晏紅波， 韋晚秋， 盧獻(xiàn)健， 楊志高， 黎振寶

(1.桂林理工大學(xué)測繪地理信息學(xué)院，桂林 541004; 2.廣西空間信息與測繪重點(diǎn)實(shí)驗(yàn)室，桂林 541004)

0 引言

了解不同時(shí)空尺度上的土壤含水量θ對于監(jiān)測和模擬水文過程、植物生長、氣候變化、土壤侵蝕、土地退化和荒漠化是十分重要的[1]。傳統(tǒng)上，土壤含水量是直接用稱重法估計(jì)的[2]。該方法雖然最準(zhǔn)確，但需要大量的人力進(jìn)行采樣和測量，且樣品本身也會遭到破壞，使得測量結(jié)果無法重現(xiàn)。其他需要采樣取點(diǎn)測量的間接方法包括張量計(jì)、時(shí)域反射計(jì)、中子儀探針、電容傳感器和伽馬射線掃描儀等[3-6]，這些方法存在時(shí)空異質(zhì)性，不適合在不同時(shí)空尺度下表征土壤含水量。

隨著遙感技術(shù)的廣泛應(yīng)用，微波、熱紅外和光學(xué)遙感估算土壤含水量的潛力也被大家所認(rèn)可[7-8]。在微波遙感(5～1 000 mm)估算土壤含水量與波長后向散射系數(shù)有關(guān)，其在大范圍的應(yīng)用中效果明顯，但是不足之處是它的空間分辨率較低，不適用于小尺度以及野外測量； 對于熱紅外遙感(3.5～14μm)監(jiān)測反演土壤含水量，一般來說，當(dāng)與能夠提供植被指數(shù)的光學(xué)傳感器協(xié)同使用時(shí)，其估算精度較高[9]，但反演計(jì)算過程中涉及多種復(fù)雜的導(dǎo)數(shù)，反演解算過程較為繁瑣，研究小范圍的土壤含水量情況下不推薦使用該方法，更推薦在大面積情況下使用； 高光譜分辨率的光學(xué)遙感(400～2 500 nm)，通常稱為高光譜遙感(hyperspectral remote sensing, HRS)，由于土壤含水量θ與土壤的高光譜反射率R之間的相關(guān)性較大，將其與地面、機(jī)載和高空傳感系統(tǒng)結(jié)合使用，可以在不同時(shí)空尺度上估算出土壤含水量。因此，HRS被認(rèn)為是解決上述估計(jì)土壤含水量θ存在空間分辨率低、適用范圍小等問題上最有前途的遙感技術(shù)之一。

1 土壤含水量與光譜反射率關(guān)系

圖1反映的是土壤反射率隨波長的變化關(guān)系。從圖1可看出不同波長所對應(yīng)土壤的反射率不盡相同，在1 450 nm和1 900 nm波長附近土壤反射率較低，出現(xiàn)了明顯的波谷，在1 300 nm和1 700 nm波長附近土壤反射率達(dá)到了一個(gè)較高值，出現(xiàn)了較為明顯的波峰，因此可以根據(jù)這幾個(gè)波長范圍與土壤反射率之間的相互關(guān)系來估算出土壤含水量。作為HRS應(yīng)用于估計(jì)土壤含水量的一個(gè)步驟，一些實(shí)驗(yàn)室研究使用近距離高光譜傳感器(通常也稱為漫反射光譜)來研究不同θ下R的變化[10]。一般來說，增加R會產(chǎn)生2個(gè)顯著的影響： 一是整體R的非線性程度降低使得其對濕度較為敏感的波段的吸收增加； 二是非線性R隨θ的增大而增大，其原因是土壤-水-空氣界面的反射指數(shù)減小[11]，從而降低了入射光的散射和由于水-空氣界面上的附加反射而引起的散射光的深度傳播[12]，這種關(guān)系在電磁光譜的短波紅外波段(1 400～2 500 nm)比可見光(400～700 nm)和近紅外波段(700～400 nm)區(qū)域更為顯著[13]。另一方面，在濕度敏感波長(吸水特性)下的吸收增加主要出現(xiàn)在波長為900 nm，1 400 nm和1 900 nm附近[14]，是由于水中羥基(O-H)鍵特別的組合，但是在1 400 nm和1 900 nm附近，土壤的吸水特性被大氣吸收所掩蓋[15]，因此，除了近距離的高光譜傳感器外，其他儀器則無法對其進(jìn)行測量。

圖1 θ-R 的變化關(guān)系[10]

HRS方法的主要先決條件是建立θ-R模型，該模型可用于從新樣本的R估計(jì)θ。但是，開發(fā)具有合理精度的θ-R模型仍然是一項(xiàng)艱巨的任務(wù)，因?yàn)镽不僅取決于θ，而且還受土壤的顏色、結(jié)構(gòu)、礦物成分、有機(jī)質(zhì)含量、粒度分布、表面粗糙度、干燥度以及測量條件的影響[16-19]。近幾十年來，已有許多學(xué)者結(jié)合模型法對θ-R關(guān)系進(jìn)行了研究，Bablet等[20]基于MARMIT(土壤反射多層輻射傳輸模型)，將土壤反射光譜與土壤含水量以及水膜厚度建立聯(lián)系，反演得出更高精度的土壤含水量； Gao等[21]測量了來自江蘇省東臺東北部潮灘的土壤樣品的多角度反射率后基于粒子群優(yōu)化算法，利用土壤光譜雙向反射模型測出土壤表面的光譜特征，并通過引入土壤的等效水膜厚度來反演出更高精度的土壤含水量。雖然許多結(jié)合模型的θ-R研究方法都獲得不錯(cuò)的結(jié)果，但大多數(shù)使用的都是經(jīng)驗(yàn)?zāi)Ｐ停煌臈l件下使用經(jīng)驗(yàn)?zāi)Ｐ鸵矔a(chǎn)生許多不同的情況，還不能達(dá)到穩(wěn)定的效果。因此，本文對現(xiàn)有的推導(dǎo)θ-R關(guān)系的方法進(jìn)行了綜述，并對它們的潛力和局限性進(jìn)行了分析。

本文將建立θ-R關(guān)系的方法分為以下4類： 光譜反射率法(Ⅰ類)、函數(shù)法(Ⅱ類)、模型法(Ⅲ類)和機(jī)器學(xué)習(xí)法(Ⅳ類)。圖2描述了現(xiàn)有θ-R關(guān)系的不同分類方法。

圖2 θ-R關(guān)系的不同分類方法

1.1 波譜反射率法

1.1.1 相對反射率法

劉偉東等[22]證明了簡單線性和非線性函數(shù)估算土壤含水量的效用，并描述了土壤在每個(gè)波段的反射率R與相對反射率R*(在非干燥條件下)之間的關(guān)系，公式為：

θ=a0R*+b0

，

(1)

θ=d0lg(R*+e0)+c0

，

(2)

式中a0，b0，c0，d0和e0為輔助參數(shù)。在低于臨界水平的低濕度條件下，即在干燥條件下(θ=0)，R*=1時(shí)，上述方程可修改為：

θ=a0(1-R*)

，

(3)

。

(4)

1.1.2 反射率指數(shù)法

一般來說，光譜反射率指數(shù)表示2個(gè)或2個(gè)以上波長的光譜反射率值的組合[22]，可以是特定波長下光譜反射率的值(spectral index, SI)或它們變量的比值指數(shù)(ratio index，RI)、差分指數(shù)(difference index,DI)、導(dǎo)數(shù)(derivative,Der)和歸一化指數(shù)(normalized difference index,NDI)，通過一系列簡單快速的計(jì)算，就可增強(qiáng)并獲取相應(yīng)目標(biāo)土壤含水量的光譜特征，十分方便。公式分別為：

θ=a(λi,λi+1)+b(λi,λi+1)SI

，

(5)

，

(6)

DI(λi,λj)=R(λi)-R(λj)

，

(7)

，

(8)

，

(9)

式中：λi和λi+1為2個(gè)連續(xù)的波長；λj為與λi不連續(xù)的波長；a和b為輔助參數(shù)。在這類方法中，式(5)表示的是特定波長下光譜反射率的值； 式(6)表示的是比值指數(shù)法，即2個(gè)離散波長的反射率比值，如基于1 300 nm和1 450 nm波長的土壤含水量指數(shù)法(WISOIL)； 式(7)表示的差分指數(shù)法和式(8)的導(dǎo)數(shù)法均由劉偉東等[22]提出，2種方法都盡量減少其他混雜因素的影響，以提高R對θ的敏感性，導(dǎo)數(shù)法近似于2個(gè)連續(xù)波長之間的有限差分而不是算術(shù)差分，當(dāng)在計(jì)算中使用連續(xù)波長，即當(dāng)λi+1=λj時(shí)，差分指數(shù)法和導(dǎo)數(shù)法則會產(chǎn)生相同的結(jié)果； 式(9)所示的歸一化指數(shù)法是2個(gè)特定波長下的差值與反射率值之和的比值，如基于1 800 nm和2 119 nm波長的歸一化土壤含水量指數(shù)[1]就屬于歸一化指數(shù)法。

劉偉東等[22]比較了相對反射率法、導(dǎo)數(shù)法和差分法估算土壤含水量的性能，得出一階導(dǎo)數(shù)法估算土壤含水量優(yōu)于其他方法的結(jié)論。最近，Tian等[23]建立了基于輻射傳輸?shù)哪Ｐ椭С窒碌亩滩w一化指數(shù)(shortwave normalization index，SNI)用于土壤含水量估算，經(jīng)驗(yàn)證，在土壤干燥階段過程中，SNI指數(shù)所使用的分割方法顯著提高了土壤含水量估計(jì)精度； Yue等[24]通過使用短波紅外波段的不同吸水率特性，評估了3種標(biāo)準(zhǔn)化短波紅外差異裸土水分指數(shù)(normalized shortwave-infrared difference soil moisture indices，NSDSI)估算裸土的含水量，得到2個(gè)短波紅外波段比單一短波紅外波段對裸土濕度估計(jì)更準(zhǔn)確的結(jié)論； 另外，F(xiàn)abre等[25]提出另外2個(gè)新的歸一化指數(shù)，即使用近紅外和短波紅外波段從線性和非線性角度估算土壤含水量，線性回歸法使用的是2 076 nm和2 230 nm的波長(R2=0.87;RMSE=4.4)，而非線性回歸法是基于2 122 nm和2 230 nm的波長(R2=0.74～0.85;RMSE=4.8～6.2)，經(jīng)過比較得出非線性回歸法估算土壤含水量的結(jié)果要優(yōu)于其他方法的結(jié)論。

1.1.3 反射率指數(shù)模型法

Lobell等[26]提出的物理模型解釋了濕潤狀態(tài)下θ與R之間的關(guān)系，公式為:

R=Rsat+(Rdry-Rsat)exp(-cθ)

，

(10)

式中：Rsat和Rdry分別為水分飽和與干燥土壤狀態(tài)下的土壤光譜反射率；c為R隨θ的變化率。

除θ外，模型中的所有參數(shù)均與波長有關(guān)，還嘗試將R表示為分?jǐn)?shù)形式，用飽和曲線S代替θ，f為反射輻射表面積百分比，從而簡化了不同土壤狀態(tài)下的反射率模型，飽和曲線S的公式為：

。

(11)

1.1.4 反射率物理模型法

van Genuchten[27]提出描述基本電位h與θ關(guān)系的一種常用經(jīng)驗(yàn)?zāi)Ｐ停?Nolet等[28]在此基礎(chǔ)上提出了用R代替模型中基本電位h的方法來描述θ-R之間的關(guān)系。公式為：

，

(12)

式中：θs和θr分別為殘余含水量與飽和含水量；m和n為輔助參數(shù)。

1.2 函數(shù)法

Whiting等[29]將反高斯函數(shù)g(λ)與土壤光譜反射面相結(jié)合來估算土壤含水量，其反射面積A和振幅Z的參數(shù)與θ相關(guān)聯(lián)。當(dāng)使用短波紅外波長進(jìn)行計(jì)算時(shí)，輔助參數(shù)與反射面積A高度相關(guān)，2 800 nm左右的波長范圍對其影響較大。g(λ)，A和Z的計(jì)算公式分別為：

，

(13)

，

(14)

Z=Rλ0-Rλi

，

(15)

式中：λ0和λi分別為光譜反射面中心和拐點(diǎn)處的波長；σ為從光譜反射面區(qū)域中心到拐點(diǎn)的距離;erf(·)為誤差函數(shù)。

1.3 模型法

1.3.1 概念模型

Philpot[30]提出了一個(gè)類似于Lobell等[10]的簡單模型來描述光譜反射率，包括水面的菲涅耳反射率Rw、土壤顆粒的反射率Rs、液態(tài)水的吸收系數(shù)aw和光通過孔隙儀的日平均光程d，公式為：

R=fwRw+(1-fw)Rsexp(daw)

，

(16)

式中fw為水面反射輻射的表面積分?jǐn)?shù)百分比。近紅外波長范圍的吸收系數(shù)值aw可以從Segelstein[31]和Kou等[32]的研究中獲得。

1.3.2 光學(xué)模型

Nolet等[33]針對小面積濕潤土壤反映出來的土壤反射率的變化很小，因而忽略了該部分造成的影響，并提出了一個(gè)基于蘭伯特定律的針對沿海海灘砂礫進(jìn)行分析的簡單指數(shù)模型，公式為：

R=βRsexp(-daw)

，

(17)

式中β為濕潤的海灘砂礫發(fā)生散射造成光譜反射率降低的影響因子。

1.3.3 線性物理模型

Sadeghi等[34]提出了一個(gè)簡單的線性物理模型，該模型將土壤反射率即吸收與散射系數(shù)之比轉(zhuǎn)換為干燥與飽和狀態(tài)下土壤反射率的比值，公式為：

，

(18)

式中ω為干燥和飽和條件下土壤的散射系數(shù)之比。

1.4 機(jī)器學(xué)習(xí)法

深度學(xué)習(xí)法包括幾種統(tǒng)計(jì)和機(jī)器學(xué)習(xí)方法，即多元線性回歸法(multiple linear regression,MLR)、逐步多元線性回歸法(stepwise multiple linear regression,SMLR)、主成分回歸法(principal component regression,PCR)、偏最小二乘回歸法(partial least squares regression,PLSR)，支持向量機(jī)回歸法(support vector machine regression,SVMR)、多元自適應(yīng)回歸樣條法(multiple adaptive regression spline,MARS)和人工神經(jīng)網(wǎng)絡(luò)法(artificial neural network,ANN)。

Dalal等[35]使用MLR建立θ-R之間的關(guān)系，而王濤等[36]則采用了SMLR分析它們之間的關(guān)系，但這2種方法都存在一個(gè)缺點(diǎn)，即只用了某些特征波長點(diǎn)的光譜信息, 忽略其他點(diǎn)的信息，從而造成信息丟失, 導(dǎo)致模型的過適應(yīng)性。PCR方法很好地解決了這個(gè)問題[37]，PCR涉及到數(shù)學(xué)過程，通過正交變換將多個(gè)可能相關(guān)的變量轉(zhuǎn)換為多個(gè)不相關(guān)的變量，這類變換可以通過數(shù)據(jù)協(xié)方差矩陣的特征值分解或數(shù)據(jù)矩陣的奇異值分解來實(shí)現(xiàn)。與PCR類似的方法是PLSR方法[38]，它們最顯著的特點(diǎn)是利用了全部的光譜信息，在PLSR中，預(yù)測變量和響應(yīng)變量都被用于建立預(yù)測能力最強(qiáng)的分?jǐn)?shù)，PLSR算法集成了壓縮和回歸步驟，并選擇了連續(xù)的正交因子，使預(yù)測變量和響應(yīng)變量之間的協(xié)方差最大化，從而提高了預(yù)測精度，因此該方法在土壤光譜研究中廣受歡迎，并已被廣泛用于估算土壤含水量[39]。

MARS[40]，ANN[41]和SVMR[42]作為強(qiáng)大的非參數(shù)預(yù)測工具，其性能也被廣泛用于檢驗(yàn)線性和非線性θ-R間的關(guān)系。SVMR是一種基于核的學(xué)習(xí)方法，將輸入數(shù)據(jù)映射到高維特征空間，在SVMR中，訓(xùn)練數(shù)據(jù)被用來獲得一個(gè)損失函數(shù)，根據(jù)訓(xùn)練數(shù)據(jù)的最大偏差映射輸入數(shù)據(jù)，利用損失函數(shù)作為與實(shí)際值“差距”的度量，對大于損失函數(shù)的誤差進(jìn)行剔除，以獲得較低復(fù)雜度的訓(xùn)練數(shù)據(jù)子集，從而提高估算精度。尚天浩等[43]對鹽漬地區(qū)土壤原始光譜反射率進(jìn)行多種數(shù)學(xué)變換,運(yùn)用逐步回歸(stepwise regression, SR)和灰色關(guān)聯(lián)度(grey correlation degree, GCD)篩選敏感波段，比較MLR，PLSR和SVMR這3種方法模擬土壤含水量的精度情況，得出SVM模型為供試土壤含水量擬合的最佳模型,能夠準(zhǔn)確獲取重度鹽漬化研究區(qū)土壤含水量狀況的結(jié)論； 吳士文等[44]也對比分析不同光譜預(yù)處理方法與PLSR，SVMR建模方法兩兩組合條件下對土壤含水量的精度預(yù)測，結(jié)果表明, 同一光譜預(yù)處理方法的SVMR模型預(yù)測精度均高于PLSR模型,因此也間接表明了SVMR法在某些方面優(yōu)于一般的線性回歸統(tǒng)計(jì)學(xué)習(xí)方法。

MARS[45]是一種非參數(shù)回歸技術(shù)，它利用基函數(shù)自動建立預(yù)測-響應(yīng)聯(lián)系(即不需要任何假設(shè))。為了開發(fā)基函數(shù)，輸入數(shù)據(jù)空間被細(xì)分為具有特定回歸模型(分段線性回歸)的區(qū)域或樣條曲線。在進(jìn)行分段線性回歸時(shí)，允許回歸模型的斜率沿預(yù)測軸改變n個(gè)節(jié)點(diǎn)，將由線性和非線性組合以及二階和三階變量因子組成的基函數(shù)，作為新的預(yù)測變量用于建模，通過一個(gè)嚴(yán)格的前向和后向逐步查找過程，找到一個(gè)具有最佳節(jié)點(diǎn)數(shù)和基函數(shù)的模型。正向逐步法通過增加基函數(shù)來構(gòu)造一個(gè)過擬合模型，而反向逐步消除法消除了對模型精度貢獻(xiàn)不足的函數(shù)，相比于線性回歸模型，MARS模型更加靈活。

ANN[46]是一種用于模擬“輸入-輸出”聯(lián)系的技術(shù)。它由各種相互關(guān)聯(lián)的計(jì)算單元(節(jié)點(diǎn)或人工神經(jīng)元)組成，可分為學(xué)習(xí)和優(yōu)化2個(gè)階段。在學(xué)習(xí)階段，人工神經(jīng)元則聚合成隱藏層，這些層能夠?qū)斎脒M(jìn)行不同的轉(zhuǎn)換，然后通過調(diào)整人工神經(jīng)元相互影響的“權(quán)重”及其相互關(guān)系結(jié)構(gòu)來表征系統(tǒng)行為的輸入-輸出關(guān)系； 在優(yōu)化階段，ANN通過對已知信息的反復(fù)學(xué)習(xí)訓(xùn)練，并逐步調(diào)整改變節(jié)點(diǎn)權(quán)重，達(dá)到處理信息、模擬輸入輸出信息的目的。

2 土壤含水量估測方法的潛力與局限性

為了簡要討論通過R來估計(jì)θ的不同方法在精度、復(fù)雜性、輔助數(shù)據(jù)要求、不同遙感模式下的可操作性以及對土壤類型的依賴性等方面的潛力和局限性，對描述θ-R關(guān)系的不同方法的性能進(jìn)行了對比，結(jié)果如表1所示。這些方法是根據(jù)土壤的相關(guān)漫反射光譜研究所得出的，盡管比較這些研究的結(jié)果是不太合理的，因?yàn)樗鼈兪窃诓煌耐寥篮蜏y量條件進(jìn)行的，但通過比較可以大致了解各類方法下θ-R之間的相關(guān)性以及不同方法的優(yōu)缺點(diǎn)。未來的研究應(yīng)該盡可能在保證處于相同的基礎(chǔ)條件下對不同方法進(jìn)行定量比較，使結(jié)果更為合理恰當(dāng)，從而進(jìn)行更有意義的評估。

表1 利用高光譜特征估計(jì)土壤含水量的不同方法性能比較

表1中相對反射率法考慮了不同土壤類型、粗糙度和結(jié)構(gòu)的具體特征，雖然它是經(jīng)驗(yàn)性的，但在1944年主要驗(yàn)證光譜反射率波長的實(shí)驗(yàn)室條件下，該方法是有效的，但卻不適用于野外條件，因?yàn)橐巴鈼l件下土壤的反射率被大氣吸收所掩蓋，此外，該方法還依賴于每種土壤在干燥條件下的光譜反射率信息，如在土壤樣品干燥時(shí)，光譜反射率會隨方向相位角變化而變化[49]，但由于空間和時(shí)間上的異質(zhì)性使得干土光譜反射率信息難以獲取，因此該方法也難以實(shí)現(xiàn)。差分和導(dǎo)數(shù)法使用多個(gè)波段進(jìn)行計(jì)算，土壤類型對其產(chǎn)生的影響較小，土壤總反照率的損失也降低了，更有利于波段組合計(jì)算，因此差分和導(dǎo)數(shù)法相對更為穩(wěn)定。在導(dǎo)數(shù)法中，樣品光譜在不同波長處的反射率值可以相互關(guān)聯(lián)，因此不需要先驗(yàn)的土壤信息，且該方法不需要考慮水蒸氣吸收波長的影響，因此能夠與野外、機(jī)載和星載測量方法結(jié)合使用。然而，由于使用具有強(qiáng)相關(guān)性的連續(xù)波段，導(dǎo)數(shù)法會帶來冗余的光譜信息，相比之下，差分法可以使用相關(guān)性較小且光譜分離程度較低的具有獨(dú)立信息的波段進(jìn)行計(jì)算。指數(shù)模型最適合用短波紅外波段的光譜反射率來估算土壤質(zhì)量θm或體積含水量θv，它們與可見光和近紅外波段結(jié)合使用可能不適合于土壤體積含水量低于20%的情況，且其受不同土壤類型的影響，而為了減少土壤類型的影響，目前的指數(shù)模型已發(fā)展為使用土壤飽和含水量來代替土壤質(zhì)量含水量θm或體積含水量θv來計(jì)算； 土壤物理模型則需要?dú)堄嗪喀萺和飽和含水量θs作為初始信息輸入，但其應(yīng)用只局限于θr-θs范圍內(nèi)。

反高斯函數(shù)法是通過近紅外和短波紅外區(qū)域1.2～2.5 μm的反射率下降來估計(jì)水分含量，基本吸水率在2.8 μm處的擴(kuò)散，對其影響較少，因此，該方法可與所有高光譜反射率測量模式結(jié)合使用。但是，它需要對光譜進(jìn)行額外的預(yù)處理，以削弱短波紅外區(qū)域的噪聲，同時(shí)其面臨難以確定的輸入信息[50]。Philpot[30]所證明的簡單的概念模型在實(shí)驗(yàn)研究中被發(fā)現(xiàn)是成功的，可以解釋4種土壤類型的θ-R關(guān)系，但是這種模式是“膚淺”的，不足以令人信服。

光學(xué)模型法是一種簡單的概念模型，無需考慮高光譜反射率，在土壤體積含水量的估算方面表現(xiàn)良好。線性物理模型簡單、準(zhǔn)確(尤其是在短波紅外波段)，不受限于單個(gè)波長，并且只需要少次的校準(zhǔn)，因此，它被認(rèn)為是一種最有前途的估計(jì)土壤含水量的方法，但是該模型仍需要在干燥和飽和土壤條件下測量的高光譜反射率進(jìn)行校準(zhǔn)，這也是該模型的難點(diǎn)之一。

盡管與其他方法相比，機(jī)器學(xué)習(xí)方法在計(jì)算上比較復(fù)雜，但在光學(xué)領(lǐng)域它們能夠較好地證明θ-R之間的關(guān)系，并且無需考慮土壤類型。由于MLR中的預(yù)測變量必須是不相關(guān)的，不適合處理與高光譜反射率相關(guān)的多個(gè)共線光譜變量； PCR和PLSR方法都是通過正交變換來解決多共線問題的經(jīng)典方法，但PCR只考慮了光譜信息，而PLSR方法不再直接考慮因變量與自變量的回歸建模，而是對變量系統(tǒng)中的信息重新進(jìn)行綜合篩選，從中選取若干對系統(tǒng)具有最佳解釋能力的新成分用于回歸建模，經(jīng)過這樣的信息篩選，排除了對因變量無解釋作用的噪聲，不僅提高了其計(jì)算效率，使得計(jì)算結(jié)果更可靠[51-52]。但這2種經(jīng)典的方法無法解釋土壤光譜和屬性之間的非線性效應(yīng)(由于土壤的光譜復(fù)雜性)，特別是在大型土壤光譜數(shù)據(jù)庫中，在這種情況下，可以選擇SVMR，MARS和ANN等替代技術(shù)來開發(fā)性能更好的高光譜反射率模型，SVMR方法解釋了模型開發(fā)時(shí)過度擬合的原因[53]，并由此產(chǎn)生了一個(gè)處理高維光譜變量的高效全球模型[54]，然而，這種模型的識別是計(jì)算密集型的，因?yàn)樗婕?次規(guī)劃和非線性方程組的求解[55]。MARS是一種非參數(shù)方法，更像是線性回歸的一種擴(kuò)展，它將高光譜反射率簡單地轉(zhuǎn)換為圖像像素，因此，它被認(rèn)為比經(jīng)典的線性回歸模型更靈活、更準(zhǔn)確[56]。ANN模型相比其他方法擁有更好的性能，但是它容易過度擬合，并且結(jié)果過于依賴于初始化參數(shù)，因而不可避免地含有誤差而無法保證對土壤含水量進(jìn)行預(yù)測時(shí)有較高的精度[57]。

3 結(jié)論及展望

根據(jù)不同土壤光譜反射率與土壤含水量之間的關(guān)系，本文將θ-R研究方法分成4類，并從精度、復(fù)雜性、輔助數(shù)據(jù)要求、不同遙感模式下的可操作性以及對土壤類型的依賴性等方面分析了它們的潛力和局限性。大多數(shù)方法在試驗(yàn)區(qū)范圍內(nèi)能有效證明θ-R之間的關(guān)系，但方法的遷移性和擴(kuò)展性還需要更多的實(shí)驗(yàn)驗(yàn)證。其中反射率指數(shù)法(除了差分法和導(dǎo)數(shù)法)、函數(shù)法和模型法在計(jì)算上有優(yōu)勢，但它們需要獲得先驗(yàn)的土壤信息。在沒有土壤信息的情況下，需要通過使用全部光譜反射率來估算土壤含水量，此時(shí)機(jī)器學(xué)習(xí)法更具優(yōu)勢，但是也取決于機(jī)器學(xué)習(xí)法在數(shù)據(jù)建模中使用的光譜數(shù)量的多少，數(shù)量過多則會影響計(jì)算效率。

針對以上存在的問題，筆者建議從以下幾個(gè)方面進(jìn)行改進(jìn)或深入研究： ①使用高信噪比的改良儀器更好地測量土壤含水量(以減少大氣變量的影響)； ②改進(jìn)對光譜反射率的預(yù)處理方法； ③增加簡約模型對光譜變量的選擇； ④新物理模型和機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn); ⑤物理模型(理論驅(qū)動)和機(jī)器學(xué)習(xí)算法(數(shù)據(jù)驅(qū)動)相結(jié)合以消除與土壤含水量不相關(guān)的光譜信息和冗余信息。

目前，所有現(xiàn)有的方法本質(zhì)上都是通過經(jīng)驗(yàn)?zāi)Ｐ头从车贸靓?R關(guān)系，很少涉及不同土壤類型之間的聯(lián)系變化。本文中大多基于漫反射光譜的土壤含水量研究方法也都是在溫帶土壤狀態(tài)下進(jìn)行的，溫帶土壤有機(jī)質(zhì)的分解率較低，黏土礦物的比例大致為2∶1。在熱帶和亞熱帶土壤中建立θ-R關(guān)系的研究非常有限，因?yàn)樵诖藯l件下，土壤有機(jī)質(zhì)分解較強(qiáng)，黏土礦物的比例基本為1∶1，黏土礦物比例不占優(yōu)勢，而由于土壤有機(jī)質(zhì)和黏土礦物具有光譜活性，它們顯著地影響光譜反射率，因此在溫帶土壤中推導(dǎo)的θ-R關(guān)系在熱帶和亞熱帶土壤應(yīng)用中可能失效。目前國內(nèi)外針對θ-R關(guān)系的土壤特性的研究相對較少，需要更進(jìn)一步的研究。因此，未來對于θ-R關(guān)系的研究可以集中在比較不同方法在不同土壤類型下的應(yīng)用，如建立不同類型土壤樣本的公共光譜庫等，以便更好地進(jìn)行土壤含水量的估算，從而得到更準(zhǔn)確的θ-R關(guān)系。