基于光譜指數的綠洲農田土壤含水率無人機高光譜檢測

王敬哲 丁建麗 馬軒凱 葛翔宇 劉博華 梁 靜

(1.新疆大學資源與環境科學學院， 烏魯木齊 830046； 2.新疆大學綠洲生態教育部重點實驗室， 烏魯木齊 830046；3.新疆聯海創智信息科技有限公司， 烏魯木齊 830011)

0 引言

土壤含水率(Soil moisture content, SMC)是土壤的重要物理參量，也是土壤團粒結構及養分狀況的關鍵制約因素[1-3]。SMC影響土壤理化生理過程，且是影響全球生態環境、水文和氣候變化模式的關鍵變量[4]。了解確切的農田SMC狀況，可以更為有效地管理農田灌溉系統，在作物生長的關鍵階段有針對性地改善土壤狀況，以提高農作物的產量和質量[5-6]。SMC是限制區域綠洲內部作物生長的主要因子，近年來逐漸增強的人類活動導致了區域性的SMC失衡，并加劇了綠洲內部的土壤鹽漬化[7-9]。因此，獲取精確的土壤SMC信息，對于作物長勢監測、估產、合理的灌溉決策及土壤干旱程度的監測具有重要意義。

遙感技術尤其是高光譜技術的迅猛發展使得大尺度、高效率獲取SMC信息成為可能，國內外研究學者也開展了大量有益探索[10-13]。其中，植被冠層光譜可以反映植被的長勢狀況及健康程度，植物在不同土壤水分脅迫條件下其光譜特性也會隨之改變。陳文倩等[14]基于原位獲取的植被反射率數據，構建了干旱區綠洲SMC與植被光譜指數之間的估算模型，表明利用植被光譜特性對干旱區SMC進行數據挖掘是可取的。而光譜指數通過光譜波段之間簡單的組合，即可建立指數與相應地物參量間的相關關系，并進行高光譜定量估算，成為近年來的研究熱點[15-18]。STAGAKIS等[19]基于多期遙感影像對比了傳統的光化學反射指數(Photochemical reflectance index)PRIR570和修正后的PRIR515對柑橘園的水分脅迫狀況估算精度的對比，并進行了空間制圖。ZHOU等[20]利用已有的13種植被指數對水稻產量進行了估算，指出基于800 nm與720 nm波段的反射率數據所建立的歸一化植被指數具有最好的效果。但這些光譜指數主要基于原始光譜反射率所構建，未經預處理的原始數據僅反映了單純的光譜信息，難以進行深入挖掘。而高光譜數據的預處理可以在一定程度上消除外界噪聲、增強光譜特征、改善非線性關系，進而提高地物參量估算模型的精度[21-22]。

基于此，本研究選取新疆阜康綠洲小塊農田為研究對象，基于無人機(Unmanned aerial vehicle, UAV)平臺搭載的高光譜傳感器獲取的影像數據，探索不同預處理下的光譜指數與SMC的關系，并在此基礎上構建干旱區綠洲農田SMC高光譜定量估算模型，以期提高區域SMC的估算精度，為土壤含水率狀況遙感監測提供新思路，并為干旱地區精準農業的進一步發展提供科學參考。

1 研究區概況

所選取的田塊設置在新疆維吾爾自治區阜康市(87°51′15″E，44°21′14″N)。該區地處阜康綠洲和北緣的古爾班通古特沙漠的過渡地帶，屬典型的溫帶大陸性荒漠氣候，多年平均降水量不足200 mm且分布不均；年平均氣溫約為7.1℃;年無霜期可達175 d，熟制一般為一年一熟[23]。區域主要土壤類型為灌溉灰漠土與灌耕土，其有機質含量相對較低(質量分數1.2%～1.5%)，田塊內種植的作物為冬小麥[24]。

2 材料與方法

2.1 UAV遙感數據獲取

選取的飛行平臺為DJI Matrice 600 Pro (深圳市大疆創新科技有限公司)六旋翼無人機，利用搭載的Headwall公司Nano-Hyperspec高光譜傳感器獲取區域的高光譜成像數據(圖1)。Nano-Hyperspec機載高光譜成像光譜儀的波段范圍為400～1 000 nm，光譜分辨率為6 nm，重采樣間隔為2.2 nm，包含270個光譜通道和640個空間通道，具備VIS-NIR (Visible and near infrared red) 區間內全畫幅成像的特點，同時集成了GPS與IMU (Inertial measurement unit) 模塊，可同步獲取UAV的實時姿態信息。100 m航高下，焦距為12 mm的Nano-Hyperspec傳感器可獲取640像素×480像素的高光譜影像，空間分辨率約為4 cm。野外作業前5 d內無降水與人工干擾，以確保數據的客觀性。于2018年4月17日(冬小麥返青期)進行了UAV遙感數據的獲取，高光譜影像的采集于北京時間15:00在田間上空進行，天氣晴朗無風，視野良好。起飛前對傳感器進行暗電流校正及白板校正，數據采集完成后利用Hyperspec Ⅲ及Headwall Spectral View軟件完成數據后處理及正射校正。

圖1 無人機平臺及機載高光譜傳感器Fig.1 UAV platform and airborne imaging hyperspectral sensor

圖2 采樣點分布圖及UAV作業現場Fig.2 Distribution of sampling sites and application scene of UAV over cropland

2.2 SMC數據獲取

土壤樣品的采集與UAV空中作業同步開展，在農田內均勻取70個采樣小區(0.5 m×0.5 m)并利用GPS記錄每個采樣區域的位置(圖2)。各點土壤樣品圍繞小麥植株采用四點法混合采集，取樣深度為0～10 cm，并用鋁盒對土壤樣品進行密封保存。實驗室處理時，鋁盒樣品采用室內干燥法(105℃恒溫箱，48 h)得到70個樣點SMC數據，用于SMC高光譜定量估算模型的構建與精度驗證。樣本劃分基于Kennard-Stone (K-S)算法進行，選取50個樣點作為建模集，20個樣點作為驗證集。

2.3 數據處理及指數構建

高光譜數據預處理對深度挖掘光譜數據進而改善建模精度至關重要[25]。光譜儀主要由光電轉換、傳輸和處理系統組成。其內部的每個模塊都不同程度地產生噪聲，而真實的地物光譜信息都不可避免地受到噪聲的影響，需要對其進行檢測并去除[13]。因此，本研究在Matlab R2012a環境下基于Savitzky-Golay (SG)濾波器對高光譜影像進行了平滑(2階多項式+5點移動平均)。

一階微分(First derivative, FD)、吸光度(Absorbance, Abs)、連續統去除 (Continuum removal, CR)等處理方法是當前光譜分析領域行之有效的預處理方法，可以在一定程度上消除背景噪聲，增強光譜吸收與反射特征[22,26]。有效的預處理有助于捕捉光譜數據中細微的差異，提高地表參數的估計精度。基于此，在獲得經過SG平滑的高光譜影像后，基于IDL+ENVI平臺對原始數據進行FD、Abs、CR預處理并提取每個采樣小區的平均光譜數據，為后續光譜指數與SMC模型的構建奠定基礎。

光譜指數法可以有效地篩選出已有高光譜數據中的最佳波段組合，它不僅可以消除環境背景噪聲，同時相較于單一波段具備更明顯的敏感性。為了充分挖掘光譜數據，在前人研究基礎上選取差值指數(Difference index, DI)、比值指數(Ratio index, RI)、歸一化指數 (Normalization index, NDI)及垂直植被指數 (Perpendicular vegetation index, PVI) 4種光譜指數，用于估算SMC的最佳波段[13,27]。指數的數學表達式為

DI(Ri,Rj)=Ri-Rj

(1)

RI(Ri,Rj)=Ri/Rj

(2)

NDI(Ri,Rj)=(Ri-Rj)/(Ri+Rj)

(3)

(4)

式中Ri、Rj——高光譜傳感器工作波段范圍(400～1 000 nm)內任意獲取的第i波段及第j波段的光譜反射率

光譜指數與SMC的擬合關系采用相關系數R及決定系數R2進行評價，兩者間的相關性等值圖及最優指數的遴選使用Matlab R2012a完成。

2.4 模型的建立及驗證

基于3種不同預處理方法，本研究共獲取了SG、SG-FD、CR、Abs及Abs-FD共計5種預處理后的高光譜影像，并在此基礎上分別進行指數遴選。本研究的模型構建分為兩個層面：①基于最優指數的單一模型。②基于最優預處理方案的綜合指數模型。通過對比各模型的均方根誤差 (Root mean square error, RMSE)、決定系數 (Coefficient of determination,R2) 及相對分析誤差 (Relative prediction error, RPD) 對模型精度進行評價及優選。其根據RPD的分級標準：RPD小于1.40表示模型不具有定量預測能力，不可用；RPD大于等于1.40小于2.00表示模型預測效果可接受，但有待進一步改進；而RPD大于等于2.00表示模型的穩健性與預測能力俱佳[22]。

圖4 不同預處理后的高光譜影像及光譜曲線 Fig.4 Hyperspectral imageries and spectral curves based on different pretreatments

3 結果與分析

3.1 SMC統計分析

所采集的土壤樣本的SMC平均為18.35%，標準差為4.08%。所選取的建模集(9.17%～28.22%)和驗證集(11.08%～27.24%)的SMC平均值分別為18.31%和18.42%。由標準差(Standard deviation, SD)可知，基于K-S算法所劃分出的建模集和驗證集均保持與SMC全樣本集相似的統計分布(圖3)。在確保樣本具有代表性的同時，避免了在模型構建和驗證中的潛在有偏估計。

圖3 樣品SMC數據的統計特征Fig.3 Descriptive statistical results of SMC

3.2 光譜指數與SMC相關性分析

在獲取SG、SG-FD、CR、Abs及Abs-FD共計5種預處理后的高光譜影像后，提取70個樣點的不同預處理后的光譜反射率數據(圖4b～4f中，紅線為均值光譜，灰色區域為標準差區間)。基于Matlab軟件聯合400～1 000 nm范圍內任意獲取的兩個波段計算了不同預處理方案下DI、RI、NDI和PVI與SMC的相關性，并利用相關系數(Coefficient of correlation,R)檢驗其有效性。如表1所示，本研究所建立的20個光譜指數與SMC在0.001水平上全部通過了顯著性檢驗 (閾值為±0.380)。就未經預處理的SG光譜數據而言，構建的DI、RI、NDI和PVI的|R|分布范圍在0.724～0.784之間。

表1 SMC與不同預處理方案下光譜指數的相關系數Tab.1 Correlation coefficients between SMC and spectral indices based on different pretreatments

SMC對預處理過后的光譜指數展現出極強的敏感性，其中基于Abs處理的DI與PVI和CR處理的RI與NDI的|R|均不小于0.748，表現最為突出。由此表明，不同的預處理方案不同程度地提高了光譜指數與SMC之間的相關性，最優指數為基于Abs預處理后的PVI (R=0.788)。圖5為SMC與上述4個最優預處理光譜指數的決定系數二維等值圖。

圖5 SMC與最優光譜指數的決定系數Fig.5 Coefficient of determination between SMC and four optimal spectral indices

其中，DI確定的敏感波段范圍主要位于藍光(X：400～430 nm，Y：440～460 nm)、紅光(X：400～430 nm，Y：580～760 nm)及近紅外短波區 (X：970～1 000 nm，Y：440～760 nm)，在這些光譜區間SMC與DI的R2均達到了0.50以上。RI與DI確定的敏感波段范圍比較相似，主要位于藍光(X：400～430nm，Y：440～460 nm)與近紅外短波區 (X：945～965 nm，Y：430～760 nm)，其R2也均達到了0.52以上，但NDI的表現略優于RI。而PVI與SMC的相關性最強，其確定的敏感波段范圍主要位于藍光 (X：400～430 nm，Y：440～460 nm)、紅光 (X：400～430 nm，Y：580～760 nm；)及近紅外短波區 (X：970～1 000 nm，Y：440～760 nm)，在這些光譜區間SMC與PVI的R2均達到了0.60以上。

經過比對分析，共篩選出4個最優光譜指數，其排列順序為：基于Abs預處理的PVI(R644, R651)，基于CR預處理的NDI(R430, R446)與RI(R430, R446)，以及基于Abs預處理的DI(R430, R446)，其R2分別為0.621、0.570、0.569和0.559。因此，上述4個光譜指數具有對SMC進行定量估算的能力。

3.3 SMC高光譜估算模型的構建及驗證

本研究的模型構建分為兩個層面：基于最優指數的單一模型和基于最優預處理方案的綜合指數模型。

表2 最優光譜指數的SMC回歸模型Tab.2 Quantitative regression models of SMC using single spectral index

圖6 基于最優PVI(R644, R651)模型的SMC估測效果Fig.6 Scatter plots of measured versus predicted SMC using optimal model based on PVI(R644, R651)

表3 基于不同預處理方案下多變量SMC模型效果Tab.3 Accuracy parameters of multivariable models based on different pretreatments

圖7 基于Abs預處理方案多變量綜合模型的SMC估測效果Fig.7 Scatter plots of measured versus predicted SMC using multivariable model based on Abs pretreatment

3.4 UAV高光譜影像監測SMC試驗與精度驗證

基于IDL+ENVI平臺，利用本研究構建的基于Abs預處理后建立的多參數模型對實驗田塊的UAV高光譜影像進行解算，SMC的估算結果與實測數據見圖8。為了檢驗SMC的高光譜填圖精度，從中隨機選取1/3的采樣點(n=23)的田間實測數據與定量估算的結果進行對比分析。由圖9可知，線性擬合線接近于標準1∶1線，其R2更是達到了0.88，實測與估測SMC相似度極高，且全部位于95%置信區間以內，表明使用基于Abs模型的SMC高光譜填圖具有理想的效果。

圖8 SMC估算結果與實測數據Fig.8 Map of observed SMC and quantitative estimated SMC

圖9 高光譜填圖與實測SMC擬合效果Fig.9 Fitting effect between measured SMC and hyperspectral mapping results

4 討論

傳統上，SMC數據的獲取是基于TDR(Time domain reflector)、FDR (Frequency domain reflectometry)或繁復的原位工作開展的，盡管它們可以提供時間序列的觀測數據，但往往僅能監測單獨的點位信息，難以反映區域尺度的空間變化[10-12]。目前，已有大量研究依據地面原位工作獲取的VIS-NIR反射光譜數據(350～2 500 nm)進行SMC、土壤有機質、作物葉綠素、氮素含量等農業關鍵參數進行定量估算；盡管估測效果較好，但這些研究在本質上依然獲取的是獨立的點數據，無法獲取地物目標進行高光譜成像數據，難以充分發揮遙感技術的優勢，獲取尺度上的地物參量信息[28]。而憑借其機動性強、快速高效等特點，基于無人機UAV平臺的低空遙感成為當今農情精準監測的又一理想手段[29]。本研究探索了不同預處理下的光譜指數與SMC的關系，并對農田SMC進行了定量估算。

當前，針對SMC定量估算的研究大多是基于裸土光譜反射數據開展的[21]。而SMC與上覆植被葉片的含水率及其光譜之間具有一定的相關性，SMC的高與低將不同程度對葉片的水分含量造成影響，最終也會進一步導致其光譜特性發生一定變化[11,14,30]。根據植被的光譜信息對SMC進行定量估算從遙感及光譜機理上是可行的。已有研究多是基于典型敏感波段或單一的光譜指數建立SMC估算模型，但這些數據內涵的光譜信息往往存在飽和現象，而過多的指數則會導致模型過擬合現象[13,17]。通常情況下，全譜VIS-NIR數據不同程度上受到大氣干擾、土壤背景等因子的干擾。而本研究基于3種不同預處理方法，共獲取了SG、SG-FD、CR、Abs及Abs-FD共計5種預處理后的高光譜影像，并在此基礎上分別進行指數遴選。同時，著眼于高光譜影像這一數據基礎，兼顧波段及一階微分窗口內的光譜信息，深度挖掘光譜數據；探索了不同預處理方案下UAV高光譜影像及多種光譜指數估算SMC的可行性。本研究所采用的垂直型植被指數(PVI)，在兼顧遙感機理時最大程度上削弱了土壤及大氣的影響，動態調用各波段的反射率，并較好地對植被信息進行表征[1,27]。

對比本研究所構建的模型的精度參數可知：在基于單以光譜指數的12個模型中，以Abs預處理下的PVI(R644, R651)模型精度最高；在4個不同預處理方案下多變量模型中，基于Abs預處理后建立的多參數模型表現最優。不同預處理方案下的光譜數據較SG數據而言，構建的DI、RI、NDI和PVI均有不同程度的提升。而多變量SMC估算模型效果在預處理消噪的基礎上，更為深度地挖掘了光譜信息，減少了單一變量造成的誤差；在規避過擬合現象的同時，提升了模型的定量估測效果。

本研究利用UAV遙感平臺搭載的高光譜成像光譜儀在獲取高空間/光譜分辨率的影像數據，充分發揮了其“圖譜合一”的優勢并基于多種預處理方案及構建的多種光譜指數對農田SMC進行了估測，取得了較為理想的精度，為土壤水分狀況天地空一體化遙感監測提供了參考方案。然而，基于植被光譜的農田SMC遙感估算尚未建立統一研究范式，植被的光譜也會受到品種、生育期、土壤營養狀況等因素影響。此外，由于天氣、手段等限制，本研究未能獲取多期的影像數據，所建立的SMC估算模型的泛化能力有待于進一步驗證。因此，后續的研究將進一步探索SMC與土壤及上覆植被高光譜反射率的內在聯系，并在此基礎上進一步建立大樣本的植被光譜數據庫，以期為作物長勢、病蟲害等精準農業參數的定量估算與遙感監測奠定科學基礎。

5 結論

(3)利用最優模型將SMC從單一的點位尺度擴展至面域尺度，實現了SMC的遙感監測。其線性擬合線接近于標準1∶1線，R2為0.88，實測與估測SMC擬合效果較優，表明使用基于Abs模型的SMC高光譜填圖具有理想的效果。