無人機多光譜遙感反演各生育期玉米根域土壤含水率

譚丞軒，張智韜，許崇豪，馬 宇，姚志華，魏廣飛，李 宇

·農業航空工程·

無人機多光譜遙感反演各生育期玉米根域土壤含水率

譚丞軒1,2，張智韜1,2※，許崇豪1，馬 宇1，姚志華1，魏廣飛1，李 宇1

（1. 西北農林科技大學水利與建筑工程學院，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，楊凌 712100）

為準確及時地獲取植被覆蓋條件下農田土壤水分信息，該文以不同水分處理的大田玉米為研究對象，利用無人機遙感平臺對夏玉米進行多期遙感監測，并同步采集玉米根域不同深度土壤含水率（Soil Water Content，SWC）?；?018年夏玉米拔節期、抽雄-吐絲期和乳熟-成熟期的無人機多光譜遙感影像數據集，通過支持向量機（Support Vector Machine，SVM）分類剔除土壤背景，提取玉米冠層光譜反射率并計算10種植被指數（Vegetation Index，VI），然后利用全子集篩選（Full Subset Selection）法對不同波段和植被指數進行不同深度土壤含水率的敏感性分析，并分別采用嶺回歸（Ridge Regression，RR）和極限學習機（Extreme Learning Machine，ELM）2種方法構建全子集篩選后0～20、20～45和45～60 cm不同深度下的土壤含水率定量估算模型。結果表明：基于貝葉斯信息準則（Bayesian Information Criterion，BIC）的全子集篩選法可以有效篩選最優光譜子集，篩選變量基本都通過了顯著性檢驗，自變量個數較少；在同一生育期、同一深度條件下，ELM模型效果均優于RR模型；玉米在拔節期、抽雄-吐絲期的最佳監測深度為0～20 cm，在乳熟-成熟期的最佳監測深度為20～45 cm；乳熟-成熟期的20～45 cm深度下的ELM反演模型效果最優，其建模集和驗證集的決定系數R2和R2分別為0.825和0.750，均方根誤差RMSE和RMSE分別為1.00%和1.32%，標準均方根誤差NRMSE和NRMSE分別為10.85%和13.55%。利用全子集篩選法與機器學習相結合的方法可以提高土壤含水率的反演精度和魯棒性，本研究為快速、準確地監測農田土壤墑情、實施精準灌溉提供了一種新的途徑。

土壤含水率；遙感；模型；全子集；機器學習；反演

0 引 言

土壤含水率是陸地表面與大氣之間能量平衡和水文循環的關鍵參數，也是制約干旱、半干旱地區作物生長發育的重要因素[1]。及時準確的獲取土壤含水率狀況，是監測作物長勢、指導灌溉決策和實現精準農業的基礎和關鍵。而遙感技術以其高效性和精準性等優勢在土壤含水率監測中具有廣泛的應用前景[2-5]。

近幾年無人機多光譜遙感系統，以其成本低、獲取便捷、高時效性和高時空分辨率等優勢，在監測農田作物水分脅迫方面有很大進展[6]。Baluja等[7]研究表明歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、葉綠素吸收反射轉化指數與優化土壤調節指數的比值（Ratio between Transformed Chlorophyll Absorption in Reflectance and Optimized Soil Adjusted Vegetation Index，TCARI/OSAVI）與莖水勢（Stem Water Potential，SWP）、葉水勢（Leaf Water Potential，LWP）具有很好的相關性（2分別為0.86和0.84）；Romero M等[8]建立了NDVI、土壤調節植被指數（Optimal Soil Adjusted Vegetation Index，OSAVI）等10種植被指數與莖水勢的人工神經網絡模型，模型的預測決定系數2為0.83，且通過了0.001極顯著水平檢驗；Zhang[9]基于無人機多光譜傳感器構建了植被指數（Vegetation Index，VI）—水分脅迫指數（Crop Water Stress Index，CWSI）回歸模型，證明了高分辨率無人機多光譜遙感在玉米水分脅迫研究中的潛力與優勢；陳俊英等[10]基于無人機多光譜數據，構建了水分脅迫指標—蒸騰速率（T）和氣孔導度（G）的光譜反演模型，取得了較好的效果。然而以往大多是基于水分脅迫狀況的研究，而利用無人機多光譜遙感直接進行土壤含水率的反演監測的相關研究還鮮有報道。當光照、氣溫等環境因素變化不大時，植被冠層光譜主要受不同水分脅迫狀況的影響，因而根據植被的光譜信息建立的多種植被指數，不僅可以診斷不同水平的水分脅迫狀況，還可以對土壤含水率進行定量估算，它更為直接地體現了土壤含水率的監測精度[1,11]。張智韜等[12]基于無人機多光譜影像，構建了玉米全生育期的土壤含水率反演模型。然而該研究并未剔除土壤背景，也未探究不同生育期下的最佳監測土壤深度。而作物在不同生育期的主要根系及根系活動層深度并不相同，且原始多光譜影像包含作物冠層和土壤2種因素，剔除土壤背景是獲取準確的冠層光譜信息的關鍵，因此剔除土壤背景和研究作物在不同生育期下的最佳監測深度的土壤含水率模型具有重要意義。

此外，不同冠層光譜反射率和植被指數之間差異較大，還存在較強的共線性問題，因而篩選敏感光譜指數對土壤含水率監測具有重要意義。傳統變量篩選方法[13-14]均為局部最優篩選，而全子集篩選法列舉全部可能存在方式，最終建立全局最優模型[15]。嶺回歸（Ridge Regression，RR）作為一種改進的最小二乘法，不僅在處理病態數據和提取特征信息方面有較好的效果，還可以實現模型的簡化和魯棒性的提高[13,16]。土壤含水率與植被光譜之間關系復雜，經典回歸方法難以做到無偏、有效的參數估計。機器學習方法在解決非線性、異方差等繁雜關系問題有較大優勢，是農業遙感領域建模反演研究的熱點[4,8,12,17]。極限學習機（Extreme Learning Machine，ELM）是一種基于前饋神經網絡的機器學習算法，學習效率高、參數調整簡單以及較高的模型魯棒性等[17]。但基于全子集法篩選最優光譜指數組合，構建嶺回歸和極限學習機土壤含水率反演模型的相關研究還未見報道。

本文以內蒙古達拉特旗試驗站的大田玉米為研究對象，基于高分辨率的無人機多光譜影像數據，利用支持向量機（Support Vector Machine，SVM）方法剔除土壤背景，以獲取玉米冠層光譜反射率，建立多種植被指數，然后將全子集篩選法得到的最優變量組合作為自變量，分別構建大田玉米在不同生育期、不同土壤深度下的嶺回歸和極限學習機模型，以期獲得大田玉米在不同生育期下的最佳監測深度的土壤含水率反演模型，并為干旱地區的灌溉管理提供科學參考。

1 材料與方法

1.1 試驗區概況

本文試驗區域位于內蒙古自治區達拉特旗昭君鎮（40°26'0.29" N，109°36'25.99" E），海拔1 010 m，屬于典型溫帶大陸性氣候，干旱少雨，冬寒夏熱，小麥和玉米為當地的主要糧食作物。試驗地土壤為砂壤土（80.7%的砂粒，13.7%的粉粒，5.6%的黏粒），土壤的pH值、有機質含量、有機碳含量分別為9.27，47.17和27.35 g/kg，平均田間持水率為18.5%（體積含水率，下同），土壤容重為1.56 g/cm3。玉米播種時間為2018年5月11號，出苗時間為5月18號，收獲時間為2018年9月8號，生育期總共114 d。玉米播種深度約5 cm，種植株距和行距分別為25和50 cm，行向從東到西，利用中心軸式噴灌機進行生育期內的供水補給。

1.2 試驗設計

整個圓形試驗區面積約為1.13 hm2，將其均分為5個扇形小區，每個扇形試驗小區設置3個6 m×6 m的采樣區，每個采樣區按對角線設置A、B、C 共3個數據采樣點。5個扇形小區分別采用不同的灌溉水分處理（Treatment，TRT），區域TRT1進行全生育期的充分灌溉（田間持水率的95%），區域TRT4進行嚴重水分脅迫處理（田間持水率的40%），區域TRT2、區域TRT3、區域TRT5水分處理差異較小，水分脅迫處理分別設置為80%、70%和60%的田間持水率。灌溉量和降雨量分別通過安裝在噴灌機上的流量計（MIK-2000H型）和標準氣象站采集。在每個小區的中心位置埋設小型氣象站以記錄空氣溫濕度、風速等信息；在小型氣象站附近（TRT2-TRT5）以及噴灌機軸心位置（圓形試驗區的圓心位置）設有實時動態定位（Real Time Kinematic，RTK）技術測定的地理位置幾何控制板，以用于圖像拼接的幾何校正。研究區域位置、試驗小區劃分及采樣點分布如圖1所示。

注：TRTg（g=1, 2, 3, 4, 5）表示第g個扇形試驗小區；h-i（h=1, 2, 3, 4, 5; i=1, 2, 3）表示第h個試驗小區內的第i個采樣點；A、B、C表示各試驗小區的采樣點位置。

1.3 試驗數據的獲取

本試驗無人機多光譜遙感影像以及地面數據采集日期為2018年7月8日、7月12日、7月17日、7月21日、7月26日、8月2日、8月28日和9月7日。每天采集1次，全生育期共采集8次。7月8日-7月21日為玉米拔節期，7月26日-8月2日為玉米抽雄-吐絲期，8月28日-9月7日為玉米乳熟-成熟期。

1.3.1 無人機多光譜遙感系統

試驗利用自主研發的六旋翼無人機作為遙感平臺，最大載重5 kg，續航時間30 min左右，采用開源飛控Pixhawk系統，搭載1280像素×960像素的五波段RedEdge（Micasense，USA）多光譜相機（使用前進行去噪、鏡頭畸變校正等處理），相機質量為150 g，焦距為5.5 mm，視場角為47.2°，同時配有光強傳感器和漫反射板（反射率58%，尺寸3 m×3 m，GroupVIII，USA），光強傳感器校正航拍過程中外界光線對多光譜影像造成的影響，漫反射板對多光譜影像進行輻射校正，以生成反射率正射影像圖。試驗中無人機飛行高度70 m，航向和旁向重疊度均為85%，地面分辨率為4.77 cm/像素。試驗期間晴朗無風，無人機飛行時間為當地時間11:00－13:00（北京時間11:44－13:44），多光譜相機鏡頭垂直向下，每次均按照固定航線進行拍攝。漫反射板中心波長反射率如表1所示。

表1 漫反射板中心波長及反射率

1.3.2 土壤含水率測定

無人機影像采集完成后，及時在每個試驗小區的A、B、C采樣點附近利用土鉆取土烘干法進行玉米根域土壤含水率的測定，根據玉米主要根系活動層所在深度，A、B、C三個采樣點按照0～20、20～40和45～60 cm分層取樣，土樣取出后迅速裝入鋁盒進行稱量，在干燥箱105 ℃下干燥后再稱量并計算得到土壤質量含水率，根據土壤容重最終得到土壤體積含水率。將A、B、C三個采樣點的土壤含水率取平均值，代表6 m×6 m采樣區不同深度土壤含水率的均值。拔節期、抽雄-吐絲期、乳熟-成熟期樣本數量分別為60、30和30，并通過SPXY算法（Sample Set Partitioning Based on Joint-Distance）對建模集和驗證集進行篩選，其中2/3數據用于建模，1/3數據用于驗證，圖2為土壤含水率（Soil Water Content，SWC）樣本數據統計結果。

由圖2可以看出，在不同生育期和不同深度條件下，利用SPXY算法劃分的建模集和驗證集均保持了和全集SWC相近的統計結果，如最大值、最小值以及中位數等，最大限度減小了建模集和驗證集之間存在的偏差。

1.4 多光譜圖像處理

1.4.1 圖像拼接

為得到完整的試驗區影像，采用Pix4dMapper軟件進行多光譜圖像的拼接。首先利用漫反射板進行多光譜圖像的輻射校正，以生成準確的作物反射率信息；為確保圖像中地理坐標與真實地理坐標信息相一致，進行拼接圖像的幾何校正，將5個地面控制點的矢量文件和5個幾何控制板手動配準；最后利用ENVI軟件的波段合成（Layer Stacking）功能，將5張單波段反射率圖像合并成一張包含5波段反射率的圖像，以方便后期圖像處理和提取各樣區的反射率信息。

1.4.2 剔除土壤背景影響

本文利用NIR、R、B3波段合成的假彩色圖像來進行SVM分類，利用ArcGIS軟件來對SVM分類結果進行二值化等處理后，最終得到玉米冠層矢量文件，最后利用ENVI軟件來獲取玉米冠層的掩膜文件，疊加到原始5波段圖像中并進行數據統計，可以得出該采樣方的不同波段反射率的最大值、最小值和平均值等信息，不同波段反射率的平均值分別代表該采樣方剔除土壤背景影響的玉米冠層的不同波段反射率。玉米冠層反射率的提取過程及效果如圖3所受，SVM的分類精度與Kappa系數如表2所示。

圖3 玉米冠層反射率提取流程及效果

表2 研究期間的SVM分類精度與Kappa系數

1.4.3 植被指數的計算

植被指數本質上綜合考慮了健康綠色植物在不同波段的反射和吸收特性，把多波段反射率做一定的數學變換，以增強作物植被信息[18]。本文依據提取的剔除土壤背景影響的玉米冠層反射率，計算10種常用的植被指數。植被指數及其計算公式如表3所示。

表3 植被指數及其計算公式

注：、、、RE和NIR分別為RedEdge多光譜相機475、560、668、717和840 nm波長處的光譜反射率。

Note:,,, RE and NIR are the spectral reflectance of RedEdge multispectral camera at wavelengths of 475, 560, 668, 717 and 840 nm, respectively.

1.5 全子集篩選法

全子集篩選法是基于不同自變量之間所有可能的組合方式，通過最小二乘法對篩選后的變量組合進行擬合與建模分析，最終選擇一個最佳的監測模型。在選擇最優模型時，應考慮以下2個方面：1）似然函數最大化；2）模型未知參數最小化，即尋求模型擬合精度和模型復雜度之間的最佳平衡。貝葉斯信息準則（Bayesian Information Criterion，BIC）與赤池信息準則（Akaike Information Criterion，AIC）相似，但是BIC懲罰項比AIC更大，可有效避免模型精度過高造成的模型復雜度過高的問題，在維數過大且樣本數量相對較少的情況下，也可以有效避免維度災難問題的出現[29]。因此本文主要利用BIC值最小的原則進行模型變量的篩選，通過R3.5.1軟件的leaps包完成全子集篩選，BIC的計算公式為

BIC=ln?2ln（1）

式中為模型參數個數，為樣本數量，為似然函數。

1.6 模型建立

本文利用R3.5.1軟件的ridge包和elmNNRcpp包分別進行嶺回歸分析和ELM回歸分析。嶺回歸分析是一種針對共線性數據分析的有偏估計回歸方法，本質上是一種改良的最小二乘法，通過損失部分信息和降低精度來獲得更為接近實際的回歸模型，對病態數據具有較強的耐受性[13,16]。ridge包自動選擇模型最優的嶺參數，避免了人為對嶺參數的調參選擇，具有簡單高效的優點。極限學習機是一種單隱層前向傳播的人工神經網絡模型訓練算法，在模型訓練過程中不需要調整輸入層和隱含層的連接權值、隱含層閾值等參數，只需要設置網絡的隱藏節點個數，并且具有全局最優解，因此ELM在保持學習精度的同時，還具有更快的學習速度和泛化性能好等優勢[30-31]。

1.7 統計分析

本文主要利用貝葉斯信息準則和調整決定系數（Adjust Coefficient of Determination，R2）對全子集篩選效果進行評價。通過決定系數（Coefficient of Determination，2）、均方根誤差（Root Mean Square Error，RMSE）以及標準均方根誤差（Normalized Root Mean Square Error，NRMSE）綜合評價土壤含水率反演模型的精度。2越近于1，說明反演模型的擬合效果越好；RMSE和NRMSE越接近于0，表明模型預測值和實測值的一致性較好，反演模型精度越高，效果越優。

2 結果與分析

2.1 冠層光譜反射率的變化

分別對5個處理小區的3個采樣點的光譜數據取平均值，繪制不同生育期的玉米冠層光譜變化曲線，結果如圖4所示。

圖4 不同處理小區不同生育期的玉米冠層光譜反射率

從圖4可以看出，5個處理小區不同生育期的玉米冠層光譜反射率全部呈現出“先增后降再上升”的趨勢，在綠光波段（560 nm）和紅光波段（668 nm）分別形成波峰和波谷，即“綠峰紅谷”，而在紅邊波段（717 nm）和近紅外波段（840 nm）具有較高的反射率。藍光波段和紅光波段是植物葉綠素的顯著吸收波段，對540 nm附近吸收較少故形成綠色反射峰；而近紅外光譜區，綠色植物葉片的細胞壁和細胞空隙間折射率不同，引起多重反射而造成了高反射率[11,32]。

同一生育期內，在可見光波段和近紅外波段，TRT1的光譜反射率幾乎均為5個處理中的最小值，TRT4幾乎均為最大值，其余處理處于二者之間，且差異不大。在2018-07-21和2018-07-26日，由于降雨較多，導致各試驗小區水分差異較小，故各處理的玉米冠層光譜曲線近乎重合。在2018-08-02和2018-08-28日，由于天氣晴朗，各試驗小區只有灌溉水一個影響因素，各處理之間水分差異較大，因此玉米冠層光譜曲線的差異明顯。

2.2 全子集篩選最佳光譜組合

基于貝葉斯信息準則（Bayesian Information Criterion，BIC）最小的原則，利用全子集篩選法選取出在不同生育期、不同深度條件下的最佳光譜組合，結果如表4和圖5所示。其中乳熟-成熟期的45～60 cm，篩選變量僅為VARI時BIC值達到最小，但是考慮到后期嶺回歸和極限學習機模型的構建（自變量數>1），最后選擇BIC值僅次于1個變量情況的5個變量組合結果（Blue、Green、NDVIg-b、TCARI、SIPI）。

從表4可以看出，在同一生育期，除了抽雄-吐絲期20～45和45～60 cm變量組合相同，其余不同深度土壤含水率的最優變量組合并不相同；在同一土壤深度的條件下，不同生育期的最優變量組合也不相同。拔節期效果最優的土壤深度是0～20 cm，其BIC值最小為?68，R2最大為0.74，20～45 cm的BIC值和R2都優于45～60 cm，因為玉米處于拔節期，此時根系較淺，主要獲取淺層的土壤水分，故0～20 cm的R2較大。隨著生育期的推移，當玉米處于乳熟-成熟期時，此時20～45 cm的BIC值最小僅為?37，R2達到了0.78，明顯優于0～20 cm，且選取的植被指數或波段都為極顯著相關（<0.001），因為玉米此時生長茂盛，主要根系分布較深[12]，但是45～60 cm土層較深，水分利用率相對較低，故乳熟-成熟期20～45 cm的R2較大，BIC值較小。利用全子集篩選不同生育期、不同深度條件下的植被指數或波段基本都通過了顯著性檢驗，部分變量甚至達到了0.001極顯著水平，R2在0.47～0.78之間，表明基于BIC進行最佳光譜組合的篩選具有一定的應用潛力。

表4 全子集篩選結果統計

注：“*”表示在0.05水平顯著；“**”表示在0.01水平顯著；“***”表示在0.001水平顯著；為樣本數量；BIC為貝葉斯信息準則值。下同。

Note: “*” means significant at 0.05 level; “**” means significant at 0.01 level; “***” means significant at 0.001 level;represent the number of samples. BIC is the bayesian information criterion value. The same below.

圖5 基于BIC的變量優選曲線

2.3 嶺回歸模型構建

分別以不同生育期、不同深度土壤含水率條件下篩選出的反射率及植被指數為自變量，土壤含水率為因變量建立嶺回歸模型。各模型的嶺參數為4.04×10-5，2.30×10-4，1.37×10-4，9.05×10-3，1.25×10-4，2.70×10-5，7.61×10-4，3.30×10-2，1.21×10-4，土壤含水率的嶺回歸模型效果如表5所示。

從表5可以看出，嶺回歸模型的建模和驗證效果比較接近，說明嶺回歸模型具有一定的穩定性。當玉米處于拔節期，0～20 cm的建模集決定系數2為0.785，RMSE僅為1.48%，NRMSE為15.83%，屬于較小差異，均為拔節期建模集的最優效果，驗證集決定系數2為0.711為驗證集的最大值，但是0～20 cm的RMSE和NRMSE和分別為1.91%和19.43%，稍大于20～45 cm的RMSE（1.63%）和NRMSE（15.25%），說明淺層0～20 cm效果雖好，但是穩定性相對稍差?？傮w而言，0～20 cm為拔節期的最佳監測土壤深度，20～45 cm次之，45～60 cm相對較差。

表5 不同生育期、不同深度土壤含水率的嶺回歸模型反演結果評價

當玉米處于抽雄-吐絲期，總體來看，0~20 cm為此時的最佳監測深度。其建模集和驗證集決定系數2分別為0.721和0.744，均為該生育期的最大值，NRMSE和NRMSE分別為16.39%和15.26%，屬于較小的模型差異。但是此時20～45和45～60 cm深度的模型效果與0～20 cm差距較小，其建模集和驗證集決定系數均在0.628以上，建模集和驗證集評價指標RMSE和NRMSE甚至優于0～20 cm。而當玉米處于乳熟-成熟期，20～45 cm為此生育期的最佳監測深度，45～60 cm次之，0～20 cm的效果最差。20～45和45～60 cm的建模集和驗證集決定系數均高于0～20 cm，建模集和驗證集的NRMSE均小于20%，屬于較小模型差異。

2.4 極限學習機模型構建

極限學習機模型有隱藏神經元個數(Nhid)和激活函數(Actfun)兩個重要參數。拔節期0～20、20～45和45～60 cm模型最終選定的參數分別為{(18, Tribas)、(15, Sin)、(11, Sin)}。抽雄-吐絲期0~20、20~45和45~60 cm模型最終選定的參數為{(7, Tansig)、(10, Sin)、(10, Tribas)}。乳熟-成熟期0～20、20～45和45～60 cm模型最終選定的參數為{(10, Sig)、(8, Radbas)、(12, Sin)}。不同生育期、不同深度土壤含水率的極限學習機模型在建模集和驗證集的預測結果如表6所示。

表6 不同生育期、不同深度土壤含水率的極限學習機模型反演結果評價

從表6可以看出，基于不同生育期、不用深度土壤含水率所建立的ELM模型中，隱藏神經元個數和激活函數變化差異較大，這也說明了不同條件下的模型具有一定的差異性，但是ELM模型的建模集和驗證集效果差異不大，表明ELM模型較為穩健。當玉米處于拔節期，0～20 cm的建模集決定系數2和驗證集決定系數2分別為0.872和0.745，均為拔節期最大值，建模集RMSE僅為1.14%，NRMSE為12.18%，屬于較小差異，均為最優值，雖然RMSE（1.88%）和NRMSE（19.12%）稍大于20～45 cm，總體來看，拔節期最佳監測深度為0～20 cm，20～45 cm次之，45～60 cm較差，但是45～60 cm建模集和驗證集決定系數均大于0.5，RMSE小于2.42%，NRMSE為20%左右，表明此深度仍具有一定的監測效果。

在玉米抽雄-吐絲期，3個深度的建模集和驗證集決定系數均在0.635以上，除了20～45 cm的RMSE（2.36%）和NRMSE（21.51%）較大，其余建模集和驗證集RMSE均小于1.63%，NRMSE均在20%以下，屬于較小模型差異。0～20 cm為抽雄-吐絲期的最佳監測深度，其建模集和驗證集決定系數2分別為0.728和0.746，RMSE和NRMSE分別為1.41%和16.15%，RMSE和NRMSE僅為1.31%和15.07%，20～45 cm的ELM模型效果與0～20 cm相比差異較小，45～60 cm的ELM模型精度次之。對于乳熟-成熟期，20～45 cm的ELM模型精度最佳，建模集和驗證集2分別為0.825和0.750，均為該生育期的最大值，精度評價指標RMSE（1.0%）和RMSE（1.32%）均為最小值，建模集和驗證集NRMSE都在15%以下。45～60 cm的ELM效果要優于0～20 cm，其建模集決定系數2=0.639，驗證集決定系數2=0.582，均大于0～20 cm，建模集和驗證集精度評價指標NRMSE也優于0～20 cm。因此對于玉米乳熟-成熟期時，20～45 cm的反演精度最佳，45～60 cm反演精度優于0～20 cm的反演精度。

2.5 模型綜合評價

在拔節期、抽雄-吐絲期、乳熟-成熟期3個不同生育期的條件下，利用全子集篩選出0～20、20～45和45～60 cm不同深度土壤含水率的敏感波段和植被指數，分別使用嶺回歸和ELM兩種回歸方法，將構建的9個反演模型的土壤含水率預測值與土壤含水率實測值進行比較，結果如圖6所示。

注：下標E、R分別表示極限學習機和嶺回歸。

由表5、表6以及圖6可知，不同生育期、不同深度土壤含水率估算模型存在明顯差異，同一條件下嶺回歸和ELM模型的估算精度也存在一定差異。拔節期45～60 cm和乳熟-成熟期0～20 cm的嶺回歸和ELM回歸模型擬合效果相對較差，2均在0.45～0.58之間，精度評價指標NRMSE和NRMSE均在20%左右，屬于中等模型差異，其余模型的預測值與實測值吻合較好。拔節期、抽雄-吐絲期、乳熟-成熟期的最佳監測深度分別為0～20 cm、0～20和20～45 cm，其嶺回歸和ELM模型的2在0.71～0.88之間，精度評價指標RMSE和RMSE均在1.91%以下，NRMSE和NRMSE都小于20%，屬于較小模型差異，擬合曲線的斜率接近1。

所有模型中效果最優的是乳熟-成熟期的20～45 cm，ELM回歸模型在建模集和驗證集的2分別為0.825、0.750，RMSE和RMSE為1.00%和1.32%，NRMSE和NRMSE為10.85%和13.55%；嶺回歸模型在建模集和驗證集的2分別為0.815和0.746，RMSE和RMSE為1.03%和1.33%，NRMSE和NRMSE為11.17%和13.74。從穩定性（建模集和驗證集的2百分比）來看，ELM和嶺回歸模型分別為110%和109.2%，二者差異不大；但是從模型擬合度和模型預測效果來看，ELM的效果都優于嶺回歸模型。在其他同一生育期、同一深度下ELM模型的2都優于嶺回歸模型。綜上所述，基于ELM回歸方法建立的土壤含水率反演模型效果優于嶺回歸方法。

3 討　論

土壤含水率作為土壤墑情的重要指標之一，雖然前人在土壤含水率的反演研究中取得了不錯的研究成果，然而卻存在著一定的不足。裸土土壤含水率[5, 17]的研究難以滿足實際農田生產需要，地物光譜儀[33]采樣存在耗時費力等問題，難以監測區域尺度的土壤含水率信息，田美玲等[1]和王敬哲等[34]基于冬小麥返青期的光譜數據構建了淺層土壤含水率（0～10 cm）反演模型，但該研究未能獲取全生育期的無人機影像數據，也未能進行較深土層的土壤含水率反演研究；張智韜等[12]基于玉米根域平均土壤含水率（0～60 cm）建立了反演模型，但該研究并未剔除土壤背景，也未探究不同生育期下的最佳監測土壤深度，本文以不同水分脅迫處理的大田玉米為研究對象，考慮了玉米在不同生育期的主要根系及根系活動層深度的不同，并利用SVM方法消除土壤背景干擾，降低背景噪聲對光譜數據造成的影響[1]，能準確提取植被冠層光譜信息，結合全子集篩選法建立的敏感光譜的不同生育期、不同深度的土壤含水率反演模型，不僅有效避免了指數過多而導致的過擬合問題，還可以防止模型復雜度過高問題的出現[15]。本文在建模方法上選擇了傳統回歸方法（RR）和機器學習算法（ELM），而張智韜等[12]只進行了機器學習模型的構建。經過對比分析發現，在相同條件下ELM算法效果要優于RR算法，因為土壤含水率與植物光譜之間并非簡單的線性關系，嶺回歸模型在處理土壤含水率與植物光譜之間復雜關系時具有一定的局限性[33]，而ELM算法在非線性問題中具有較強的解析力和較高的模型魯棒性，這與葛翔宇等[17]和蔡亮紅等[35]研究結果一致。雖然本文模型效果在其他生育期與張智韜等[12]研究差異較小，但在生殖期（Reproductive stage，R期）土壤含水率反演模型當中，本文抽雄-吐絲期的3種監測深度的建模集和驗證集2均在0.628以上，遠高于張智韜等[12]研究的模型效果（2在0.438～0.619之間）。

本文利用全子集篩選法列舉所有的組合方式，基于BIC篩選得到不同生育期、不同深度下的最優自變量的敏感光譜組合，不同條件下全子集篩選出的敏感波段和敏感植被指數不盡相同。因為在可見光譜段和近紅外譜段內，影響綠色植物葉片反射率變化的因素分別是植物色素和葉子的細胞結構[11-12]，而不同生育時期玉米生長狀況具有較大的差異，因而在不同生育期、同一土壤深度條件下篩選出的敏感光譜組合差異較大；而玉米在同一生育期條件下，不同植被光譜指數與土壤含水率的相關性以及相關性排序會因為不同土壤深度的變化而具有一定的差異性[36-37]，全子集篩選法在選擇最優模型時，會尋求模型的擬合精度和模型復雜度之間的最佳平衡，所以在同一生育期，不同土壤深度條件下的特征光譜指數也會有較大的差異。此外，不同生育期的最佳監測深度也并不相同，拔節期和抽雄-吐絲期的最佳監測深度為0～20 cm，乳熟-成熟期的最佳監測深度為20～45 cm。原因為玉米在拔節期的根系深度較淺（0～30 cm），玉米主要利用淺層的土壤水分，因而在拔節期0～20 cm的土壤含水率反演模型最優；而玉米在抽雄-吐絲期時根系下扎，部分已經達到40 cm左右，但玉米此時還是主要利用淺層的土壤水分，故0～20 cm土壤含水率的模型反演效果要稍優于20～45 cm；而玉米在乳熟-成熟期時，此時主要根系較深，但是該試驗區土壤為砂壤土，灌溉方式為噴灌，玉米根系大多在60 cm以下，主根系主要集中在45 cm左右，此時20～45 cm的土壤含水率反演模型最優。

然而本研究也存在一定的不足，未考慮氣象因素對土壤含水率的影響，本研究是否適用于其他地區的其他作物還有待進一步驗證。今后研究將進行多源遙感信息的融合，同時結合生理生化參數共同診斷作物的水分脅迫狀況，為土壤含水率的反演研究提供進一步的參考，以期為干旱地區農業監測奠定科學基礎和提供技術支持。

4 結 論

1）在不同生育期下的土壤含水率反演模型中，不同生育期的最佳監測深度并不相同。拔節期最佳的土壤監測深度為0～20 cm，其次是20～45 cm，而45～60 cm相對較差；抽雄-吐絲期0～20 cm的模型效果最優，但20～45、45～60 cm估算模型與0～20 cm差異較小；乳熟-成熟期最佳監測深度為20～45 cm，45～60 cm次之，0～20 cm最差。

2）全子集篩選法可以有效地篩選最佳光譜組合，篩選變量基本都通過了顯著性檢驗，且自變量個數較少（2～6個），表明全子集篩選法具有簡易高效的優勢。

3）不同水分處理小區，在不同研究時間情況下玉米冠層的光譜曲線變化趨勢完全一致，在可見光譜段反射率較低，而在近紅外譜段反射率較高，且光譜曲線全部呈現出“綠峰紅谷”的變化。

4）對比同一生育期，同一土壤深度所建立的嶺回歸和極限學習機的土壤含水率反演模型，這兩種模型算法均具有一定的魯棒性，但ELM模型的建模集和驗證集決定系數均高于嶺回歸，精度評價指標RMSE和NRMSE，也幾乎均優于嶺回歸模型。因此，ELM模型是本次植被覆蓋條件下玉米根域土壤含水率的最優模型。

[1]田美玲，葛翔宇，丁建麗，等. 耦合機器學習和機載高光譜數據的土壤含水量估算[J]. 激光與光電子學進展，2020，57(9)：1-15.

Tian Meiling, Ge Xiangyu, Ding Jianli, et al. Coupled machine learning and UAV-based hyperspectral imagery for soil water content estimation[J]. Laser & Optoelectronics Progress,2020, 57(9): 1-15. (in Chinese with English abstract)

[2]Rijal S, Zhang X, Jia X. Estimating surface soil water content in the red river valley of the north using landsat 5 TM data[J]. Soil Science Society of America Journal, 2013, 77(4): 1133-1143.

[3]Millard K, Thompson D, Parisien M, et al. Soil moisture monitoring in a temperate peatland using multi-sensor remote sensing and linear mixed effects[J]. Remote Sensing, 2018, 10(6): 903-918.

[4]Hassan-Esfahani L, Torres-Rua A, Jensen A, et al. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J]. Remote Sensing, 2015, 7(3): 2627-2646.

[5]楊曦光，于穎. 基于試驗反射光譜數據的土壤含水率遙感反演[J]. 農業工程學報，2017，33(22)：195-199.

Yang Xiguang, Yu Ying. Remote sensing inversion of soil moisture based on laboratory spectral reflectance data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 195-199. (in Chinese with English abstract)

[6]劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業工程學報，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[7]Baluja J, Diago M P, Balda P, et al. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV)[J]. Irrigation Science, 2012, 30(6): 511-522.

[8]Romero M, Luo Y, Su B, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Computers and Electronics in Agriculture, 2018, 147: 109-117.

[9]Zhang L, Zhang H, Niu Y, et al. Mapping Maize Water Stress Based on UAV Multispectral Remote Sensing[J]. Remote Sensing, 2019, 11(6): 605.

[10]陳俊英，陳碩博，張智韜，等. 無人機多光譜遙感反演花蕾期棉花光合參數研究[J]. 農業機械學報，2018，49(10)：230-239.

Chen Junying, Chen Shuobo, Zhang Zhitao, et al. Retrieving photosynthetic parameters in cotton during budding period by multi-spectral remote sensing of unmanned aerial vehicle[J]. Transaction of the Chinese Society for Agricultural Machinery, 2018, 49(10): 230-239. (in Chinese with English abstract)

[11]趙英時. 遙感應用分析原理與方法[M]. 第二版. 北京：科學出版社，2003.

[12]張智韜，譚丞軒，許崇豪，等. 基于無人機多光譜遙感的玉米根域土壤含水率研究[J]. 農業機械學報，2019，50(7)：246-257.

Zhang Zhitao, Tan Chengxuan, Xu Chonghao, et al. Retrieving soil moisture content in filed maize root zone based on UAV multispectral remote sensing[J]. Transaction of the Chinese Society for Agricultural Machinery, 2019, 50(7): 246-257. (in Chinese with English abstract)

[13]王海峰，張智韜，Arnon Karnieli，等. 基于灰度關聯-嶺回歸的荒漠土壤有機質含量高光譜估算[J]. 農業工程學報，2018，34(14)：124-131.

Wang Haifeng, Zhang Zhitao, Arnon Karnieli, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 124-131. (in Chinese with English abstract)

[14]張海威，張飛，張賢龍，等. 光譜指數的植被葉片含水量反演[J]. 光譜學與光譜分析，2018，38(5)：1540-1546.

Zhang Haiwei, Zhang Fei, Zhang Xianlong, et al. Inversion of vegetation leaf water content based on spectral index[J]. Spectroscopy and Spectral Analysis, 2018, 38(5): 1540-1546. (in Chinese with English abstract)

[15]張智韜，韓佳，王新濤，等. 基于全子集-分位數回歸的土壤含鹽量反演研究[J]. 農業機械學報，2019，10(50)：142-152.

Zhang Zhitao, Han Jia, Wang Xintao, et al. Soil salinity inversion method by satellite remote sensing based on best subsets-quantile regression model[J]. Transaction of the Chinese Society for Agricultural Machinery , 2019, 10(50): 142-152. (in Chinese with English abstract)

[16]Imani M, Ghassemian H. Ridge regression-based feature extraction for hyperspectral data[J]. International Journal of Remote Sensing, 2015, 36(6): 1728-1742.

[17]葛翔宇，丁建麗，王敬哲，等. 基于競爭適應重加權采樣算法耦合機器學習的土壤含水量估算[J]. 光學學報，2018，38(10)：393-400.

Ge Xiangyu, Ding Jianli, Wang Jingzhe, et al. Estimation of soil moisture based on CARS algorithm coupled with machine learning[J]. Acta Optica Sinica, 2018, 38(10): 393-400. (in Chinese with English abstract)

[18]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，5(31)：152-159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 5(31): 152-159. (in Chinese with English abstract)

[19]Verrelst J, Schaepman M E, Koetz B, et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008, 112(5): 2341-2353.

[20]Schneider P, Roberts D A, Kyriakidis P C. A VARI-based relative greenness from MODIS data for computing the Fire Potential Index[J]. Remote Sensing of Environment, 2008, 112(3): 1151-1167.

[21]Zarcotejada P, Berjon A, Lopezlozano R, et al. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy[J]. Remote Sensing of Environment, 2005, 99(3): 271-287.

[22]Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 416-426.

[23]Penuelas J, Baret F, Filella I. Semiempirical indexes to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31: 221-230.

[24]Wang F, Huang J, Tang Y, et al. New vegetation index and its application in estimating leaf area index of rice[J]. Rice Science, 2007, 14(3): 195-203.

[25]Xue L, Cao W, Luo W, et al. Monitoring leaf nitrogen status in rice with canopy spectral reflectance[J]. Agronomy Journal, 2004, 96(1): 135-142.

[26]Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[27]Mishra S, Mishra D R. Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J]. Remote Sensing of Environment, 2012, 117: 394-406.

[28]Rouse J W, Haas R W, Schell J A, et al. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[R]. Nasa, 1973.

[29]Burnham K P, Anderson D R. Multimodel inference: understanding AIC and BIC in model selection[J]. Sociological Methods & Research, 2016, 33(2): 261-304.

[30]Deo R C, Tiwari M K, Adamowski J F, et al. Forecasting effective drought index using a wavelet extreme learning machine (W-ELM) model[J]. Stochastic Environmental Research and Risk Assessment, 2017, 31(5): 1211-1240.

[31]呂曉翠，李國林，李晗，等. 基于特征提取的ELM算法在TDLAS光譜分析中的應用[J]. 中國激光，2018，45(9)：0911012.

Lu Xiaocui, Li Guolin, Li Han, et al. The application of feature extraction based ELM algorithm in TDLAS spectral analysis[J]. Chinese Journal of Lasers, 2018, 45(9): 0911012. (in Chinese with English abstract)

[32]王俊霞，潘耀忠，朱秀芳，等. 土壤水分反演特征變量研究綜述[J]. 土壤學報，2019，56(1)：23-35.

Wang Junxia, Pan Yaozhong, Zhu Xiafang, et al. A review of researches on inversion of eigenvariance of soil water[J]. Acta Pedologica Sinica, 2019, 56(1): 23-35. (in Chinese with English abstract)

[33]陳文倩，丁建麗，譚嬌，等. 干旱區綠洲植被高光譜與淺層土壤含水率擬合研究[J]. 農業機械學報，2017，48(12)：229-236.

Chen Wenqian, Ding Jianli, Tan Jiao, et al. Fitting of hyperspectral reflectance of vegetation and shallow soil water content in oasis of arid area[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(12): 229-236. (in Chinese with English abstract)

[34]王敬哲，丁建麗，馬軒凱，等. 基于光譜指數的綠洲農田土壤含水率無人機高光譜檢測[J]. 農業機械學報，2018，49(11)：164-172.

Wang Jingzhe, Ding Jianli, Ma Xuankai, et al. Detection of soil moisture content based on UAV-derived hyperspectral imagery and spectral index in oasis cropland[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(11): 164-172. (in Chinese with English abstract)

[35]蔡亮紅，丁建麗. 基于變量優選和ELM算法的土壤含水量預測研究[J]. 光譜學與光譜分析，2018，38(7)：2209-2214.

Cai Lianghong, Ding Jianli. Prediction for water content based on variable preferred and extreme learning machine algorithm[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2209-2214. (in Chinese with English abstract)

[36]劉曉靜，陳國慶，王良，等. 基于SOC710VP高光譜成像儀的冬小麥土壤含水率反演模型研究[J]. 灌溉排水學報，2019，38(3)：35-42.

Liu Xiaojing, Chen Guoqing, Wang Liang, et al. Estimating soil moisture distribution in winter wheat field using SOC710VP hyperspectral imagery[J]. Journal of Irrigation and Drainage, 2019, 38(3): 35-42. (in Chinese with English abstract)

[37]王宏博，馮銳，紀瑞鵬，等. 干旱脅迫下春玉米拔節-吐絲期高光譜特征[J]. 光譜學與光譜分析，2012，32(12)：3358-3362.

Wang Hongbo, Feng Rui, Ji Ruipeng, et all. Hyperspectral characteristics of spring mazie from jointing to silking stage under drought stress[J]. Spectroscopy and Spectral Analysis, 2012, 32(12): 3358-3362. (in Chinese with English abstract)

Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing

Tan Chengxuan1,2, Zhang Zhitao1,2※, Xu Chonghao1, Ma Yu1, Yao Zhihua1, Wei Guangfei1, Li Yu1

(1.712100,; 2.712100,)

The rapid acquisition of soil water content (SWC) in field crop root zone is significant for drought supervision and precision irrigation. The UAV multispectral remote sensing system has the advantages of obtaining high spatial-temporal resolution of crop phenotype data, and has a wide application prospect in soil moisture monitoring. In order to obtain SWC accurately and timely at a farm scale, in this paper, the field maize with different water treatments is taken as the research object, and the multispectral remote sensing monitoring of summer maize is carried out by using the UAV remote sensing platform, and the soil water content of different soil depth in maize root zone is collected synchronously. Based on the UAV multispectral remote sensing image data sets of jointing stage, tasseling-silking stage and milky-maturity stage of summer maize in 2018, the soil background is removed by support vector machine classification, the spectral reflection of maize canopy is extracted, and the 10 vegetation indices are calculated, then the sensitivity analysis of soil water content in different depth is carried out by using full subset screening method for different wave bands and vegetation indices, and the soil water content in different depth is analyzed respectively, ridge regression and extreme learning machine are used to construct quantitative estimation models of soil water content at 0-20, 20-45 and 45-60 cm soil depth after full subset selection.The test area is located in Zhaojun Town, Dalate Banner, Ordos, Inner Mongolia, China(40°26'0.29" N, 109°36'25.99" E, elevation 1 010 m). The sowing time of maize is on May 11, 2018, the emergence time is on May 18, and the harvest time is on September 8, 2018. The total growth period is 114 days. The UAV multispectral remote sensing images and ground data collection dates are July 8, July 12, July 17, July 21, July 26, August 2, August 28 and September 7, 2018. It is collected once a day and tested 8 times in the whole growth period. July 8-21 is the jointing stage, July 26-August 2 is the tasseling-silking stage, August 28-september 7 is the milk-maturity stage. The flight altitude of the UAV is 70 m, and the flight time is 11:00-13:00 local time (11:44-13:44 Beijing time). Firstly, the UAV multispectral canopy images of field maize with 5 different irrigation treatments (TRTs) are acquired through the six-rotor UAV equipped with a RedEdge multispectral camera ( MicaSense, USA), and the multispectral images of diffuse reflector (reflectivity 58%, size 3×3 m) are collected at the same height to perform radiometric correction in the meantime, and then the spectral reflectances of the field maize are acquired. Secondly, the support vector machine (SVM) is used to eliminate the multispectral image of soil background in ENVI and ArcGIS software, then the maize canopy spectral reflectance is extracted and 10 vegetation indices (VIs), such as Normalized Difference Vegetation Index (NDVI), Normalized Green Difference Vegetation Index (GNDVI) and Transformed Chlorophyll Absorption In Reflectance Index(TCARI), etc, are calculated. Finally, the full subset selection method based on Bayesian Information Criterion (BIC) is used to analyze the sensitivity of SWC at different depths for different spectra bands and vegetation indices in R3.5.1 software, and then Ridge Regression (RR) as well as Extreme Learning Machine (ELM) are used to construct a quantitative estimation model of SWC at soil depths of 0-20, 20-45 and 45-60 cm at different growth stages, respectively. The results show that the full subset selection method based on BIC can effectively select the optimal spectral subset, and the selected variables generally pass the significance test and the independent variables number is small; the effects of the ELM model outperformed the RR model almost under all the same conditions; the optimal monitoring soil depth of maize at jointing stage, tasseling-silking stage is 0-20 cm, and the optimal monitoring soil depth of milk-maturity stage is 20-45 cm; the ELM inversion model at 20-45 cm soil depth at milk-maturity stage has the best effect, the decision coefficients of modeling set and verification set are 0.825 and 0.750, respectively, the root mean square error are 1.00% and 1.32%, respectively, and the normalized root mean square error are 10.85% and 13.55%, respectively. The combination of full subset selection method and machine learning can improve the inversion accuracy and robustness of SWC. This study provides a new way for rapid and accurate monitoring of SWC in farmland and precise irrigation.

soil water content; remote sensing; models; full subset selection; machine learning; inversion

譚丞軒，張智韜，許崇豪，等. 無人機多光譜遙感反演各生育期玉米根域土壤含水率[J]. 農業工程學報，2020，36(10)：63-74.doi：10.11975/j.issn.1002-6819.2020.10.008 http://www.tcsae.org

Tan Chengxuan, Zhang Zhitao, Xu Chonghao, et al. Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 63-74. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.10.008 http://www.tcsae.org

2020-01-14

2020-04-24

國家重點研發計劃項目（2017YFC0403302）、國家自然科學基金項目（51979234、51979232）和楊凌示范區科技計劃項目（2018GY-03）

譚丞軒，博士生，主要從事無人機遙感與節水灌溉技術研究。Email：chengxuantan@nwafu.edu.cn

張智韜，博士，副教授，主要從事遙感技術在水資源高效利用研究。Email：zhitaozhang@126.com

10.11975/j.issn.1002-6819.2020.10.008

S152.7; TP79

A

1002-6819(2020)-10-0063-12