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。

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。

提出一种基于集合卡尔曼滤波的一维数据同化系统, 对不同深度土壤层的水分含量进行同化, 该系统的模型算子为分布式水文模型, 观测算子是积分方程模型和条件温度指数模型.于2008年6月1日至7月2日在黑河流域进行了同化实验, 结果表明, 集合卡尔曼滤波能较好地处理强非线性问题, 与单独DHSVM模型模拟土壤水分含量相比, 同化的表层和根层土壤水分含量精度有明显提高, 其中盈科站表层的均方根误差和平均误差分别减小了0.0217和0.0329, 根层的均方根误差和平均误差分别减小了0.0193和0.025；临泽站的精度也有明显提高, 表明多源遥感数据的同化在地表土壤水分含量的估计中具有较大的潜力.