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。

为了提高传感器测量土壤水分的精确度，提出改进粒子群算法 (IPSO)。首先粒子个体最优值利用高斯变换，提高了算法的局部搜索能力，粒子全局最优值采用柯西变换，吸引其他粒子到更好的搜索空间区域，提高 了算法的全局搜索能力；接着混沌函数动态调节惯性权重，在迭代初期具有较大的值便于快速寻优，而在算法后期有较小的值，放慢搜索速度，以便进行精确寻优。实验仿真显示本文算法对测量砾石脱湿、吸湿数据的均方 误差 (MSE)以及 Pearson相关系数相比其他算法都较好，其中脱湿实测数据在基质势为 1 000 cm时，IPSO算法 MSE均值为 16.62×10-6，相比 LSM,FOA,HSA,PSO,SAA分别减少 75.59%,66.67%,63.53%,53.73%,57.53%；吸湿实测数据在基质势为 1 000 cm时，IPSO算法 MSE均值为 10.21×10-6，相比 LSM,FOA,HSA,PSO, SAA分别减少 81.42%,75.29%,72.00%,65.57%,67.69%。

以表层土壤为对象, 探究土壤的多光谱反射率与土壤水分含量相关性, 进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。 选取中国农业大学通州实验站为研究区域, 实地采集试验田的土壤样本100组, 按照一定梯度配制土壤含水量, 配成的土壤含水率为10%~50%之间, 土壤含量的真实值采用土壤烘干法进行测定。 多光谱相机灵巧便捷, 可搭载在无人机上对土壤进行监测。 将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上, 选择阳光充足的采集环境, 实时采集土壤样本的多光谱图像, 建立土壤多光谱信息与水分含量之间的模型。 利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息, 以多光谱相机自带的标准白板反射率为100%, 计算出土壤样本在蓝、 绿、 红、 红边、 近红外五个波段的光谱反射率。 采用BP神经网络算法、 支持向量机算法、 偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。 以80组土壤样本数据作为训练集, 建立基于多光谱图像的土壤水分含量预测模型。 采用莱文贝格-马夸特算法对BPNN进行改进, 提高了其训练速度, 当网络结构为5-10-1时, 训练效果最好, 本文选择该网络结构; SVM采取高斯核函数, 当参数为0.56时, 模型效果最好。 本研究采用归一化均方根误差(NRMSE)和决策系数(R2)对三种土壤水分含量的预测模型进行定量对比。 以20组土壤样本数据作为测试集, 结果可知, 基于BP神经网络土壤水分含量预测模型的NRMSE为0.268, R2为0.872; 基于支持向量机的土壤水分含量预测模型的NRMSE为0.298, R2为0.821; 基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316, R2为0.789。 对三种模型分析可知, 基于BPNN的土壤水分含量预测模型效果均较好。 结果可知, 土壤的光谱反射率与含水率间存在较密切的相关性, 将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测, 对监测土壤墒情提供技术支持和理论支撑。

土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。 研究选择41个样本作为校正集和9个样本作为预测集, 所有样本做不同含水率（5%, 10%, 15%和17%）的处理。 采用S/B和DS算法分别对预测结果和全光谱进行校正, 消除土壤水分的影响。 结果得出预测结果偏差减小和模型预测性能得到改善, Rp高于0.89和RMSEP低于0.885%。 研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。

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。

基于遥感的区域土壤水分反演是流域水资源规划管理、农作物灌溉制度制定、区域旱情监测、农作物估产等方面的基础.本文对四种可见光/热红外土壤水分反演方法进行评估对比, 这四种土壤水分估算方法包括基于温度植被干旱指数(TVDI)的土壤水分估算方法和三种基于蒸散比/潜在蒸散比的土壤水分估算方法(EFM1, EFM2和EFM3).基于以上四种土壤水分估算方法, 本文使用ASTER数据估算了黑河流域中游地区的土壤水分状况, 使用研究区内生态水文无线传感器网络和流域水文气象观测站点的土壤水分观测对四个模型进行了验证评估.结果表明, TVDI方法因其干、湿边确定的经验性, 会导致土壤水分估算的误差.而基于蒸散比/潜在蒸散比的土壤水分估算方法会在一定程度改善TVDI方法估算的经验性.通过蒸散比/潜在蒸散比的三种方法对比显示基于EFM1和EFM3方法优于EFM2方法.此外, 基于热红外的土壤水分估算方法都需要土壤参数信息, 土壤参数的不确定性会导致土壤水分估算的误差, 高精度的土壤参数会改善基于热红外的土壤水分估算方法的精度.

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。

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。 以渭干河-库车河绿洲为靶区, 采用小波变换(WT)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, 再通过竞争性自适应重加权(CRAS)、 连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。 基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、 支持向量机、 随机森林和极限学习机模型, 并进行对比分析。 结果显示: (1)随着小波分解的进行, 总体上L6在去噪的同时还尽可能的保留了光谱原始特征, 为最大分解层; (2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量, 同时消除变量间的共线性; (3)在所有的SMC预测模型中, 相对于BP神经网络、 SVM, ELM和RF具有更好的预测能力, 其中L6-CARS-SPA-ELM精度最高, 其RMSEC=0.015 1, R2c=0.916 6, RMSEP=0.014 2, R2p=0.935 4, RPD=2.323 9。 这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性, 为该研究区SMC的预测提供新的思路。