Home Journals Journal of Agriculture
Journal of Agriculture

Abbreviation (ISO4): Journal of Agriculture      Editor in chief: Shiyan QIAO

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 

Research Progress of Application of Ground Penetrating Radar Technology in Soil Properties Detection

  • FU Meiling , 1, 2 ,
  • ZHU Xiangming 2 ,
  • DUAN Wenbiao , 1
Expand
  • 1 Forestry College, Northeast Forestry University, Harbin 150040, Heilongjiang, China
  • 2 Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Harbin 150081, Heilongjiang, China

Received date: 2023-09-22

  Revised date: 2024-01-11

  Online published: 2024-04-17

Abstract

Ground Penetrating Radar (GPR) is recognized for its rapid, non-invasive technology in medium and small-scale near-earth sensing. It has been widely applied in soil property analysis due to its considerable data richness, high resolution and excellent spatial continuity. This article presented a comprehensive review of the principles underlying GPR’s use in soil property detection, elaborated on forward simulation methods and the prevalent soil dielectric models in use. It summarized the current advancements in applying GPR technology for assessing various soil properties, including moisture content, texture, stratification, compaction, and salinity. Additionally, the paper discussed the challenges and limitations in the field applications: the influence factors of field detection were complex, and the data interpretation was complex and subjective, most of the researches only stayed in the qualitative or semi-quantitative stage. Concluding perspective, the article pointed out that with ongoing advancements in signal processing and theoretical research, GPR held significant potential for future innovations in soil characteristic exploration. This work aimed to serve as a valuable resource for ongoing and future studies on the application of GPR in soil property investigation.

Cite this article

FU Meiling , ZHU Xiangming , DUAN Wenbiao . Research Progress of Application of Ground Penetrating Radar Technology in Soil Properties Detection[J]. Journal of Agriculture, 2024 , 14(4) : 93 -100 . DOI: 10.11923/j.issn.2095-4050.cjas2023-0214

0 引言

土壤是农业生产的重要基础,对人类社会的可持续发展至关重要。土壤性质的空间变异影响着土壤的通气透水性与保水保肥性,从而影响作物的生长发育及其生产力。因此,探测土壤性质对于了解土壤质量、评估作物生产性能、优化农业生产布局等均具有重要意义。
近地球物理方法因其无损性与多尺度适用性等优势被广泛应用于土壤性质探测中。电阻率(ERT)、电磁感应(EMI)与探地雷达(GPR)是应用于农业土壤探测最多的地球物理方法[1]。其中,探地雷达技术利用电磁波表征地下土壤特征,是近几十年发展起来的中尺度近地传感技术之一[2]。与电阻率、电磁感应法相比,探地雷达并不局限于点尺度的探测,具有连续、高效、分辨率高等特点,并且可以实时显示。该技术填补了传统调查方法在中尺度范围内的不足,在土壤性质评估中展现了独特的优势,是有效评估土壤特性的工具[3]
20世纪70年代末期,美国首先证明了探地雷达用于土壤调查的有效性[4]。21世纪初,美国已根据土壤调查报告,完成了部分地区的探地雷达土壤适用图[5]。近些年,随着其应用与信号处理技术的发展,国内外越来越多的人使用其作为土壤学工具[6]。因水的介电常数远高于其他土壤成分,探地雷达对含水量的变化更加敏感,因此,在土壤学领域的大多数研究都集中在土壤水分探测上。但土壤其他物理性质也会相应地影响土壤的介电特性。研究表明,探地雷达不仅可有效地测量土壤表层含水量的分布情况,也可实现土壤层次、土壤压实、土壤质地、土壤盐分等性质的高精度探测[7-8]
本研究将通过总结探地雷达在不同土壤性质调查中的应用研究,展示探地雷达探测土壤性质的方法原理、应用情况以及在实地应用中限制因素,为其使用者探测土壤性质提供参考。

1 探地雷达探测土壤性质的原理

探地雷达技术基于电磁波基本理论,通过天线发射电磁波,电磁波在遇到具有电磁差异(介电常数、电导率、磁导率)的介质时发生反射,并通过天线接收器接收,经过后续的解译处理,进而推测地下目标的空间位置与物理性质等信息。在土壤中,介电常数与电导率是影响土壤介电特性变化的主要参数[9]。当电磁波穿过土壤时,土壤中的极性分子(如土壤水分子)产生极化作用,从而导致能量的存储,介电常数代表了外加电场下电荷的存储能力,是决定电磁波的传播速度的主要因素。在极化过程中,交变电场的不同步会引起驰豫极化,介电驰豫引起的总体能量损耗决定了波的衰减特性,与土壤电导率有关,土壤中的水溶性盐与粘土含量是影响土壤电导率的重要因素。表1列出了典型土壤在100 MHz时的电导率与相对介电常数值[4],供研究者参考。
表1 常见的土壤物质在100 MHz时的介电常数与电导率取值
物质材料 静态电导率σs/(mS/m) 相对介电常数εr
干黏土 1~100 2~20
湿黏土 100~1000 15~40
干沙土 0.1~100 4~6
湿沙土 10~100 15~30
干沃土 0.1~1 4~6
湿沃土 10~100 10~20
一般土壤 5 16

2 探地雷达在探测土壤性质中的应用

2.1 土壤含水量探测

因电磁波对土壤水分的敏感性,探地雷达用于土壤水分的探测技术较为成熟。常用的探测方法包括地面波法、反射波法、早期信号分析与钻孔雷达法[10-11]
(1)地面波法。地面波是发射天线发射的电磁波通过土壤表层从发射源直接传播到接收天线的信号。地面波法首先使用多偏移距法,选择出可以将地波与空气波分开的共偏移距值,再通过共偏移距以固定的天线间距,探测整条测线,以地面波数据估算含水量[12]。该方法可用于绘制大范围土壤表层含水量变化图[13],在没有清晰反射面的条件下,地面波法是探测土壤含水量的最佳方法[14]。但地面波法只能测定表层土壤的含水量,不适合应用于信号衰减大的土壤环境与浅表层具有强反射层的环境中[15]
(2)反射波法。反射波法通过反射数据分析探地雷达波速[16],包括多偏移距法与共偏移距法。相对于地表波只能获取土壤表层含水量,反射波法可获取反射层与地表之间的平均含水量。KOYAMA等[17]采用多偏移距法获得反射土层的介电常数,计算结果表明以反射波法获取的土壤含水量明显优于TDR方法,但该方法费时费力,不适合大规模应用。共偏移距方法可以进行实时快速的监测,但需要现场条件下精确定义时间零点。反射波法是目前应用最广泛的方法,该方法具有较高的分辨率,但是需要有清晰且均匀的反射层,对于地下环境复杂的区域难以应用[18]
(3)早期信号分析。PETTINELLI等[19]提出雷达波振幅包络平均值法(average envelope amplitude,AEA),该方法通过早期振幅包络与土壤介电特性的高度相关性获取土壤的电磁特性,从而定量分析幅值变化反演土壤介电常数。通常雷达振幅越大,含水量越小[20]。MATTEO等[21]研究表明,雷达第一个半周期信号的振幅包络与介电常数的相关性最好。AEA法不依赖于地下反射面的存在,不需要足够大的天线间距,避免了地面波的高衰减问题。相对于地波法与反射波法在粘土环境中的局限性,早期分析可用于监测粘土土壤中含水量变化[22]。在砂质土壤环境中,AEA法的探测精度随着含水量的增大而增大,但随着探测深度的增大而降低[23]。程琦等[24]研究也证明了AEA法只适用于反演耕层土壤含水率,在20 cm以下探测误差较大。且早期时间信号同时受到电导率和介电常数的影响,它们的影响尚不能区分。
(4)钻孔雷达法。钻孔雷达法使用收发天线分置的探地雷达,将2个天线放置在2个平行的钻孔中,通过测量一个钻孔中的发射天线到另一个钻孔中的接收天线的直达波旅行时间,计算波速与介电常数。该方法通常有2种测量方式,透射零偏移距法(Zero-offset profiling,ZOP)与透射多偏移距法(Multi-Offset profiling,MOP)。ZOP法收发天线始终保持在同一深度上平行移动,MOP法发射和接收天线可以处于不同高度下的钻孔中。ZOP法操作简单,MOP法操作复杂但可以探测多种不同角度下土壤湿度变化的信息[25]。钻孔雷达作为一种定点探测土壤含水量的方法,更加适用于水文地质信息的探测。

2.2 土壤质地探测

土壤中含有多种不同比例的粘土矿物,探地雷达可以通过土壤物质组成如砂粒、黏粒含量以及主要的粘土矿物例如蒙脱石、高岭石引起的电导率变化确定土壤质地[26]。在相同含水量条件下,不同质地的土壤具有不同的穿透深度与探测精度[27-28]。沙质土壤更有利于高频天线的探地雷达调查[29],使用900 MHz天线探测沙质土壤,可获取近1 m深度的最高水平分辨率,500 MHz天线可获取近2 m深度的中等水平分辨率[30],而对于干燥沙地,使用低频天线可获得50 m的穿透深度。在潮湿的黏土中,穿透深度通常小于1 m[26]。在120 MHz的天线频率下,探测精度顺序为沙质颗粒>壤质粗砂>壤质细砂>粘土[31]
粘土电导率的主要影响因素是土壤阳离子交换能力[32],因粘土矿物通常具有更大的比表面积并且带有不饱和电荷,为了保持电中性,其表面吸附了更多的可交换阳离子。相关的电化学过程导致土壤电导率升高,从而产生较高的信号衰减[33]。不同类型粘土矿物的阳离子交换量具有差异,对于低孔隙度和干燥条件下的土壤,方解石与石英含量越高,介电常数越大,蒙脱石含量的增多会导致介电常数随着频率的降低而增大,比高岭石更加剧烈[4]
粘土对探地雷达小波振幅和频率特征有显著影响,通过分析早期信号与频域特征,获取粘土含量是有效的。粘土含量的增高导致反射振幅的增加与频谱的位移,在频域中会观察到向较低频率的显著转移,峰值的移动与粘土含量之间呈负相关关系[34]。BENEDETTO等[35]证明利用频移法可以定量评价土壤中的粘土含量,可通过正弦插值来确定峰值位置。

2.3 土壤层次探测

相邻土层间由于土壤容重[36]、质地[37]、含水量[38]等土壤理化性质的不同导致介电特性的差异,探地雷达基于信号反射技术,当土层间存在着足够介电差异的前提下,通过识别层次分界面处的反射信号实现对土壤层次的有效探测[39]。在实地测量中,天线频率越高分辨率越高,但探测的有效深度越浅[40],因此需要依据目标层位深度与土壤类型,选择合适的天线频率。研究表明,使用60 MHz与120 MHz组合天线有助于识别南方红壤区的红土层厚度[41],使用400~500 MHz天线可有效探测潮土区农田土体构型层次[42]与新增耕层厚度[36]。但对于含水量较高的东北黑土区,500 MHz天线信号衰减强烈,需要采用500、250、100 MHz的组合天线来识别不同深度的土壤剖面信息[43]。LIU等[44]与VORONIN等[45]分别建立了黑土层厚度与黑钙土中腐殖质层厚度的计算模型,为黑土层与腐殖质层的定量研究提供了理论基础,但需要更多的研究来验证模型精度。
土层间介电差异不显著、界面不均匀、土层厚度不足等因素都可能导致无法准确识别土壤层次[46]。瞬时属性分析(瞬时振幅、瞬时频率、瞬时相位)有助于识别同相轴的连续性,提高对薄层的识别能力[47]。时频域的信号变换能同时反应时域信息和频域信息,满足更加复杂的去噪要求,可辅助解译土壤分层数据。短时傅立叶变换[42]、小波变换[48]、S变换[49]等时频分析方法已应用于土壤层次数据解译中,提高了探地雷达信号的分辨率,在层状结构数据分析中具有有效性。但高级信号处理方法往往是复杂且耗时的,如果应用不当无法达到预期效果。

2.4 土壤压实探测

农业机械化程度的提高会加剧土壤压实,导致土壤质量下降,及时掌握土壤压实情况对土壤的修复和改良十分重要。土壤压实会降低土壤孔隙度与气体比例,提高液体和固体比例,导致介电常数的增加,从而对电磁波的吸收更加明显[50]。土壤介电常数越高,电磁波振幅值越低,衰减速度越快。利用电磁波速度的相对变化检测土壤压实具有可行性,但难以剥离土壤水分等其他土壤特性的影响[51]。在土壤含水率较低时,电磁波振幅与土壤容重大小成反比,可实现对土壤容重的定性和定量分析。当土壤体积含水量过大时,土壤含水量对介电常数的影响会掩盖土壤容重的影响[52]
频谱分析方法通过分析信号频域的能量、包络、振幅等信息,避免了波速-介电常数法中波速误差大等缺点。频谱中雷达波能量的高频部分与土壤紧实度具有较好的相关性,自回归移动平均(ARMA)功率谱可加强对高频成分的识别能力,从而提高土壤紧实度的探测精度。但该方法在计算过程中,雷达天线带宽存在较大差异,因此需要对不同天线进行参数调整[53]。GHOSE等[54]将地震和探地雷达反射系数与孔隙度联系起来,提出了一种定量整合地震和探地雷达反射系数的方法,表明2种数据类型的正确整合可以用来估算土壤孔隙度。
在非饱和土壤其他土壤特性基本一致的情况下,土壤容重的差异是导致探地雷达波形变化的主要原因。探地雷达可用于绘制土壤压实度图[55-56],但只能从图像解译中推断出相对值,而很难仅获得准确的定量压实值。因此需要使用其他测量工具进行校准。为此需要探索更多的理论支撑,以支持探地雷达在土壤容重检测中的应用。

2.5 土壤盐分探测

土壤作为复杂的混合物,其介电常数可表示为复数形式,具有实部和虚部两部分。实部主要由土壤含水量决定,虚部主要由土壤含盐量决定,土壤溶液中溶解盐的浓度越高,电导率越高,导致雷达信号衰减加剧[57]。由于盐渍化土壤中雷达信号的高衰减性,一般认为探地雷达不适用于盐渍化土壤的深层探测。但有研究表明,探地雷达可实现对盐渍化土壤的浅层探测,如判别盐磐层[58]、碱化层[59]、表征盐分迁移[60]、估算土壤盐分含量等[61]
电磁波的传播速度、振幅与盐分含量的关系具有很强的非线性与复杂性,当盐分含量增加时,信号的振幅明显降低,随着盐分含量越来越高,频谱图像中会有多峰现象出现[62]。可通过分析雷达电磁波传播速度、反射系数和反射振幅来分析估算土壤盐度[63-64]。在实际测量中,土壤盐分的探测多为定性化分析,如何定量反演土壤盐分是当前的研究热点。张金珠等[65]利用探地雷达多频天线AEA法获取介电常数反演盐分含量,该方法可用剖面法进行探测,操作简单且适合大面积应用,但需要大量的数据处理过程。在农田土壤环境中,雷达信号受到土壤多因子的复合影响,会导致各因子在雷达图像中难以区分,且盐渍化土壤一般存在较高的盐分含量空间变异性,因此在大范围内定量化分析土壤盐分,仍然具有很多的不确定性,需要进一步的实验与研究。

3 探地雷达正演模拟与反演模型

3.1 正演模拟在土壤中的应用

正演模拟指利用计算机模拟地下介质的电磁波响应,可分析不同质地的土壤介电常数与反射系数的变化情况[66],是探地雷达理论研究的重要内容与反演成果验证的有效手段。时域有限差分法(FDTD)有助于分析电磁波在复杂介质中的传播规律,可更加精确的模拟出土壤散射及地下目标属性信息。
基于FDTD的正演模拟软件GprMax2D是最常用的二维模拟工具,谢国青等[67]在该软件中模拟不同含水率对雷达波的响应特征,并通过主成分分析法得出功率谱特征与含水率的相关性,为土壤含水率的反演提供了理论基础。李蕙君等[68]基于FDTD模拟具有不同介电常数的土壤层次结构,表明回波振幅与介电常数具有负相关关系。当上层土壤介电常数小于下层土壤时,电磁波产生正反射,土层分界面首先出现波峰[69]。正演模拟结果为实地数据解析提供了理论支撑,使学者能够预先评估目标区域的探测效果,如张松[70]结合陕北地区黄土层、红土层的二维正演模拟结果与实地探测数据,表明在陕北黄土塬区无法利用探地雷达有效探测红土层。
与复杂不均匀的自然土壤环境相比,模拟环境是更加理想化的。因此实测和模拟的数据之间往往存在一些差异,在模拟过程中需要考虑表面粗糙度等更多的影响因素以减小模拟误差[71]。目前的正演模拟大多集中在二维模型,Gpr Max3D可用于三维探地雷达正演模拟,实现三维可视化,三维正演模拟因计算量庞大,过程复杂,目前研究尚少。但三维数值模拟能够极大提高雷达数据的分辨率,更加精确的展现地下目标的三维空间形态及内部结构信息,是数值模拟发展的一个重要的趋势和研究方向。

3.2 介电模型在反演中的应用

土壤介电模型是微波定量反演的基础,不同介电模型参数值受土壤类型、孔隙结构、含水量、含盐量等多种因素的影响,需要依据研究目的与实地情况选择合适的介电模型。

3.2.1 土壤水分介电模型

Topp模型[72]是应用最广泛的土壤水分介电模型,Topp模型认为土壤含水量独立于其他土壤特性参数,形式简单、准确率高,因此也被称为通用公式。Topp模型表达式如式(1)所示。
θ = - 0 . 053 + 0 . 0293 ε - 0 . 00055 ε 2 + 0 . 0000043 ε 3
式中,θ为土壤含水量,ε为土壤介电常数。该模型是依赖于4种无机土壤材料建立的,在粘土、盐碱土、与含水量过高的土壤环境中具有一定的限制。因此,ROTH等[73]对其进行了数据补充与参数修正,提出了修正后的经验模型,Roth模型更适用于中国潮土地区[74]与红壤地区[12]的土壤含水量反演。该模型表达式如式(2)所示。
θ = - 0 . 07 2 8 + 0 . 0448 ε - 0 . 00195 ε 2 + 0 . 0000361 ε 3
Herkelrath模型[75]认为土壤含水量在一定范围内时,含水量与介电常数的平方根呈线性关系,该模型如式(3)所示。
θ = b 1 + b 2 ε
式中,b1b2为校正系数。朱安宁等[76]研究表明Herkelrath模型对潮土、风沙土、红壤、水稻土的含水量反演结果均较好。并确定了以上4种土壤的b1b2值。巨兆强[77]对中国12种类型土壤进行了模型适用性研究并建立了关系式,为定量化中国不同类型土壤的介电常数提供参考式(4)。
θ = 0 . 1219 ε 0 . 5 - 0 . 1846
Dobson加入了5种不同土壤类型的实测数据建立了半经验模型——Dobson模型[78],因精度较高,电磁波频率范围宽而被广泛应用于土壤复介电常数的计算,但该模型将自由水与束缚水看作一个整体,并没有表现出束缚水的特性。Dobson模型由实部ε′和虚部ε′′组成,实部表示土壤对电磁波传播速度的影响,虚部表示电磁波在土壤中的能量损失程度。表达式如式(5)、(6)所示。
ε ' = 1 + ρ b ρ s ε s α - 1 + m β ' v ε ' f w α - m v 1 α
ε ' ' m β ' v ε ' f w α ' 1 α
式中:α为形状因子,取值大小为0.65;ρb为土壤容重;ρs为土壤颗粒的密度,取值大小为2.65 g/cm3εs为土壤中固态物质介电常数,约为4.7;mv表示土壤的体积含水量,ε′fwε′′fw表示自由水介电常数,β′通过土壤中的砂粒及粘粒含量确定。
除此之外,众多学者提出了许多土壤水分介电模型,如经验模型Ferre模型[79]、Ledieu模型[80],半经验模型Wang模型[81]、Mironov[82]模型等。半经验模型具有普适性强、反演精度高的优点,因具有一定的物理意义、相对于经验模型来说拟合效果更好[83]。但模型的参数较多、公式复杂、且依赖于其他物理参数的获取,因此在实际应用中更加困难。

3.2.2 含盐土壤介电模型

目前常用的土壤水分介电模型无法表达出土壤盐分信息,含盐土壤介电模型可同时考虑土壤水分与盐分的相互作用,是定量反演土壤盐分的重要理论工具。胡庆荣[84]结合Stogryn盐水模型[85],将盐水介电常数代替自由水介电常数,将含盐量引入Dobson模型的虚部表达中,实部保持不变,将其扩展为含水含盐土壤的混合介电模型,胡庆荣模型虚部表达式如式(7)、(8)所示。
ε ' ' γ m v β ' ' / α ' - 2 s f
γ = A ζ X ( ρ s - ρ b ) ρ b 2 π ε 0 ρ s
式中,A代表与盐离子种类相关的系数,NaCl溶液的取值为1;X为温度补偿系数;S代表土壤含盐量;ξ为Stogryn模型中电导率与含盐量的拟合系数,取值为0.14;ε0为真空介电常数。胡庆荣模型的建立使定量反演土壤盐分成为可能,但该模型在土壤水分含量较低的区域,反演误差明显偏大[86]。邹杰等[87]修正了胡庆荣介电模型中A的取值,修改后范围在0.74左右,使之适用于膜下滴灌棉田的盐分表达。WU等[88]研究表明在较低频率范围内,介电常数虚部与土壤水盐含量有更加强烈的相关性,因此建立了WYR模型,如式(9)所示。
$\varepsilon^{\prime \prime}=\frac{2 \pi f \tau_{s \omega}\left(\varepsilon_{s \omega 0}-\varepsilon_{s \omega \infty}\right)}{1+\left(2 \pi f \tau_{s \omega}\right)^{2}}-0.371 \frac{\rho_{b}}{2 \pi f \varepsilon_{0}} \cdot \frac{(S) m_{v}{ }^{0.18}}{m_{v}}$
式中,f为频率;τ为盐水的弛豫时间;ε0为盐水的静电场介电常数;εsω∞表示高频介电常数,取值约为4.9。WYR模型在土壤水分非饱和的情况下反演效果较好,在土壤水分含量较高时,虚部的反演精度有待进一步提高[86]。目前多数介电模型是针对非盐渍化土壤而言的,含盐土壤介电模型的发展尚处于初级阶段。一些学者也在实验的基础上建立了相关的含盐土壤介电模型[89-90],但模型精度还需要进一步验证,因此仍需对盐渍土介电模型进行更加深入的探索。

4 存在的问题与展望

探地雷达技术以其分辨率高、空间连续性好、快速无损等优点成为探测土壤性质的重要技术之一。但在实际应用中仍然存在其缺陷和局限性,结果导致土壤学领域的多数研究仍然仅停留在定性或半定量阶段。在未来的研究中,需要解决现存的问题,才能充分开发探地雷达技术的应用潜力。
实地探测中现存的问题如下。
(1)探地雷达的分辨率与穿透深度很大程度上依赖于土壤类型,如一般认为沙质土壤更适合土壤的层位的探测,而潮湿的粘土与盐土并不适合,目前对不同土壤类型与地质条件的雷达适宜性研究并不完整,使研究人员不能准确的预先评估探测效果,从而间接的增加了时间与精力成本。
(2)数据处理与分析可提高数据质量与解译效果,是数据解译的辅助手段,但盲目的运用高级信号转换技术不仅不能提高信号质量,甚至有可能覆盖原始信号中的有效信号,会导致数据处理与解译结果具有更大的主观性。
(3)探地雷达作为关键的农业传感技术之一,在土壤学领域是跨学科的应用。使用者不仅要具备专业的土壤学知识,更要具备熟练使用探地雷达与正确处理雷达图像的能力。在遇到复杂的地质条件时,如果不能熟练操作设备、了解地质情况与判断雷达数据的优劣,会极大增大探测难度。
(4)许多研究建立在构建模型的实验室模拟中,相对于真实的野外土壤环境,模拟环境往往是理想化的。探地雷达在野外环境探测中的影响因子是复杂多样的,如天线频率的选择、雷达相关参数的设置、土壤理化性质的不同等都会影响探地雷达的探测精度,因此其有效性仍需进一步验证。
对未来的展望:随着信号处理技术与建模分析的不断发展,土壤条件适宜性研究的不断全面,三维探测技术的不断进步与雷达应用的不断熟练,反演并且定量解释土壤特性是有可能的,探地雷达在未来有可能成为一个有潜力的探测土壤性质的工具。
[1]
LOMBARDI F, ORTUANI B, FACCHI A, et al. Assessing the perspectives of ground penetrating radar for precision farming[J]. Remote Sensing, 2022, 14(23):1-34.

DOI

[2]
ZEHRA K, TARUN S, NAIYARA K, et al. Soil exploration using ground penetrating radar[J]. IOP Conference Series: Earth and environmental science, 2021, 889(1):1-10.

[3]
DE BENEDETTO D, CASTRIGNANÒ A, QUARTO R. A Geostatistical approach to estimate soil moisture as a function of geophysical data and soil attributes[J]. Procedia environmental sciences, 2013, 19:436-445.

DOI

[4]
JOL H M. Ground Penetrating Radar: theory and applications[M]. Elsevier, 2009.

[5]
DOOLITTLE J A, MINZENMAYER F E, WAITMAN S W, et al. Ground-penetrating radar soil suitability map of the conterminous United States[J]. Geoderma, 2007, 141(3):416-421.

DOI

[6]
ZAJÍCOVÁ K, CHUMAN T. Application of ground penetrating radar methods in soil studies: a review[J]. Geoderma, 2019, 343:116-129.

DOI

[7]
王敬朋, 王金满, 张雅馥, 等. 探地雷达技术探测土壤特性的研究进展[J]. 土壤通报, 2021, 52(01):242-252.

[8]
LIU X W, DONG X J, LESKOVAR D I. Ground penetrating radar for underground sensing in agriculture: A review[J]. International agrophysics, 2016, 30(4):533-543.

DOI

[9]
LEE J H, OH M H, PARK J, et al. Dielectric dispersion characteristics of sand contaminated by heavy metal, landfill leachate and BTEX (02-104B)[J]. Journal of hazardous materials, 2003, 105(1-3):83-102.

PMID

[10]
KLOTZSCHE A, JONARD F, LOOMS M C, et al. Measuring soil water content with ground penetrating Radar: A Decade of Progress[J]. Vadose zone journal, 2018, 17(1):1-9.

[11]
HUISMAN J A, HUBBARD S S, REDMAN J D, et al. Measuring soil water content with ground penetrating radar: A review[J]. Vadose zone journal, 2003, 2(4):476-491.

[12]
曹棋, 宋效东, 吴华勇, 等. 探地雷达地波法测定红壤区土壤水分的参数律定研究[J]. 土壤通报, 2020, 51(02):332-342.

[13]
GROTE K, HUBBARD S, RUBIN Y. Field-scale estimation of volumetric water content using ground-penetrating radar ground wave techniques[J]. Water resources research, 2003, 39(11):1321.

[14]
GALAGEDARA L W, PARKIN G W, NREDMAN J D, et al. Field studies of the GPR ground wave method for estimating soil water content during irrigation and drainage[J]. Journal of hydrology, 2004, 301(1):182-197.

DOI

[15]
HUISMAN J A, SPERL C, BOUTEN W, et al. Soil water content measurements at different scales: accuracy of time domain reflectometry and ground-penetrating radar[J]. Journal of hydrology, 2001, 245:48-58.

DOI

[16]
ZHOU L, YU D S, WANG Z Y, et al. Soil Water Content Estimation Using High-Frequency Ground Penetrating Radar[J]. Water, 2019, 11(5):1036.

DOI

[17]
KOYAMA C N, LIU H, TAKAHASHI K, et al. In-Situ measurement of soil permittivity at various depths for the calibration and validation of low-frequency SAR soil moisture models by using GPR[J]. Remote sensing, 2017, 9(6):580-580.

DOI

[18]
WIJEWARDANA Y G N S, GALAGEDARA L W. Estimation of spatio-temporal variability of soil water content in agricultural fields with ground penetrating radar[J]. Journal of hydrology, 2010, 391(1):26-35.

[19]
PETTINELLI E, VANNARONI G, DI PASQUO B, et al. Correlation between near-surface electromagnetic soil parameters and early-time GPR signals: An experimental study[J]. Geophysics, 2007, 72(2):A25-A28.

DOI

[20]
乔新涛, 曹毅, 毕如田. 基于AEA法的黄土高原矿区复垦农田土壤含水率特征研究[J]. 土壤通报, 2019, 50(1):63-69.

[21]
MATTEO A D, PETTINELLI E, SLOB E. Early-time GPR signal attributes to estimate soil dielectric permittivity: A theoretical stud[J]. IEEE transactions on geoscience and remote sensing, 2013, 51(3):1643-1654.

DOI

[22]
ALGEO J, VAN DAM R L, SLATER L. Early-time GPR: A method to monitor spatial variations in soil water content during irrigation in clay soils[J]. Vadose Zone journal, 2016, 15(11):1-9.

[23]
吴志远, 彭苏萍, 杜文凤, 等. 基于探地雷达波振幅包络平均值确定土壤含水率[J]. 农业工程学报, 2015, 31(12):158-164.

[24]
程琦, 张世文, 罗明, 等. 基于探地雷达粉煤灰充填复垦土壤含水率反演[J]. 地球物理学进展, 2021, 36(5):2159-2167.

[25]
雷少刚, 卞正富. 探地雷达测定土壤含水率研究综述[J]. 土壤通报, 2008, 236(5):1179-1183.

[26]
DOOLITTLE J A, INDORANTE S J, POTTER D K, et al. Comparing three geophysical tools for locating sand blows in alluvial soils of southeast Missouri[J]. Journal of soil water conservation, 2002, 57(3):175-182.

[27]
PATEL V N, CHAUDHAR P D, RANA V A, et al. Estimation of dielectric properties of clay loam and silty soil with different salinity levels over low frequency range[J]. Current science, 2021, 120(2):414-422.

DOI

[28]
GROTE K, ANGER C, KELLY B, et al. Characterization of soil water content variability and soil texture using GPR groundwave techniques[J]. Journal of environmental & engineering geophysics, 2010, 15(3):93-110.

[29]
STOFFREGEN H, YARAMANCI U, ZENKER T, et al. Accuracy of soil water content measurements using ground penetrating radar: Comparison of ground penetrating radar and lysimeter data[J]. Journal of hydrology, 2002, 267(3-4):201-206.

DOI

[30]
FREELAND R S, YODER R E, AMMONS J T. Mapping shallow underground features that influence site-specific agricultural production[J]. Journal of applied geophysics, 1998, 40(1-3):19-27.

DOI

[31]
DOOLITTLE J A, COLLINS M E. Use of soil information to determine application of ground penetrating radar[J]. Journal of applied geophysics, 1995, 33(1-3):101-108.

DOI

[32]
LAUER K, ALBRECHT C, SALAT C, et al. Complex effective relative permittivity of soil samples from the taunus region (Germany)[J]. Journal of earth science, 2010, 21(6):961-967.

DOI

[33]
MOURMEAUX N, TRAN A P, LAMBOT S. Soil permittivity and conductivity characterization by full-wave inversion of near-field GPR data[C]. Proceedings of the 15th international conference on ground penetrating radar,Brussels,Belgium, 2014:497-502.

[34]
TOSTI F, PATRIARCA C, SLOB E, et al. Clay content evaluation in soils through GPR signal processing[J]. Journal of applied geophysics, 2013, 97:69-80.

DOI

[35]
BENEDETTO F, TOSTI F. GPR spectral analysis for clay content evaluation by the frequency shift method[J]. Journal of applied geophysics, 2013,(97):89-96.

[36]
花东文, 韩霁昌, 张扬, 等. 基于探地雷达方法的新增耕地土层厚度估测-以南泥湾土地整治项目为例[J]. 土地开发工程研究, 2016, 1(1):31-36.

[37]
彭亮, 徐清, 朱忠礼, 等. 应用低频微波波段GPR测量土壤结构[J]. 北京师范大学学报(自然科学版), 2007, 43(3):324-329.

[38]
夏银行, 黎蕾, 邓少虹, 等. 基于探地雷达的喀斯特峰丛洼地土壤深度和分布探测[J]. 水土保持通报, 2016, 36(1):129-135.

[39]
LUO G B, CAO Y G, XU H X, et al. Research on typical soil physical properties in a mining area: Feasibility of three-dimensional ground penetrating radar detection[J]. Environmental earth sciences, 2021, 80(3):80-92.

DOI

[40]
HAN X L, LIU J T, ZHANG J, et al. Identifying soil structure along headwater hillslopes using ground penetrating radar based technique[J]. Journal of mountain science, 2016, 13(3):405-415.

DOI

[41]
曹棋, 宋效东, 杨顺华, 等. 基于探地雷达的典型红壤区网纹红土层识别[J]. 土壤学报, 2019, 56(4):813-824.

[42]
李俐, 付雪, 崔佳, 等. 基于包络检波和STFT谱分析的探地雷达土壤分层信息识别[J]. 地球信息科学学报, 2020, 22(2):316-327.

DOI

[43]
RUAN W M, LIU B J, LIU H J, et al. Ground penetrating radar (GPR) identification method for agricultural soil stratification in a typical Mollisols Area[J]. Chinese geographical science, 2023, 33(4):664-678.

DOI

[44]
LIU C, LIU G, LI H R, et al. Using ground penetrating radar to investigate the thickness of mollic epipedons developed from loessial parent material[J]. Soil & tillage research, 2021, 212:1-8.

[45]
VORONIN Y, SAVIN I Y. GPR diagnostics of chernozem humus horizon thickness[J]. Russian agricultural sciences, 2018, 44(3):250-255.

DOI

[46]
KATEŘINA Z, TOMÁŠ C. O and A soil horizons’ boundaries detection using GPR under variable soil moisture conditions[J]. Geoderma, 2022,422.

[47]
吴全, 姚喜军, 陈晓东, 等. 基于探地雷达的土体构型无损探测方法研究[J]. 干旱区地理, 2022, 45(6):1-13.

[48]
许晨, 韦瑜. 基于小波变换和希尔伯特变换的N2红土层厚度识别方法研究-以西北地区崔木矿区为例[J]. 现代信息科技, 2022, 6(24):124-126+130.

[49]
张先武, 高云泽, 方广有. 带有低通滤波的广义S变换在探地雷达层位识别中的应用[J]. 地球物理学报, 2013, 56(1):309-316.

[50]
罗古拜, 曹银贵, 白中科, 等. 露天矿区排土场复垦地土壤容重差异、GPR特征识别与反演[J]. 农业资源与环境学报, 2019, 36(4):441-452.

[51]
WANG P, HU Z Q, ZHAO Y L, et al. Experimental study of soil compaction effects on GPR signals[J]. Journal of applied geophysics, 2016, 126:128-137.

DOI

[52]
XU H X, CAO Y G, LUO G B, et al. Variability in reconstructed soil bulk density of a high moisture content soil: A study on feature identification and ground penetrating radar detection[J]. Environmental earth sciences, 2022, 81(9):1-12.

DOI

[53]
CUI F, WU Z Y, WANG L, et al. Application of the Ground penetrating radar ARMA power spectrum estimation method to detect moisture content and compactness values in sandy loam[J]. Journal of applied geophysics, 2015(120):26-35.

[54]
GHOSE R, SLOB C E. Quantitative integration of seismic and GPR reflections to derive unique estimates for water saturation and porosity in subsoil[J]. Geophysical research letters, 2006, 33(5):L05404.

[55]
AKINSUNMADE A. GPR imaging of traffic compaction effects on soil structures[J]. Acta geophysica, 2021, 69(2):643-653.

DOI

[56]
PETERSEN H, FLEIGE H, RABBEL W, et al. Geophysical methods for imaging soil compaction and variability of soil texture on farm land[J]. Advances in goecology, 2006, 38:261-272.

[57]
CHEN X T, GAO R J, WANG Y L, et al. Microwave nondestructive monitoring and quantitative analysis of salinity pollution of reclamation soil[J]. Journal of Liaoning technical university (Natural Science), 2008, 27(2):309-311.

[58]
谢潇, 刘智杰, 花东文, 等. 探地雷达在盐渍土地区盐磐层判断中的应用[J]. 西部大开发(土地开发工程研究), 2019, 4(4):8-12+26.

[59]
薛建, 曾昭发, 田刚, 等. 探地雷达在吉林西部地区探测土壤碱化层[J]. 物探与化探, 2005, 28(5):421-424.

[60]
邹杰, 张金珠, 王振华, 等. 利用探地雷达低频天线监测滴灌棉田盐渍化土壤盐分迁移研究[J]. 土壤通报, 2021, 52(4):836-844.

[61]
陈星彤, 高荣久, 王宇亮, 等. 复垦土壤盐分污染的微波无损探测及定量分析[J]. 辽宁工程技术大学学报(自然科学版), 2008, 27(2):309-311.

[62]
胡振琪, 陈星彤, 卢霞, 等. 复垦土壤盐分污染的微波频谱分析[J]. 农业工程学报, 2006, 22(6):56-60.

[63]
REJŠEK K, HRUŠKA J, KUBA L, et al. A methodological contribution to use of Ground-Penetrating Radar (GPR) as a tool for monitoring contamination of urbansoils with road salt[J]. Urban ecosystems, 2015, 18(1):169-188.

DOI

[64]
江红南. 探地雷达在干旱区盐渍化土壤层定量探测中的应用[J]. 物探与化探, 2014, 38(4):800-803.

[65]
张金珠, 邹杰, 王振华, 等. 利用GPR多频天线振幅包络平均值法估算滴灌棉田土壤盐分含量[J]. 农业工程学报, 2021, 37(8):99-107.

[66]
MOGHADAS D, JADOON K Z, VEREECKEN H. Effects of near surface soil moisture profiles during evaporation on far-field Ground-penetrating radar data: A numerical study[J]. Vadose zone journal, 2013, 12(2):1-11.

[67]
谢国青, 陈紫秋. 探地雷达功率谱特征与土壤含水率相关关系分析[J]. 中国水运(下半月), 2022, 22(11):156-158.

[68]
李蕙君, 钟若飞. 探地雷达波振幅与土壤含水量关系的数值模拟[J]. 应用科学学报, 2015, 33(1):41-49.

[69]
宋文, 张敏, 吴克宁, 等. 潮土区农田土体构型层次的探地雷达无损探测试验[J]. 农业工程学报, 2018, 34(16):129-138.

[70]
张松. 黄土层地质雷达电磁场正演模拟研究[D]. 山东: 中国石油大学, 2016:39-66.

[71]
MINET J, WAHYUDI A, BOGAERT P, et al. Mapping shallow soil moisture profiles at the field scale using full-waveform inversion of ground penetrating radar data[J]. Geoderma, 2010, 161(3):225-237.

DOI

[72]
TOPP C G, DAVIS L J, ANNAN P A. Electromagnetic determination of soil water content: Measurements in coaxial transmission lines[J]. Water resources research, 1980, 16(3):574-582.

DOI

[73]
ROTH H C, MALICKI A M, PLAGGE R. Empirical evaluation of the relationship between soil dielectric constant and volumetric water content as the basis for calibrating soil moisture measurements by TDR[J]. Journal of soil science, 1992, 43(1):1-13.

DOI

[74]
张文瀚, 杜克明, 孙彦坤, 等. 基于探地雷达的田块尺度下不同深度土壤含水量监测[J]. 智慧农业(中英文), 2022, 4(1):84-96.

[75]
HERKELRATH W N, HAMBURG S P, MURPHY F. Automatic, real-time monitoring of soil-moisture in a remote field area with time domain reflectometry[J]. Water resources research, 1991, 27(5):857-864.

DOI

[76]
朱安宁, 吉丽青, 张佳宝, 等. 不同类型土壤介电常数与体积含水量经验关系研究[J]. 土壤学报, 2011, 48(2):263-268.

[77]
巨兆强. 中国几种典型土壤介电常数及其与含水量的关系[D]. 北京: 中国农业大学, 2005:24-32.

[78]
DOBSON C M, ULABY T F, HALLIKAINEN T M, et al. Microwave dielectric behavior of wet soil-part II: Dielectric mixing models[J]. IEEE transactions on geoscience and remote sensing, 1985, GE-23(1):35-46.

DOI

[79]
FERRÉ A P, RUDOLPH L D, KACHANOSKI G R. Spatial averaging of water content by time domain reflectometry: Implications for twin rod probes with and without dielectric coatings[J]. Water resources research, 1996, 32(2):271-279.

DOI

[80]
LEDIEU J, RIDDER P D, CLERCK P D, et al. A method of measuring soil moisture by time-domain reflectometry[J]. Journal of hydrology, 1986, 88(3-4):319-328.

DOI

[81]
WANG R J, SCHMUGGE J T. An empirical model for the complex dielectric permittivity of soils as a function of water content[J]. IEEE transactions on geoscience and remote sensing, 1980, GE-18(4):288-295.

DOI

[82]
MIRONOV L V, DOBSON C M, KAUPP V, et al. Generalized refractive mixing dielectric model for moist soils[J]. IEEE Trans. geoscience and remote sensing, 2004, 42(4):773-785.

DOI

[83]
ANBAZHAGAN P, BITTELLI M, PALLEPATI R R, et al. Comparison of soil water content estimation equations using ground penetrating radar[J]. Journal of hydrology, 2020,588.

[84]
胡庆荣. 含水含盐土壤介电特性实验研究及对雷达图像的响应分析[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2003:89-130.

[85]
STOGRYN A. Equations for calculating the dielectric constant of saline water[J]. IEEE transactions on microwave theory and techniques, 1971, 19(8):733-736.

DOI

[86]
董磊磊, 王维真, 吴月茹. 盐渍土介电特性及模型改进研究[J]. 遥感技术与应用, 2020, 35(4):786-796.

[87]
邹杰, 张金珠, 王振华, 等. 膜下滴灌棉田Dobson介电模型参数修改及水盐含量反演[J]. 土壤, 2021, 53(6):1281-1289.

[88]
WU Y R, WANG W Z, ZHAO S J, et al. Dielectric properties of saline soils and an improved dielectric model in C-band[J]. IEEE transactions on geoscience and remote sensing, 2015, 53(1):440-452.

DOI

[89]
HU W, ZHANG L, CHEN B L, et al. Quantitative evaluation of soil ion content using an imaginary part model of soil dielectric constant[J]. Scientia agricola, 2019, 76(4):299-304.

DOI

[90]
赵学伟, 王萍, 李新举, 等. 基于BP神经网络GPR反演滨海盐渍土含盐量模型构建[J]. 山东农业科学, 2018, 50(5):152-155.

Outlines

/