从光扫描到流动：利用VNIR-SWIR光谱和无校准PTFs估算土壤水力特性

《European Journal of Soil Science》：From Light Scan to Flow: Estimating Soil Hydraulic Properties Through VNIR-SWIR Spectroscopy and Calibration-Free PTFs

　　

本研究提出了一种三步法，通过整合VNIR-SWIR反射光谱与半物理、无校准的土壤传递函数（PTFs），估算土壤水分保持函数（WRF）和水力传导函数（HCF）。研究人员分析了来自意大利南部Alento观测站的135个土壤样本。第一步，利用漫反射光谱，结合五种光谱预处理算法和三种机器学习技术，推导出粒径分布（PSD）。表现最佳的模型展现出优异的预测精度，对PSD质量分数的决定系数（R²）达到0.945，均方根误差（RMSE）为0.051。第二步，应用两种半物理PTFs——Arya-Heitman（PTFWRF-AH）和Mohammadi-Vanclooster（PTFWRF-MV）模型——利用光谱推导的PSD以及实测的土壤容重和饱和含水量来估算WRF。PTFWRF-MV模型优于AH变体，获得了更低的RMSE（0.049 cm³ cm^-3）和更高的R²（0.676）。第三步，结合实测饱和导水率，应用Arya和Heitman PTF来估算HCF。该过程依赖于流量相似性假设，即假定在理想化土壤和天然结构土壤中，孔隙域内的水流划分是等效的。然而，两种模型的HCF预测均表现出超过一个数量级的不确定性，且R²值低于0.50。这些发现强调了光谱学在土壤质地表征方面的有效性，同时也突显了在预测结构土壤水力特性方面持续存在的局限性，这很可能归因于流量相似性假设的违背。

**论文解读**

**研究背景与问题**

土壤水力特性，包括土壤水分保持函数（WRF）和水力传导函数（HCF），是描述土壤-植被-大气系统中水分和溶质运移的关键参数。然而，直接测量这些参数成本高昂、耗时费力，难以在大范围内进行高密度采样。为克服这一局限，研究者发展了土壤传递函数（PTFs），通过易于获取的基本土壤物理化学性质间接估算WRF和HCF。传统PTFs可分为经验型和半物理型，两者均严重依赖大量直接水力测量数据进行校准，且在不同区域间的可迁移性差，导致其预测精度在应用于不同土壤或气候条件时显著下降。

近年来，出现了两种无需数据库经验参数校准的半物理PTFs：Arya和Heitman模型（PTFWRF-AH）与Mohammadi和Vanclooster模型（PTFWRF-MV）。这些模型利用物理原理将粒径分布（PSD）转化为孔隙分布，从而避免了对WRF直接测量的依赖。然而，PSD的测定本身也耗时且需要专业设备。VNIR-SWIR光谱技术作为一种快速、低成本的方法，已被用于估算土壤PSD。本研究旨在提出并评估一种创新的三步法，将土壤近感探测与基础土壤物理学相结合，通过光谱估算PSD，进而利用半物理PTFs无校准地推导WRF和HCF，从而解决物理尺度不匹配问题（小扰动光谱样本与大非扰动土柱之间的差异），并实现大面积高分辨率的水力特性表征。该论文发表在《European Journal of Soil Science》。

**关键技术方法**

研究人员采用了以下主要关键技术方法：（1）VNIR-SWIR漫反射光谱测量，对来自意大利Alento观测站MFC2子流域的135个表层土壤样本（扰动样）进行光谱采集；（2）五种光谱预处理算法（原始反射率RR、连续统去除变换CRT、一阶导数Savitzky–Golay FSG、二阶导数SSG、标准正态变量SNV）与三种机器学习算法（偏最小二乘回归PLSR、随机森林RF、神经网络NN）组合，构建15种光谱传递函数（STFs），用于估算PSD参数；（3）两种半物理PTFs（PTFWRF-AH和PTFWRF-MV）利用光谱推导的PSD、实测容重和饱和含水量估算WRF；（4）使用Arya和Heitman（2010）提出的PTF，结合流量相似性假设和实测饱和导水率（Ks），推导HCF。

**研究结果**

**3.1 数据分析**

通过对PSD数据拟合Pasikatan方程，发现参数μ和σ的变异系数较低，拟合RMSE均值仅为0.023，表明方程拟合效果良好。WRF和HCF的优化结果显示，饱和含水量（θs）变异系数低（8.8%），而饱和导水率（Ks）变异极大（122.4%）。WRF的参数中，结构孔隙域（大孔隙）的权重系数w和标准差σ1变异系数高（分别为50.2%和43.1%），表明田间结构域贡献差异显著；而质地影响孔隙域的参数hm2和σ2变异相对较小。土壤质地以黏土为主，但涵盖砂壤土、壤土、粉砂壤土和黏壤土等多种类型。

**3.2 粒径分布参数的估算**

通过评估15种STFs在50次重复随机子抽样验证中的表现，发现FSG预处理结合PLSR（FSG PLSR）模型性能最佳，取得了最高的中位R²（0.945）、最低的中位RMSE（0.051）以及优异的RPD（4.262）和RPIQ（7.055）。大多数模型（除NN组合外）的RPD均高于2.5，RPIQ高于4.0，证实了光谱学在预测PSD方面的稳健性。PLSR通常优于RF和NN，表明其处理高维共线光谱数据的有效性。SSG与NN的组合表现最差（R²=0.701，RMSE=0.119），表明过度预处理可能削弱某些算法的预测信号。

**3.3 WRF和HCF参数的估算**

在估算WRF方面，PTFWRF-MV模型优于PTFWRF-AH，获得了更低的RMSE（0.049 cm³ cm^-3）和更高的R²（0.676），数据点更紧密地聚集在1:1线附近。PTFWRF-AH则表现出系统性高估，RMSE为0.062 cm³ cm^-3，R²为0.521。两种模型均获得可靠的RPD（1.4-1.8）和RPIQ（>2.0）值。在估算HCF时，PTFHCF-AH和PTFHCF-MV模型均面临巨大挑战，RMSE均超过1.0（分别为1.13和1.054），表明预测不确定性超过一个数量级。PTFHCF-AH倾向于高估导水率，而PTFHCF-MV偏差较小，但R²仅0.442，RPD低于1.4，总体性能较差。

**讨论与结论**

讨论部分指出，本研究的三步法成功避免了物理尺度不匹配问题，因为光谱直接检测初级颗粒属性（PSD），而PSD在扰动后仍保持不变，因此“光谱-质地”桥梁稳健。然而，WRF和HCF的后续估算揭示了物理和建模的局限性。光谱信号主要反映成分属性，无法编码土壤结构属性，尤其是团聚体间孔隙（结构孔隙），而结构孔隙对WRF的双峰特性及HCF的传导行为起主导作用。对于结构发育良好的土壤，HCF预测的困难主要归因于流量相似性假设的违背，即理想化毛细管束与天然结构土壤中层级孔隙组织和连通性之间存在显著差异。此外，Ks的测量误差也会放大预测不确定性。研究强调，HCF预测的不准确不应仅归因于输入数据限制，更反映了模型框架对土壤孔隙结构表征的结构性不足。

研究结论部分翻译如下：

本研究提出了一种可行的、基于物理的三步法，用于从VNIR-SWIR反射光谱估算土壤水力特性。该方法整合了：（i）光谱推导的PSD，以及（ii）利用土壤容重、饱和含水量和饱和导水率直接测量值推导WRF和HCF的半物理PTFs。本研究的核心结果可总结如下：

* 将PLSR与一阶导数Savitzky–Golay（FSG）预处理相结合，被证明是最稳健的STF。
* 半物理Mohammadi-Vanclooster（MV）模型在估算WRF方面优于Arya-Heitman（AH）变体。
* 预测HCF仍具挑战性；测试的PTFs显示出超过一个数量级的不确定性。
* HCF的预测差距主要归因于光谱学（在扰动样本上进行）无法检测到团聚体间结构孔隙度和连通性，而这些因素在天然土柱中主导水流。