论文部分内容阅读
土壤含水量(θ)是影响植物生长和作物产量的主要因素之一。因此,有效和无损地监测土壤表层含水量对农业灌溉和作物生长具有重要意义。本研究在室内采用积分球法和光谱仪法获取四种土壤(砂土、壤土、黏壤土和砂质壤土)的含水量和光谱反射率数据,用图像法获取了这四种土壤的图像信息。其主要结果如下：第一,用光谱特征参数：绿边反射率总和(决定系数R2=0.24和均方根误差RMSE= 0.09 m3 m-3)和780-970 nm吸收深度(R2=0.31和RMSE=0.11 m3 m-3)、900-970 nm最大反射率与900-970 nm反射率总和(R2=0.92和RMSE=0.05 m3 m-3)、900-970 nm最大反射率(R2=0.86和RMSE=0.03 m3 m-3)与900-970nm积分(R2=0.85和RMSE=0.03 m3 m-3)及900-970nm最大反射率和900-970 nm反射率总和(R2=0.87和RMSE=0.02 m3 m-3)分别估算砂土、壤土、黏壤土和砂质壤土的土壤含水量估算精度最好。用900-970nm最大反射率(R2=0.48和RMSE=0.05 m3 m-3)与900-970nm反射率总和(R2=0.47和RMSE=0.05 m3 m-3)估算不同土壤质地的含水量相关性最高。采用人工神经网络(ANN)能够更好地提高四种土壤质地的土壤含水量的测量精度(R2=0.95和RMSE为0.03 m3m-3)。第二,用积分球法研究了不同土壤质地的土壤,在不同土壤容重(ρ)下和土壤含水量的土壤反射率的变化。结果表明,在不同土壤容重和土壤质地(砂土、壤土、黏壤土和砂质壤土),土壤反射率随着含水量的增加而降低,可用土壤反射率估算θ,其估算精度如下：砂土(R2=0.79和RMSE为0.05 m3m-3)、壤土(R2=0.91和RMSE为0.04 m3 m-3)、黏壤土(R2=0.88和RMSE为0.04 m3 m-3)和砂质壤土(Rw2=0.86和RMSE为0.04 m3 m-3)；估算四种土壤的含水量精度为R2=0.68和RMSE为0.07 m3m-3。第三,提取和分析了不同容重下土壤含水量(θ)的图像信息,包括亮度(Value,用V表示)、饱和度(Saturation,用S表示)和色调(Hue,用H表示),建立亮度与饱和度的估算模型。研究结果表明：1)对砂土,当其土壤容重为1.50 g cm-3时,估算模型相关性最好(R2=0.82和RMSE=0.05 m3m-3);对壤土而言,当其土壤容重为1.40 g cm-3时,估算模型相关性最好(R2=0.93和RMSE=0.04 m3m-3);对黏壤土而言,当其土壤容重为1.60 g cm-3时,相关性最好(R2=0.93和RMSE=0.03 m3 m-3);对砂质壤土,当其土壤容重为1.60 g cm-3时,相关性最好(R2=0.87和RMSE=0.01 m3 m-3); 2)考虑土壤容重的变化,黏壤土含水量估算模型θ=1.89-0.72×V-1.50×S(R2=0.72和6 m3m-3),壤土的R2=0.70和RMSE=0.07 m3 m-3,砂土的R2=0.70和RMSE=0.07 m3 m-3,砂质壤土的R2=0.60和RMSE=0.07 m3m-3。结合人工神经网络(ANN)能够更好地提高四种土壤质地的土壤含水量的测量精度,砂土估算模型的精度为R2=0.67和RMSE为0.07 m3m-3,壤土的则是R2=0.79和RMSE为0.07 m3m-3；黏壤土为R2=0.82并RMSE为0.07 m3m-3；砂质壤土的是R2=0.88和RMSE为0.05m3m-3。综上所述,本研究中采用了积分球法、光谱仪法和图像法获取了不同土壤容重下四种土壤的表层含水量的反射率和土壤颜色信息,基于土壤反射率和图像信息建立二者与θ之间的回归模型,估算θ;分析和比较了这三种方法估算θ模型的精度。结果表明,在不同的ρ和土壤质地(砂土、壤土、黏壤土和砂质壤土)估算θ的精度大小顺序如下：积分球法>光谱仪法>图像法。采用人工神经网络则能够提高土壤含水量的测量精度。