無人機多光譜遙感監測冬小麥拔節期根域土壤含水率

楊珺博，王 斌，黃嘉亮，張智韜,2，周永財,2，姜文煥

(1.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100；2.西北農林科技大學 旱區農業水土工程教育部重點實驗室，陜西 楊凌 712100)

0 引 言

準確獲取土壤水分數據是實現作物增收的關鍵因素，對農業生產中的水資源高效利用具有重要意義[1-3]。遙感監測土壤含水率具有高效、準確等優點，已成為國內外研究重點，但衛星遙感易受天氣等因素影響，而且不能同時滿足農田尺度的高時空分辨率要求[4-6]。無人機遙感監測土壤含水率具有時效性快、成本低、機動靈活等優點[7,8]，可以迅速準確地完成特定區域內的農情監測任務[9,10]。

近年來，國內外學者在無人機遙感監測土壤含水率方面已經取得了許多研究成果。Li[11]等利用無人機多光譜系統獲取棉花冠層光譜數據，發現紅、近紅外波段反射率與土壤水分有較好的相關性。HASSAN-ESFAHANI[12]等借助于人工神經網絡算法(Artificial Neural Network，ANN)，通過無人機多光譜遙感數據構建了表層土壤含水率監測模型。王海峰等[13]基于獲取的多光譜遙感數據，利用相關系數法篩選對土壤水分較敏感的波段，通過單一敏感波段處的光譜數據建立不同的一元回歸模型，實現對裸土土壤含水率高精度監測。Oliver[14]等采用無人機遙感數據計算的溫度植被干旱指數(Temperature Vegetation Dryness Index，TVDI)和歸一化植被指數(Normalized difference vegetation index，NDVI)反演地表5～10 cm土壤含水率，模型監測精度較高。陳碩博等[15]以抽穗期冬小麥為研究對象，利用無人機搭載多光譜相機來獲取作物冠層光譜數據，提出一種差值反射率(DR)實現對土壤水分較高精度的反演。雖然這些研究取得了較好的效果，但主要集中在無人機多光譜遙感對土壤表層含水率的反演，對于植被覆蓋條件下，無人機多光譜遙感對不同深度土壤含水率反演精度的研究較少。

本文以陜西省楊凌區拔節期冬小麥為研究對象，利用無人機搭載六波段多光譜相機獲取冬小麥冠層反射率信息，建立各波段特征值與不同深度土壤含水率之間的多元回歸模型，探究作物根域土壤含水率的最優監測模型以及最佳監測深度，以期為無人機多光譜遙感反演植被覆蓋條件下不同深度的田間土壤含水率提供參考。

1 材料與方法

1.1 研究區概況

本試驗在陜西楊凌西北農林科技大學旱區農業水土工程教育部重點實驗室的灌溉試驗站( 34°17'N，108°04'E，海拔521 m)的試驗田(如圖1)進行，該地區地處暖溫帶，屬大陸性季風氣候，年平均氣溫在12 ℃左右，多年平均降雨量為630 mm，年均蒸發量884 mm，土壤干容重1.38 g/cm3。

圖1 試驗小區布置圖Fig1. Test plot layout

1.2 試驗材料與設計

本試驗冬小麥品種選用小偃22，于2018年10月15日人工播種，試驗田共播種7.68 kg種子(每袋小麥稱重40 g)，并且施用了20 kg的復合肥料作為底肥。小麥在生長過程中嚴格控制水量，本次試驗的12個小區，每個小區面積為4×4=16 m2，小區內種植的冬小麥行距25 cm，每行播種量為40 g。共設置4種不同的控水處理(I、II、III、IIII)：0.95田持、0.8田持、0.65田持、0.5田持，每種控水處理設置3個重復，為減少外界環境的干擾，各小區都配有遮雨棚。

1.3 數據采集

1.3.1 土壤水分數據獲取

利用土鉆采集10、20、30、40、60 cm深度的土樣，每個深度取30 g左右的土壤并將其放入鋁盒，采用烘干法測定土壤質量含水率，其計算式為：

(1)

式中：W1為濕土加鋁盒質量；W2為干土加鋁盒質量；W3為空鋁盒質量。

1.3.2 無人機平臺與冠層數據獲取

本試驗采用深圳市大疆創新科技有限公司生產的MATRICE 600型六旋翼無人機，搭載美國Tetracam 公司生產的Micro-MCA 型多光譜相機(每個波段配備1. 3M像素CMOS傳感器，每張圖像分辨率為1 280×1 024 像素) ，如圖2所示，該相機有6個鏡頭，分別對應6個波段，波長分別為490 nm(藍光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)。無人機遙感影像獲取時間為2019 年3月26-28日，獲取時刻為下午13∶00左右，天氣晴朗無風，視野良好。此時的冬小麥生長正處于拔節期，生長旺盛。無人機飛行高度為15 m，鏡頭垂直向下，獲取遙感影像前，在試驗區域內布置標準白板和黑板進行輻射標定，從而獲取小麥冠層光譜反射率。

圖2 無人機及機載傳感器Fig.2 Unmanned aerial vehicle and airborne sensor

1.4 數據處理

采用多光譜相機自帶的處理軟件Pixel Wrench2對3d內獲取的遙感圖像進行預處理。將處理后的圖像導入實景三維建模軟件Agisoft PhotoScan Professional (64 bit)中進行遙感圖像的拼接處理。將拼接完成的.tif格式圖像導入ENVI 5.3(64bit)軟件中，利用監督分類法剔除土壤背景的影響并提取出該時間點各小區冬小麥冠層6個波段的反射率。數據分析借助于IBM SPSS Statistics 23.0、DPS7.05。

1.5 精度評價

建模集精度檢驗利用回歸分析得到的模型決定系數R2、顯著性差異水平F、檢驗水平P，當R2越接近于1，顯著性F越大，檢驗水平p越接近于0時說明回歸方程擬合程度越高。

驗證集的預測效果通過模型決定系數R2、均方根誤差RMSE和相對分析誤差RPD三個指標來評價。驗證R2越大，均方根誤差RMSE越小，相對分析誤差RPD越大，表明模型的反演效果越好[16]。計算公式如下：

(2)

(3)

(4)

2 結果與分析

2.1 各波段反射率與不同深度土壤含水率相關性分析

計算各波段反射率與不同深度土壤含水率的相關系數，結果如表1所示。由表1可知，各波段反射率對不同深度的土壤含水率敏感程度不同，波段1～4與10、20 cm的土壤含水率皆有較好的相關性，相關系數都達到了0.6以上。10、20 cm土壤含水率的最敏感波段均為波段3，相關系數r分別為-0.784，-0.724。對30、40、60 cm土壤含水率最敏感的是波段4，相關系數r都達到了0.4以上。波段5、波段6與各深度的土壤含水率相關性都較低。隨著監測深度的加深，各波段對土壤含水率的敏感性都有不同程度的降低，光譜反射率與10、20 cm淺層土壤含水率的相關系數明顯大于30、40、60 cm深層，當深度達到30 cm時相關系數皆有顯著折減。

表1 光譜反射率與各深度土壤含水率相關系數表

Tab.1 Spectral reflectance and matrix of soilwater correlation coefficients at various depths

土壤深度/cm波段1波段2波段3波段4波段5波段610-0.772-0.593-0.784-0.628-0.430-0.46520-0.675-0.574-0.724-0.664-0.382-0.39930-0.268-0.348-0.391-0.497-0.161-0.12740-0.166-0.322-0.286-0.416-0.177-0.14460-0.063-0.392-0.276-0.4580.2600.240

2.2 回歸模型

本試驗連續進行3 d，采集樣本數據共36個，隨機選取其中2/3樣本(n=24)作為建模集，剩下的1/3樣本(n=12)用于驗證。由于各波段反射率直接反演土壤含水率時可能會出現多重共線性問題[17]，故本文采用逐步回歸法、偏最小二乘法、嶺回歸法進行多元回歸分析，建模結果如表2所示。

由表2可以得出，3種建模方法在進行多元分析中表現出明顯不同的統計性差異，逐步回歸法在各個深度的模型擬合度R2都為最高，偏最小二乘法次之，嶺回歸法為三者最低。各模型決定系數R2與土壤含水率監測深度的變化關系如圖3所示，對比分析可知淺層(10、20 cm)土壤含水率的模型擬合度明顯高于深層(30、40、60 cm)，其中逐步回歸法、偏最小二乘法、嶺回歸法在10 cm處的建模擬合度R2最高，分別為0.815、0.772、0.669，在20 cm深度的模型決定系數R2雖有一定下降，但逐步回歸法和偏最小二乘法仍有較強的相關性(R2>0.7)，嶺回歸的擬合度R2為0.586。三種模型在10、20 cm建立的回歸模型均具有統計學意義(P<0.01)。當深度達到30 cm時，三種模型的擬合度都有明顯的折減，逐步回歸法和偏最小二乘法的顯著性也有不同程度的下降，其中嶺回歸模型在30、40、60 cm的回歸模型檢驗水平P值皆大于0.1，且高于其余兩種方法，這種突變的原因應是嶺回歸自身建模方式所造成的[18-20]，表明在此深度的土壤含水率監測模型無統計學意義。因此，無人機多光譜遙感對植被覆蓋條件下的較深層(h>30 cm)土壤含水率難以進行有效監測，但對于作物根域淺層(0～20 cm)土壤含水率的反演具有很高可行性。

2.3 模型驗證

為檢驗模型預測效果，將12組驗證數據分別帶入各回歸方程中。通過實測值和預測值計算3種模型的決定系數R2、均方根誤差RMSE和相對分析誤差RPD，計算結果如表3，預測模型決定系數R2隨土壤深度的變化關系見圖4。

表2 基于不同波段反射率的各深度土壤含水率多元回歸模型

Tab.2 Multiple regression models of soil moisture content at various depths based on reflectance at different bands

回歸模型含水率測量深度/cm公式R2FP逐步回歸法10Y=-2.546X1+4.503X2-3.031X3-2.02X4+0.4330.81520.937<0.00120Y=3.318X2-3.036X3-1.644X4+0.3560.74719.641<0.00130Y=5.115X1+1.427X2-5.197X3-1.174X5+0.944X6+0.2020.4522.9680.04040Y=3.843X1-2.591X3-0.283X5+0.3160.3303.2810.04260 Y=1.664X1-1.147X2+0.2320.2042.6830.092偏最小二乘法10Y=-1.681X1+4.075X2-3.314X3-1.832X4+0.361X5-0.462X6+0.4990.77233.712<0.00120Y=-0.675X1+3.173X2-2.258X3-1.748X4+0.213X5-0.282X6+0.7030.70328.303<0.00130Y=1.599X1+2.257X2-2.605X3-1.066X4-0.81X5+0.79X6+0.2050.3747.5840.0240Y=4.849X1+0.08X2-3.634X3+0.264X4-0.592X5+0.275X6+0.2840.1675.1160.04760 Y=-0.025X1-0.144X2-0.097X3-0.077X4+0.022X5+0.010X6+0.2140.2192.8020.125嶺回歸法10Y=-1.346X1+0.508X2-1.222X3-0.403X4+0.013X5-0.179X6+0.4520.7435.7370.00220Y=-0.597X1+0.364X2-0.748X3-0.475X4-0.003X5-0.102X6+0.3650.6634.0040.01030Y=0.255X1+0.178X2-0.316X3-0.422X4-0.037X5+0.012X6+0.2530.2761.9650.12840Y=0.456X1-0.058X2-0.148X3-0.275X4-0.044X5-0.021X6+0.2570.2671.7700.17060 Y=0.678X1-0.429X2-0.106X3-0.067X4+0.057X5-0.014X6+0.2030.1521.6650.190

注:Y為土壤質量含水率;X1為波段1反射率;X2為波段2反射率;X3為波段3反射率;X4為波段4反射率;X5為波段5反射率;X6為波段6反射率。

圖3 各回歸模型決定系數與土壤深度變化關系圖Fig.3 Relationship between coefficient of determination and soil depth variation of each regression model

由表3可知，逐步回歸法在10、20 cm的土壤含水率預測模型的決定系數R2達到了0.774、0.717，為三種方法中最高，相對分析誤差RPD在10 cm處為2.007，表明模型在該深度時具有很好的定量預測能力(RPD>2)，深度達到20 cm時RPD值有略微下降，但也有較好的預測能力(RPD>1.8)。偏最小二乘法在10、20 cm的模型擬合度R2為0.771、0.709，略低于逐步回歸法，其RPD值分別為1.938、1.836，都有較好的預測能力(RPD>1.8)。而嶺回歸法在10、20 cm處的R2(0.632、0.562)為三者最低，定量預測能力也低于前兩者(RPD>1.4)。3種方法在各個深度的模型RMSE值均在允許范圍內(0.1以下)。

表3 不同建模方法下土壤含水率的模型評價指標表

Tab.3 Comparison of predicted and measured values ofsoil moisture content under different modeling methods

回歸方法土壤含水率測量深度/cm模型決定系數R2均方根誤差RMSE相對分析誤差RPD逐步回歸法100.7740.0242.007200.7170.0191.862300.4680.0190.952400.2950.0260.554600.2090.0230.592偏最小二乘法100.7710.0241.938200.7090.0181.836300.4310.0190.939400.3380.0170.734600.0490.0370.174嶺回歸法100.6320.0311.573200.5620.0241.441300.1160.0970.954400.2270.0190.884600.0090.0940.958

圖4 預測模型決定系數與土壤深度變化關系圖Fig.4 Relationship between prediction coefficient and soil depth variation of prediction model

由圖4可知，各預測模型擬合度R2隨土層的加深而下降，在30 cm處皆有明顯的折減，對比在30、40、60 cm的驗證模型RPD值，都表明在該深度范圍內的回歸模型不具有預測能力(RPD<1.0)，這也與建模集所得結論一致。

綜上，無人機多光譜遙感對作物根域土壤含水率的監測具有一定可行性，利用逐步回歸法、偏最小二乘法、嶺回歸法反演淺層土壤(10、20 cm)的含水率精度較高，這與作物根莖分布長度有關，拔節期的冬小麥根莖長度在10～20 cm居多，大于20 cm的相對較少[21-23]，故難以對較深土壤(h>30 cm)的含水率進行監測。綜合比較三種回歸方法的建模結果和預測結果可知，逐步回歸法模型效果最好，其次是偏最小二乘法，嶺回歸法效果最差，故在實際應用中應優先采用逐步回歸法。

3 結 語

(1)植被覆蓋條件下對作物根域土壤含水率最敏感的是波長680 nm的紅波段，其次是波長為490 nm的藍波段，波長550 nm的綠波段和波長720 nm的紅邊波段的敏感度稍低，波長800 nm和900 nm的近紅外波段與土壤含水率的相關性最差，且各波段反射率與土壤含水率的相關性隨深度的加深而下降。

(2)在三種回歸模型中，逐步回歸法只保留顯著性較優的波段，擬合度最高，且預測精度最優，偏最小二乘法次之，嶺回歸法效果最差，所以在植被覆蓋條件下通過無人機多光譜遙感監測土壤含水率時應優先采用逐步回歸法。

(3)在冬小麥拔節期建立的10、20 cm作物根域處的土壤含水率監測模型具有較高的精度，但對冬小麥其他生長期的土壤含水率反演仍需作進一步探索。本試驗研究成果為作物根域土壤含水率最佳監測模型和最佳監測深度的確定提供一定的理論依據，對利用無人機多光譜遙感實現植被覆蓋條件下土壤墑情的準確、高效監測有重要意義。