基于超寬帶雷達和多光譜數(shù)據(jù)融合的土壤含水率檢測

郭 交 白清源 郭文川,3

(1.西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院， 陜西楊凌 712100；2.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室， 陜西楊凌 712100；3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100)

0 引言

土壤含水率是農(nóng)業(yè)、生態(tài)、氣象和水文等學(xué)科的重要參數(shù)之一[1-2]，對農(nóng)作物生長具有重要作用，實時監(jiān)測農(nóng)作物的含水率情況，不僅對評價農(nóng)作物健康水平有著重要意義，而且在節(jié)水灌溉、農(nóng)作物光合作用和養(yǎng)分吸收以及產(chǎn)量預(yù)測等方面都具有重要作用[3-4]。

當(dāng)前測定土壤含水率的方法，如烘干法[5]、中子法[6-7]、時域反射法(Time domain reflectometry, TDR)[8-9]、熱脈沖法[10]等，能夠較為準(zhǔn)確地進行單個土樣或者單點的小尺度測定。但數(shù)據(jù)時效性較差，很難保證測量數(shù)據(jù)的同步性，而且只能用一個或幾個點的數(shù)據(jù)來表征大范圍面的數(shù)據(jù)，若直接用于大面積測量，則耗費大量人力物力[11]。近年來隨著星載遙感技術(shù)的迅速發(fā)展，基于衛(wèi)星數(shù)據(jù)來反演土壤含水率已成為一種解決土壤含水率監(jiān)測問題的新方法[12-16]，但受到當(dāng)前衛(wèi)星傳感器的限制，在對局部農(nóng)田進行反演時精度比較低，同時該方法受衛(wèi)星重訪周期和過境時天氣影響比較大，很難有效指導(dǎo)精準(zhǔn)農(nóng)業(yè)生產(chǎn)活動[17-18]。低空掃描法是一種將雷達架設(shè)于地面一定高度處觀測一定范圍土壤含水率的方法[19-20]，這種方法操作簡單，測量效率高并保持很高的精確性，比較適合于表層土壤含水率快速檢測，但傳統(tǒng)上與低空掃描法配合使用的雷達尺寸過大，測量難度和成本較高[21]。近些年來，由于超寬帶(Ultra-wide band，UWB)雷達體積小、質(zhì)量輕、穿透力強、抗干擾和低功耗的特性[22]，被越來越多地應(yīng)用于土壤含水率相關(guān)的研究中，而且將超寬帶雷達模塊與低空掃描法相結(jié)合，可以簡化低空掃描法中土壤信號采集的難度。

一些學(xué)者利用模糊邏輯系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等手段對從超寬帶雷達測量數(shù)據(jù)中得到土壤含水率相關(guān)信息進行了研究[23-27]，所選擇的試驗條件都是平坦裸土。但在實際的農(nóng)田環(huán)境中，土壤上均會存在不同的植被覆蓋且土壤中石子與秸稈殘渣等干擾較多，這些都會影響土壤含水率監(jiān)測的精度。而微波遙感不如光學(xué)遙感形象直觀，易于理解。植被的雷達后向散射與系統(tǒng)參數(shù)(波長、入射角、極化方式)、植被參數(shù)以及地表參數(shù)均有關(guān),電磁波與植被之間的相互作用是比較復(fù)雜的。為了對這個復(fù)雜的過程進行理解并提高地表參數(shù)的反演精度，研究人員通過對植被微波后向散射特性的研究，建立了各種類型的植被微波后向散射模型[28]。目前已有學(xué)者直接通過植被指數(shù)來消除植被覆蓋產(chǎn)生的影響[29]。

基于以上分析，本文以土壤含水率為研究對象，在10塊不同植被覆蓋情況的試驗田中進行不同土壤含水率的超寬帶回波信號采集，試驗中土壤含水率均采用體積含水率(Variable water content，VWC)計算。通過無人機多光譜遙感獲得10塊試驗田的多光譜圖像，進而計算其對應(yīng)的歸一化植被指數(shù)(NDVI)，以此來消除植被覆蓋所產(chǎn)生的雷達后向散射影響。將無人機多光譜圖像與超寬帶雷達模塊(PulsOn 440, P440)的低空掃描法相結(jié)合，融合多光譜與超寬帶雷達數(shù)據(jù)，利用支持向量機(SVM)模型實現(xiàn)對不同程度植被覆蓋土壤含水率進行分級預(yù)測。在此基礎(chǔ)上，研究對比融合多源數(shù)據(jù)與只采用超寬帶雷達回波數(shù)據(jù)的預(yù)測精度，并建立農(nóng)田尺度上最優(yōu)的土壤含水率預(yù)測模型。

1 研究區(qū)域與試驗方法

1.1 研究區(qū)域

試驗地點為陜西省咸陽市楊凌區(qū)某處試驗田，土壤類型為陜西省關(guān)中地區(qū)的塿土，總面積約為100 m2，總體植被覆蓋度約為42.10%，植被覆蓋高度為0～30 cm。選擇其中不同植被覆蓋的10塊試驗地，植被覆蓋類型為雜草，每塊試驗田的大小約為2.5 m×2.5 m。圖1a為試驗區(qū)域總體示意圖，圖1b、1c為具體地塊試驗過程中無人機定點拍攝的多光譜影像RGB波段融合后圖像。

1.2 試驗設(shè)備

(1)超寬帶雷達模塊

選用的超寬帶雷達模塊是美國Time Domain公司的PulsOn 440單基站雷達模塊，實物圖如圖2所示。它是一種工作頻率在3.1～4.8 GHz之間的超寬帶雷達，能夠采用雙向飛行時間方式在2個以上的模塊之間進行精確測距與通信，也可以作為單基地雷達、雙基地雷達或者多基地雷達工作。P440單基站雷達模塊功耗低，供電電壓為直流4.5～48 V，小型移動電源就可以滿足其長時間穩(wěn)定的供電需求，同時其尺寸小、質(zhì)量輕的特點使其便攜性很強，同時具有很強的穿透力。這些特性使其可以很好地適應(yīng)農(nóng)田間復(fù)雜的實際農(nóng)情環(huán)境，方便田間試驗時數(shù)據(jù)的采集，完成長時間高效率測量任務(wù)。

(2)雷達天線

雷達天線選用P440標(biāo)配的BroadSpec天線，實物圖如圖2所示。該天線是一種橢圓形的平面偶極子天線，通過標(biāo)準(zhǔn)SMA公接口連接到P440模塊的兩個天線端口，能夠提供全方向發(fā)射和接收模式。其時域特性和頻域特性十分穩(wěn)定，適用于P440模塊的信號傳輸要求，有效射頻帶寬范圍為3.1～5.3 GHz，天線效率約為90%。

(3)土壤含水率測定儀

使用順科達TR-6D型土壤溫濕度計測量土壤的體積含水率。TR-6D是一種便攜式土壤溫濕度測量儀，具有體積小、質(zhì)量輕、能耗低的優(yōu)點，可以很好地適應(yīng)農(nóng)田間的復(fù)雜實際情況。含水率測量范圍為0～100%，精度為±2%。TR-6D采用接觸式的測量法，所用探針長度為70 mm，垂直安裝時傳感器可測量近60 mm長感應(yīng)區(qū)間的土壤體積含水率。

(4)無人機與多光譜相機

采用搭載多光譜相機的無人機獲取不同植被覆蓋情況試驗地塊的多光譜圖像。所用無人機型號為四旋翼的大疆M100，搭載的多光譜相機為MicaSense的Red Edge五通道多光譜相機，其光譜參數(shù)如表1所示。該相機帶有光強傳感器和灰板，可以在無人機航拍飛行過程中矯正外界光線變化對光譜造成的影響，并對航拍影像進行反射率矯正[30]。

表1 Red Edge的光譜參數(shù)Tab.1 Spectral parameters of Red Edge nm

1.3 試驗方法

本文采用低空掃描法進行土壤回波信號的采集。低空掃描法是利用分析接收的微波信號與土壤樣品含水率之間的關(guān)系來反演土壤含水率?；诘涂諕呙璺ǖ臄?shù)據(jù)測量系統(tǒng)由P440超寬帶雷達、發(fā)射天線、土壤樣品、接收天線、計算機和其余輔助裝置構(gòu)成。待測土壤區(qū)域處于發(fā)射天線和接收天線中間正下方，通過P440超寬帶雷達模塊完成回波信號的發(fā)射與接收，計算機用于回波信號的儲存和數(shù)據(jù)分析，如圖3所示。

1.4 試驗步驟

(1)考慮到雷達天線耦合噪聲的影響，在采集測量過程中 P440雷達應(yīng)高于地面0.8 m以上[31]。選取周圍比較空曠的試驗田進行試驗，搭建好雷達固定支架后，將P440雷達放置在距離地面1.0 m的高度位置進行回波信號的采集，通過USB接口與計算機連接，利用MRM軟件控制回波信號數(shù)據(jù)采集的開始和停止，并將接收信號數(shù)據(jù)直接儲存在計算機中以便進行后期數(shù)據(jù)處理。

(2)使用P440超寬帶雷達在10塊不同植被覆蓋情況的試驗田中進行不同含水率的土壤雷達回波數(shù)據(jù)采集。共采集了40個不同含水率的土壤雷達回波信號，土壤含水率區(qū)間為14.10%～28.59%，符合實際農(nóng)田土壤含水率的情況。將土壤含水率從14.01%開始按照2%的差值分為8級，其中第1級為14.01%～16.00%，第2級為16.01%～18.00%，以此類推第8級為28.01%～30.00%。每個含水率含有1 000個回波信號樣本，按照3∶1的比例將750個樣本作為訓(xùn)練集，250個樣本作為測試集。

(3)使用TR-6D型土壤溫濕度計測量土壤的體積含水率，測量區(qū)域為P440雷達下方的1.5 m×1.5 m矩形區(qū)域。測量時選擇區(qū)域內(nèi)不同位置的12個點進行測量并記錄數(shù)據(jù)，去除最低值和最高值后對10個點的體積含水率取平均值作為此次試驗土壤的實際體積含水率。

(4)使用搭載多光譜相機的無人機對試驗田進行拍照，獲得試驗區(qū)域的無人機多光譜遙感圖像，用于計算不同試驗地塊對應(yīng)的植被指數(shù)。

2 數(shù)據(jù)處理

2.1 雷達回波信號提取

P440超寬帶雷達采集的回波信號中，每個回波的離散時間長度為480 ns，首先需要從回波信號中提取出含有土壤含水率信息的有用信號。根據(jù)雷達波時延公式，可以得到最先接收到含有土壤表層信息的回波信號的時間，從而在所有信號中提取出含有土壤信息的回波信號的起始點，公式為

(1)

(2)

(3)

式中V——雷達回波信號傳播速度

R——雷達波傳播距離，取1.0 m

τ——P440的信號采樣頻率，取61 p/s

Δt——傳播時間m——時間指數(shù)

C——光速ξr——介電常數(shù)

解得m約為109，表明每個回波的離散時間長度480 ns中，從109 ns起才包含有與土壤含水率有關(guān)信息，因此舍棄前108 ns，將樣本的離散時間長度縮小為372 ns。雷達波在土壤中的穿透深度約為0.5 m[32]，其在土壤中的傳播速度如式(3)所示,其中土壤的介電常數(shù)介于4～40之間，由經(jīng)驗公式可得含水率30%土壤的介電常數(shù)約為20[33]，可以通過式(3)計算出包含土壤信息的有效回波信號采樣離散時間長度約為244 ns，本試驗中取250 ns，即一個回波信號樣本中109～359 ns的離散時間長度上的信息是包含土壤信息的有效回波信號。以土壤體積含水率為22.28%為例，如圖4所示。

本研究中植被覆蓋高度約為0.3 m，即雷達與植被距離約為0.7 m。根據(jù)雷達波延時公式可以計算出每個回波的離散時間長度480 ns中，約從76 ns起包含有與植被有關(guān)信息。將8號試驗田24.31%與9號試驗田24.40%的雷達回波樣本進行比較分析，結(jié)果如圖5所示。從圖中可以看出，約70 ns開始兩種雷達回波產(chǎn)生較為明顯的變化，這是因為采集的雷達回波中開始包含植被信息，與計算結(jié)果一致，后續(xù)采集到的回波中均包含植被對回波散射產(chǎn)生的噪聲信息。

2.2 雷達回波時域特征提取

由于農(nóng)田中環(huán)境比較復(fù)雜，超寬帶回波信號采集過程中噪聲比較嚴重且無法很好地直接剔除，而且UWB信號是非平穩(wěn)信號，幅值較大，信息冗余較多，若直接采用提取出來的含有土壤信息的回波信號進行建模，消耗時間過長且無法避免噪聲帶來的影響，因此本文對每一個采集的回波信號進行時域特征提取，選用平均值、方差、最大幅值、最小幅值、峰-峰值、均方根、偏斜度、峰值因子和峭度9個時域特征。用提取出來的9個回波時域特征參數(shù)來表征原始超寬帶回波信號。

2.3 植被指數(shù)計算

根據(jù)植被的光譜特性，將多光譜相機拍攝的可見光和近紅外波段進行組合，計算出植被指數(shù)NDVI。NDVI可以消除大部分與儀器定標(biāo)、太陽角、地形、云陰影和大氣條件有關(guān)輻照度的變化，是目前已有的40多種植被指數(shù)中應(yīng)用最廣的一種[34-35]。

計算得出10塊試驗田的NDVI分別為0.002 3、0.000 3、0.037 8、0.268 7、0.349 6、0.364 1、0.006 8、0.123 4、0.572 8、0.109 0，本研究中1、2、3、7號試驗田植被覆蓋十分稀疏，4、5、6、8、9、10號試驗田有不同程度明顯植被覆蓋。

2.4 支持向量機模型

支持向量機(Support vector machines，SVM)可用于模式分類和非線性回歸，主要思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。其特點是使用核函數(shù)、稀疏解、邊界追蹤控制邊界和支持向量數(shù)目。SVM的計算復(fù)雜度不依賴于輸入空間的維數(shù)，同時具有良好的泛化能力，分類精度比較高。在SVM中，輸入樣本x首先通過非線性映射Φ(x)映射到一個高維的特征空間，然后在這個特征空間中建立一個線性模型來估計回歸函數(shù)，公式為

(4)

式中ω——超平面的法向量

b——超平面的截距

通過引入拉格朗日函數(shù)將約束優(yōu)化問題轉(zhuǎn)換成對偶問題，通過結(jié)對偶函數(shù)得到式(4)的解為

(5)

nsv——支持向量的個數(shù)

K(xi,x)——核函數(shù)

2.5 模型評價指標(biāo)

本文采用混淆矩陣對不同特征輸入情況下的預(yù)測結(jié)果進行精度分析比較。基于混淆矩陣計算總體精度(Overall accuracy，OA)和Kappa系數(shù)?？傮w精度和Kappa系數(shù)都可用于對比預(yù)測結(jié)果的精度，Kappa系數(shù)可以分為5組來表示不同級別的一致性：0～0.20，極低一致性；0.21～0.40，一般一致性；0.41～0.60，中等一致性；0.61～0.80，高度一致性；0.81～1.00，幾乎完全一致。

3 結(jié)果與分析

3.1 回波信號時域特征相關(guān)性分析

將超寬帶雷達回波提取到的9個時域特征分別求取平均值后按照含水率從低到高進行繪圖，結(jié)果如圖6所示。第1組土壤回波信號實際含水率最低，第40組土壤回波信號實際含水率最高。

從圖6中可以看出，隨著土壤含水率的增加，9個回波時域特征均有不同程度起伏變化?；疑P(guān)聯(lián)分析是對一個系統(tǒng)發(fā)展變化態(tài)勢的定量描述和比較的方法，它反映了曲線間的關(guān)聯(lián)程度，通常用于分析各個因素對于結(jié)果的影響程度。本文使用灰色關(guān)聯(lián)分析對從雷達回波信號中提取出來的9個時域信號特征分別與土壤含水率進行相關(guān)性分析，相關(guān)性從高到底排序依次為峰值因子、峭度、均方根、峰-峰值、最大幅值、偏斜度、方差、平均值、最小幅值。峰值因子與土壤含水率關(guān)聯(lián)度最高，為0.822 9，而最小幅值與含水率的關(guān)聯(lián)度最低，為0.756 2，圖6中最小幅值隨著含水率升高的變換曲線相對較平緩，波動不明顯也可以驗證灰色關(guān)聯(lián)分析結(jié)果的正確性。

將9個時域特征按照相關(guān)度由高到低排列，前3個特征組合為a1，即峰值因子、峭度和均方根的組合，中間3個特征組合為a2，即峰-峰值、最大幅值和方差的組合，后3個特征組合為a3，即偏斜度、平均值和最小幅值的組合。

3.2 不同特征組合的模型精度分析

根據(jù)灰色關(guān)聯(lián)分析，按照相關(guān)度從高到低，本文分別將最高的3個時域特征、6個時域特征和全部9個時域特征組合在一起作為SVM分類的輸入特征，同時加入植被指數(shù)NDVI。輸入特征組合分別為a1、a1+NDVI、a1+a2、a1+a2+NDVI、a1+a2+a3和a1+a2+a3 +NDVI，不同參數(shù)組合下SVM預(yù)測結(jié)果如表2所示，其中特征組合為a1、a1+NDVI、a1+a2+a3和a1+a2+a3 +NDVI的預(yù)測結(jié)果如圖7所示。

表2 不同特征組合下SVM模型預(yù)測結(jié)果Tab.2 Classification results of SVM model under different feature combinations

3種時域特征組合中，a1特征組合的預(yù)測效果最差，總體精度為64.88%，Kappa系數(shù)為0.594 8，最優(yōu)組合為a1+a2+a3特征組合，總體精度為95.59%，Kappa系數(shù)為0.949 2。a1+a2+a3特征組合作為特征輸入比a1特征組合的預(yù)測精度提高了30.71個百分點，Kappa系數(shù)提高了0.354 4，比a1+a2特征組合的預(yù)測精度提高了21.56個百分點，Kappa系數(shù)提高了0.247 6。引入植被指數(shù)NDVI后，a1+NDVI組合作為特征輸入總體精度為77.24%，Kappa系數(shù)為0.737 2。a1+a2+a3+ NDVI組合作為特征輸入總體精度為98.09%，Kappa系數(shù)為0.978 0，在6種特征輸入組合中總體精度和Kappa系數(shù)均為最高，預(yù)測效果最佳。加入NDVI后的3種不同時域特征組合分類模型比未加入NDVI的總體精度分別提高了12.36、13.57、2.50個百分點，Kappa系數(shù)分別提高了0.142 4、0.155 4、0.028 8，效果與未加入NDVI相比提升顯著。不同的時域特征組合結(jié)合NDVI共同作為SVM特征輸入后，總體精度和Kappa系數(shù)均有明顯提高。

3.3 不同植被覆蓋試驗田的模型精度分析

本文中將稀疏植被覆蓋的1、2、3、7號試驗田分為一組，將有不同程度植被覆蓋的4、5、6、8、9、10號試驗田分為一組，對比將9個雷達回波信號時域特征作為SVM模型輸入特征時，引入植被指數(shù)NDVI對于模型精度的影響，結(jié)果如表3所示。由表3可得：

表3 不同植被覆蓋數(shù)據(jù)的模型精度Tab.3 Model accuracy of different vegetation coverage data

(1)植被覆蓋十分稀疏的試驗田隨著太陽自然暴曬、土壤含水率降低的同時，不同試驗田地表存在各不相同、不同程度的龜裂情況且石塊裸露于地表。由于數(shù)據(jù)采集周期的原因，植被覆蓋稀疏的試驗田中地表龜裂程度變化對于雷達回波影響較大。對1、2、3、7號試驗田植被指數(shù)歸一化之后方差為0.218 6，而4、5、6、8、9、10號試驗田植被指數(shù)歸一化之后方差為0.139 1，極其稀疏植被覆蓋的4塊地之間差別大于有明顯植被覆蓋的試驗田，因此a1+a2+a3特征組合作為模型輸入時模型精度較差，略低于有明顯植被覆蓋的試驗田。

(2)對于植被覆蓋十分稀疏的試驗田，通過多光譜遙感數(shù)據(jù)獲得NDVI指數(shù)引入SVM模型中可以提高模型精度，本研究中4塊近乎稀疏植被覆蓋的試驗田引入NDVI后土壤含水率預(yù)測精度提高了1.62個百分點。對于有明顯植被覆蓋的試驗田，引入植被指數(shù)NDVI后土壤含水率預(yù)測精度提高了3.05個百分點。

(3)通過NDVI指數(shù)的引入，有明顯植被覆蓋試驗田采集的數(shù)據(jù)進行分類建模后精度提升大于稀疏植被覆蓋的試驗田采集的數(shù)據(jù)，說明NDVI這一特征對于土壤含水率分類中植被的影響較為敏感，能夠一定程度上降低由植被覆蓋等因素所帶來的噪聲，提高模型精度。

4 結(jié)論

(1)超寬帶雷達回波信號進行時域特征提取之后，提取的9種時域特征采用灰色關(guān)聯(lián)分析后峰值因子與土壤含水率的關(guān)聯(lián)度最高，最小幅值與土壤含水率的關(guān)聯(lián)度最低。

(2)選用超寬帶雷達回波的峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9個時域特征作為SVM模型輸入預(yù)測效果最佳，總體精度為95.59%，Kappa系數(shù)為0.949 2。

(3)引入植被指數(shù)NDVI作為SVM特征輸入后，3種不同時域特征組合的總體精度和Kappa系數(shù)都有顯著提升，9個時域特征與NDVI共同作為SVM輸入特征模型效果最佳，總體精度為98.09%，Kappa系數(shù)為0.978 0。

(4)植被指數(shù)NDVI的引入，對于有明顯植被覆蓋的情況，模型精度的提升優(yōu)于稀疏植被覆蓋情況。