線性模型有很大的提高。

(3)非線性模型。 土壤水分含量與光譜特征曲線有著極大的相關(guān)性，然而二者并不是理想的線性關(guān)系，使用線性模型進(jìn)行預(yù)測(cè)無法達(dá)到預(yù)期的效果，非線性模型可以更好地反映土壤水分含量與特征曲線的關(guān)系。 目前土壤水分含量檢測(cè)的非線性建模主要有機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)兩種建模方法。

表3 光譜建模方法的特點(diǎn)分析Table 3 Characteristic analysis of spectral modeling methods

向量機(jī)目前被廣泛應(yīng)用于光譜建模的領(lǐng)域。 Morellos等[25，33]通過對(duì)比在不同核函數(shù)支持向量機(jī)(SVM)的效果，選擇高斯核函數(shù)，得到了精度較高的檢測(cè)模型，然而傳統(tǒng)的SVM無法適用于大樣本數(shù)據(jù)的訓(xùn)練。 隨著光譜數(shù)據(jù)的海量化，為得到更好的檢測(cè)速率和模型性能，國(guó)內(nèi)外研究者開始使用相關(guān)向量機(jī)(RVM)對(duì)光譜數(shù)據(jù)進(jìn)行建模。 RVM具有接近于SVM的精度，但其速度更快，更加適合處理大量數(shù)據(jù)，因此Alfonso等[31]基于美國(guó)猶他州大區(qū)域的海量光譜數(shù)據(jù)建立了RVM非線性土壤水分檢測(cè)模型。

人工神經(jīng)網(wǎng)絡(luò)通過模仿人類的中樞神經(jīng)系統(tǒng)，可以通過外界的數(shù)據(jù)改變內(nèi)部結(jié)構(gòu)，具有很強(qiáng)的自學(xué)習(xí)和自適應(yīng)能力，在非線性模型上取得較好的效果，是目前土壤水分檢測(cè)模型研究的最前沿問題。 該方法簡(jiǎn)化了土壤光譜數(shù)據(jù)的預(yù)處理要求，考慮所有的外界影響因子及時(shí)空信息，有效地提取所需波段，且泛化能力強(qiáng)，模型精度高。 例如Hassan-Esfahani等[32，36]利用不同的人工神經(jīng)網(wǎng)絡(luò)(BP，RBF和CNN等)，將氣候、環(huán)境和時(shí)間等影響因子和土壤光譜數(shù)據(jù)作為輸入量，建立多層網(wǎng)絡(luò)模型，因此這些模型在不同天氣情況、尺度、時(shí)間及地區(qū)的土壤水分檢測(cè)中有較優(yōu)良的性能。

3 光譜土壤水分檢測(cè)技術(shù)的發(fā)展趨勢(shì)

光譜技術(shù)在土壤水分檢測(cè)中的應(yīng)用前景十分廣泛，目前取得了一定的成果，光譜檢測(cè)的實(shí)時(shí)性、無損性和準(zhǔn)確性，大大提高了土壤水資源的利用率，促進(jìn)了精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)的發(fā)展。

(1)光譜數(shù)據(jù)的處理的精度、效率將不斷提高。 傳統(tǒng)的光譜數(shù)據(jù)存在不一致和冗余度高等問題。 未來預(yù)處理和特征提取算法的不斷創(chuàng)新與發(fā)展，應(yīng)更加注重提高算法對(duì)實(shí)際數(shù)據(jù)采集環(huán)境和尺度的適應(yīng)能力，消除其他因素對(duì)光譜的影響，保證數(shù)據(jù)的準(zhǔn)確性。

(2)光譜建模技術(shù)逐漸由線性模型向非線性模型發(fā)展，非線性模型考慮區(qū)域大小、采集數(shù)據(jù)的環(huán)境和土壤的內(nèi)部構(gòu)造等因素的影響，因此非線性模型建模難度較大，但是其魯棒性和實(shí)際泛化性優(yōu)于傳統(tǒng)線性建模方法。 研究多種土壤的光譜特征，考慮地理、氣候環(huán)境的影響，建立通用于多種土壤類型的光譜水分檢測(cè)模型是未來研究的重點(diǎn)。

(3)基于SVM和人工神經(jīng)網(wǎng)絡(luò)的土壤水分檢測(cè)方法能夠有效解決泛化能力不足和精確度較低等問題，但目前僅是比較經(jīng)典的模型與土壤光譜相結(jié)合，如BP神經(jīng)網(wǎng)絡(luò)、SVM等，很少將最新的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法如Xgboost、CNN等與土壤光譜相結(jié)合。 未來的重要研究方向是結(jié)合光譜數(shù)據(jù)的特點(diǎn)和土壤系統(tǒng)的復(fù)雜性，提出或改進(jìn)最新的神經(jīng)網(wǎng)絡(luò)模型或支持向量機(jī)，將更為先進(jìn)、優(yōu)良的模型應(yīng)用于土壤水分含量檢測(cè)上，提高土壤水分檢測(cè)模型的精確性和泛化能力。

(4)目前土壤水分檢測(cè)技術(shù)的重要發(fā)展趨勢(shì)是加強(qiáng)土壤光譜數(shù)據(jù)庫的建設(shè)，實(shí)現(xiàn)全國(guó)乃至全球范圍內(nèi)的土壤光譜數(shù)據(jù)共享，為模型提供數(shù)據(jù)支持[37]，如機(jī)器學(xué)習(xí)的精度和泛化能力依賴于訓(xùn)練樣本的數(shù)量與精確性。