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。

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。

土壤含水量的高光谱反演是当今研究的热点。以土壤多样化的陕西省横山县为研究区,通过野外采集土壤样品,室内利用ASD Field Spec FR地物光谱仪测定土壤样品光谱,采用称重法计算出土壤样品含水量,并分析了不同含水量土壤样品的光谱特性。针对土壤含水量光谱反演中光谱反演因子的构建问题,在研究一阶微分(FD)-主成分分析(PCA)、小波包变换(WPT)-FD-PCA反演输入因子生成方法及存在的不足的基础上,提出了基于谐波分析(HA)的WPT-FD-HA-PCA的反演输入因子构建方法。以上述三种反演输入因子为基础,建立了土壤含水量反演的FD-PCA-反向传播(BP)、WPT-FD-PCA-BP、WPT-FD-HA-PCA-BP三种BP反演模型。通过比较土壤含水量实测值与三种反演输入因子的反演结果,得出WPT-FD-HA-PCA-BP模型的反演精度最高,决定性系数R²达到0.9599,均方根误差为1.667%,其反演结果明显优于其他两种模型。这表明通过WPT和谐波分析能有效地抑制光谱噪声并压缩信号,在一定程度上明显提高了土壤含水量反演精度。

土壤含水量（θ）是影响作物生长和作物产量的主要因素之一。 旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度, 并比较人工神经网络（BP-ANN）和光谱特征参数模型的性能。 2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。 结果表明: （1）当砂土容重为1.40 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和估算θ达到极显著水平（R2超过0.90）; 容重为1.50 g·cm-3时, 用蓝边最大反射率和900～970 nm反射率总和估算θ相关性最好（超过0.70）; 容重为1.60 g·cm-3时, 780～970 nm反射率总和与560～760 nm归一化吸收深度的R2均超过0.90, 达到极显著水平; 容重为1.70 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和的R2为0.88, 呈极显著水平。 （2）当土壤类型为壤土时, 用900～970 nm最大反射率和900～970 nm反射率总和估算θ相关性最好。 （3）蓝边反射率总和（R2=0.26和RMSE=0.09 m3·m-3）和780～970 nm吸收深度（R2=0.32和RMSE=0.10 m3·m-3）估算砂土的含水量相关性最好。 在估算壤土的含水量时, 900～970 nm最大反射率（R2=0.92和RMSE=0.05 m3·m-3）与900～970 nm反射率总和估算模型的精度最高（R2=0. 92和RMSE=0.04 m3·m-3）。 （4）用人工神经网络模型能够更好地估算两种土壤的含水量（R2=0.87和RMSE=0.05 m3·m-3）。 因此, 人工神经网络模型对θ估算具有巨大的潜力。

永定河流域的土壤类型及含水量与植被覆盖指数是影响该流域水量的重要因素, 利用传统取样法对该流域土壤类型及含水量进行调查, 耗费人力的同时还会因仪器误差等客观因素造成实验精度下降。 选择永定河流域（北京地区）为研究区, 利用全站仪进行野外调查测定34块样地并取样, 结合1978—2009年6期的TM影像数据对土壤信息进行提取, 研究该地区的土壤含水量与各类多光谱遥感因子间的相关关系, 利用遗传算法对土壤归一化水体指数(NDWI)的主要影响因子进行筛选, 因NDWI是基于绿波段与近红外波段的归一化比值指数, 一般用来提取影像中的水体信息, 效果较好。 为了更准确的筛选与土壤含水量相关的因子, 利用遗传算法全局择优的特点, 通过控制迭代次数加速收敛来筛选关键因子。 进而利用多元回归的方法建立NDWI反演模型, 分析出模型的内符合精度为0.987, 并利用边缘树种进行外符合精度检验, 得出: 土壤中速效氮、 磷、 钾的含量与经度相关性不明显, 却与纬度和土层成正相关关系, 当模型计算的迭代次数Maxgen达到最优时, 内符合精度为87.6%。 通过遥感影像与野外调查相结合的方法得到的土壤NDWI与植被盖度、 地形、 气候等相关因子的模型而计算得出的NDWI值与单纯利用传统土壤取样法得到的值进行对比分析, 得出平均相对误差E为-0.021%, 外符合精度P达到87.54%。 该模型的建立可为日后对永定河流域土壤水分及有机质的分析与研究提供较好的实践及理论依据。

快速且准确估算土壤含水量已成为农林业水资源监测的热点问题, 应用植被指数估算土壤含水量的方法已得到广泛认可和应用。 以便携式光谱仪测定的高光谱数据为基础计算得到8种植被指数, 通过灰色关联分析法（GRA）对八种植被指数和基于红外热像仪测定的冠层温度进行分析与筛选, 选取与土壤含水量具有较高相关性的指标进行多元线性回归分析, 构建基于多种植被指数的土壤含水量估算模型(SMBMVI), 并做模型精度分析。 精度评价结果表明: 模型拟合度较高, 达到极显著水平（p＜0.000）, 土壤含水量估算值与实测值具有较高相关性, ｒ为0.636 1, RMSE为2.149 9。 该方法引入多种植被指数, 采用非接触式的测量方法估算小尺度研究对象的土壤含水量, 能够作为遥感反演和直接测定土壤含水量的一种有效替代方法。 模型的建立可以快速、 准确的估算土壤含水量, 为农林业水资源监测管理提供理论与技术参考。

采用中波红外光谱偏振探测手段，对不同含水量的土壤表面进行了观测，结果表明，含水土壤表面自身热辐射的偏振特性很弱，其偏振特性主要是由太阳光反射所引起，并在太阳光较强的波段上，土壤表面的偏振度与土壤含水量存在单调递增关系，为土壤含水量的中波红外偏振遥感技术发展提供了科学依据.