基于小波特征和冬小麥生理參數的土壤水分高光譜模型優化

楊錫震 ，陳俊英 ※，張秋雨 ，王天陽 ，左西宇 ，楊 寧 ，耿宏鎖 ，趙 笑

（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；3.西北農林科技大學成人教育學院, 楊凌 712100）

0 引 言

土壤含水率（soil moisture content，SMC）過低會對作物生理狀態造成負面影響[1]，定量監測SMC是實現精準灌溉中重要的環節[2]。SMC的變化會影響作物的生理生化過程，使得作物葉片空間形態結構、顏色、厚度等發生一系列的變化，從而導致作物冠層反射率的變化[3]。因此利用作物光譜特性對作物水分狀況進行遙感監測已成為農業遙感研究熱點。

目前，一些研究者采用安裝在無人機上的熱紅外、RGB、多光譜、高光譜、雷達傳感器獲取反射率等信息后，通過回歸模型與SMC建立聯系[4-6]。相比于其他傳感器，包含更多波段輻射信息的高光譜數據能夠更加準確地描述與目標生化和生理信息相關的各種特征[7]，通過冠層高光譜信息監測覆被條件土壤水分的研究值得探索。然而，高光譜遙感技術在獲取地物豐富的窄帶（1～10 nm）光譜信息[8]的同時，采集的作物冠層光譜容易受到土壤背景和環境噪聲的影響[9]，并且存在大量的冗余數據和波段自相關性問題[10]。葛翔宇等[11]利用高光譜影像數據結合多種植被指數與機器學習算法構建了冬小麥返青期SMC估算模型；REN等[12]通過近地面高光譜數據構建的植被指數和紅邊參數對不同生育期冬小麥根域土壤含水率進行分析，并基于優化的光譜指數構建了SMC監測模型；王瑾杰等[13]通過分數階微分技術從高維數據中提取敏感變量，挖掘了冬小麥返青期冠層光譜監測土壤水分的可能性。然而，已有研究所提取的光譜特征易受環境噪聲以及土壤背景影響，大多未進一步探索模型在多種物候期的適用性，構建的模型遷移能力有待進一步提升。

針對提取的光譜特征受環境噪聲影響大以及吸收特征重疊等問題，當前研究廣泛使用Savitzky-Golay（SG）平滑以及植被指數來降低環境噪聲，增強綠色植物光譜特征，然而土壤水分波動導致冠層光譜的部分變化可能較為微弱，難以通過植被指數體現。已有研究表明[14]，連續小波變換（continuous wavelet transformation，CWT）是一種有效的光譜處理方法，能夠降低光譜噪聲并且獲取比反射光譜更多的信息。對于植被光譜來說，通過連續小波變換能夠顯著提高光譜與葉綠素、水分等物質之間的相關性，高尺度與低尺度小波特征體現了外界擾動在寬波段區域整體振幅和窄波段區域譜形的變化，能夠為植物生理特性的光譜數據建模增加更多維度[15-16]。

目前在覆被條件下土壤水分監測模型中，有效光譜特征的提取大多是通過直接分析作物反射率與土壤水分數值之間的關系，然而土壤水分數據驅動的模型在不同環境條件下的土壤含水率監測中可移植性較差[12,17]。為提高模型穩定性，研究者探索了基于物理方法構建模型的潛力，其中，D?PPER等[18]發現人為影響葉面積大小后，冠層反射率對SMC監測模型精度大幅降低，模型對葉面積指數（leaf area index，LAI）有很強的依賴性，SMC的分布情況與LAI的分布相似。值得注意的是，葉片數據光譜特征主要是由葉片水分、色素及其干物質等對光吸收與散射的特性所決定[19]，因此植被冠層反射率更多受到葉片水分、色素、冠層結構的影響[20-21]，作物光譜對土壤水分的響應更多是通過生理參數體現，然而目前很少有研究通過葉片葉綠素（leaf chlorophyll content，LCC）和葉片含水率（leaf water content，LWC）等對光譜的響應特征來構建土壤水分監測模型，葉片理化參數的小波光譜特征信息在提高冬小麥根域SMC估算模型精度以及適用性方面的潛力有待探索。

綜上，為了提高土壤含水率遙感監測模型在冬小麥多種物候期的適用性以及遷移能力，本研究通過連續小波變換提取了對葉片葉綠素、含水率以及葉面積指數敏感的小波特征，探討通過以上葉片理化參數的光譜特征信息反演SMC的可行性，并將所選特征應用于地面非成像傳感器以及機載成像傳感器，比較土壤水分數據驅動和基于葉片理化參數的方法構建土壤水分監測模型的潛力，以期為優化土壤水分監測模型和增強模型適用性提供參考。

1 材料與方法

1.1 試驗地概況

試驗地位于中國陜西楊凌西北農林科技大學中國干旱區節水農業研究所（34°17’42”N，108°4’2”E），研究區是西北地區典型的旱地農業區，屬半濕潤干旱氣候。試驗區土壤質地（0～60 cm）為中等壤土，有機質為14.48 g/kg，且地下水埋藏較深（黃土臺塬區70～90 m），不考慮地下水補給。土壤干容重為1.6 g/cm3，平均田間持水率為22%（質量含水率）。

1.2 試驗設計及過程

試驗設置4種水分處理，布局完全隨機，2 a試驗種植時間分別為2020年10月19日、2021年10月17日，其中拔節期為3月上旬至4月上旬，抽穗期為4月中旬至4月下旬，灌漿期為5月上旬至5月中旬。如圖1所示，設置4個灌溉等級，灌溉梯度分別為田間持水率的40%～50%（W1）、田間持水率的50%～65%（W2）、田間持水率的65%～80%（W3）、田間持水率的80%～95%（W4），每個處理3次重復，共12塊小區，在關鍵生育期每隔7 d測定各小區土壤水分并灌水。冬小麥品種為陜西中部推廣的小偃22號，小區（4 m×4 m）行距為0.25 m。冬小麥采用滴灌系統，且配置有遮雨棚防止降水影響。

圖1 試驗小區布置Fig.1 Layout of experimental plots

1.3 數據采集

本研究使用的數據集包括：1）2022年2月25日、3月28日、4月2日、4月13日、4月20日、4月21日、5月2日、5月11日、5月16日獲取的地面高光譜、機載高光譜數據以及葉綠素、葉面積、葉片含水率和土壤含水率，共108份樣本。2）2021年3月23日、4月8日、4月30日的地面光譜數據和土壤含水率，共36個樣本。

1.3.1 遙感數據獲取

遙感數據采集時均為晴朗無風、視野良好的天氣狀況，測定時間為11:00-14:00，包括近地面非成像光譜數據和機載高光譜圖像：1）近地面非成像高光譜數據，利用ASD Field Spec 3高光譜儀獲取距離小麥冠層20～30 cm的原始光譜反射率數據。每次測量前利用漫反射參考板矯正，每個小區以五點取樣法（每個采樣點測量3次）測量后將其重采樣至450～950 nm（采樣間隔4 nm），取其平均值作為該小區代表性光譜反射率。2）機載高光譜圖像，采用DJ M300 RTK無人機搭載Cubert S185高光譜鏡頭采集小麥冠層高光譜影像，飛行高度為25 m，最終獲得的圖像空間分辨率約為1 cm，光譜范圍為450～950 nm（采樣間隔為4 nm），取每個小區（400×400 像素）均值作為該小區代表性光譜反射率。

1.3.2 田間數據采集

1）葉綠素

光譜數據采集后在試驗小區內隨機選取3株具有代表性的小麥，莖葉分離后，通過乙醇提取葉片葉綠素并采用分光光度計法測定提取液在665、649 nm處吸光度，計算植株葉片中葉綠素含量（mg/g）[22]。

式中A649、A665為提取液在665、649 nm處吸光度；FW為葉片鮮質量，g；V為提取液體積，mL；Ca、Cb和C總分別為葉綠素a含量、葉綠素b含量、總葉綠素含量，mg/g。

2）葉面積指數

光譜數據采集后在試驗小區內隨機選取3株具有代表性的小麥，莖葉分離后通過對照片閾值分割后提取單株葉面積，然后以3株小麥葉面積均值乘以單位面積單莖數（單位面積單莖數是根據關鍵生育期田間群體樣本調查獲得）得到葉面積指數[23]。

3）葉片含水率

光譜采樣完成后在試驗小區內隨機選取3株具有代表性的小麥，莖葉分離后，及時測定鮮葉質量。而后將樣本放入烘箱在105 ℃殺青30 min，然后在75 ℃烘干至恒質量后測定其干質量。葉片含水率（LWC，g/g）的計算式如下：

式中DW為葉片干質量，g。

4）土壤含水率

采用烘干法測定土壤含水率，光譜采樣完成后，及時在每個光譜采樣區域中心處取土，取土深度為10、20、30、40、60 cm。及時測量土樣濕質量后在105℃下烘干24 h，質量恒定后測量其干質量。根據其前后差值確定質量含水率后乘以土壤干容重計算5個深度的平均體積含水率，作為該小區土壤含水率實測值。

1.3.3 模型的構建與驗證

為分析所選波段在地面傳感器和機載傳感器中的效果，本研究使用2022年采集的地面光譜建立地面土壤含水率監測模型，通過2021年采集的數據驗證地面模型精度。并通過K-S算法將2022年測量的機載高光譜圖像數據劃分為建模集和驗證集用于機載模型。2種模型建模與驗證集土壤含水率如表1。

表1 冬小麥根域土壤含水率的建模和驗證數據統計Table 1 Modeling and validation data statistics of soil moisture content in the root zone of winter wheat

1.4 光譜特征提取

1.4.1 連續小波變換

小波變換包括連續小波變換與離散小波變換2種變體，其中連續小波變換能夠提供更多植被光譜中吸收特征的形狀與位置信息[24]。本研究利用S-G方法進行光譜數據的平滑濾波后，選取墨西哥帽小波族（小波族中的小波函數為Mexh）[25]對冠層高光譜反射率進行分析。此外，為降低數據運算量共分解8個尺度（21、22、23、……、28）[26]。計算式如下：

式中λ為反射率光譜各波段序號，f(λ)為對應波段的反射率，l1和l2分別為輸入反射率光譜的起始和終止波段序號，ψ(λ)為波函數，ψ(a,b)(λ)為平移和縮放后的母小波函數，a為縮放因子，也稱為尺度，b為平移因子。WF(a,b)為小波系數，可以看成在尺度a和平移因子為b時母小波函數與反射率的相似度，也可稱為小波特征。

1.4.2 變量投影重要性分析

由于通過作物冠層光譜監測根域土壤含水率是通過光譜監測作物生理狀態來實現的，因此本研究需要識別對不同生化參數敏感的波段，變量投影重要性（variable importance in the project，SVIP）分析可以通過偏最小二乘回歸模型中的SVIP值表征自變量在模型擬合中對因變量的解釋能力，較高的SVIP值表示該波長位置對于因變量的解釋能力更強，而較低值的波長重要性較小[27]。因此，本研究計算了最優CWT變換尺度下基于葉綠素、葉片含水率、葉面積指數、土壤含水率建模時每個波長光譜特征的VIP值，用以確定對不同生化參數敏感的波長。本研究以SVIP＞1作為篩選原則，按照LI等[28]采用的方法確定對因變量敏感的波段。

1.5 偏最小二乘回歸分析

偏最小二乘回歸（partial least squares regression，PLSR）可以在建立模型時分解因變量和自變量，實現波段優選和信息集成[29]。為評估所選波段在不同數據集中的效果，本研究通過以對生化參數敏感的波段作為自變量，SMC為因變量來構建PLSR模型，通過模型的精度評估所選波段的適用性。

采用R2、均方根誤差（RMSE）評估PLSR模型模擬精度，其計算式見文獻[29]。

2 結果與分析

2.1 葉片生化參數對土壤含水率變化的響應

通過比較4種水分處理下冬小麥葉片生化參數的變化可以發現土壤含水率的變化對葉面積指數與葉綠素影響較大，結果如表2所示。

表2 2022年不同水分處理下冬小麥生化參數的變化Table 2 Changes in biochemical parameters of winter wheat under different water treatments in 2022

總體來看（表2），小麥葉片變化趨勢與LISAR等[30]的結論基本一致，水分脅迫降低了冬小麥葉片LCC和LAI，同時期W4處理葉綠素含量平均高于W1處理38.4%；葉面積指數高于W1處理124.1%，但葉片水分在不同處理下差異較小，葉片含水率W4處理僅比W1處理平均高5.8%，大多數時期二者差異并不顯著。已有研究表明，干旱發生后，缺水會導致植物氣孔關閉來降低葉片水分的流失，隨后會引起葉綠素水平降低，最終導致植物葉表面積總體降低[31]，與本研究葉片生化參數變化表現一致。

從冬小麥各生育期來看，在拔節期（2月25日、3月28日、4月2日）葉片LCC逐漸升高，到抽穗期（4月13日、4月20日）時基本穩定在2.41～3.27 mg/g，在灌漿期時（5月2日、5月11日、5月16日）略有降低，葉片含水率在拔節到灌漿期基本穩定在0.75 g/g。值得注意的是，冬小麥LAI從拔節到灌漿期呈現先增加后降低的趨勢，抽穗后期基本達到最大值，從表2中葉面積指數來看，W1處理在4月13日達到峰值，而W4處理直到4月20日達到最大值，水分脅迫導致葉片提前開始枯萎，冬小麥生育期提前，這與姚寧等[32]的研究結果一致。

2.2 CWT光譜對土壤水分變化的響應

以2022年冬小麥冠層原始反射率（RI光譜）和連續小波變換光譜（CWT光譜）為自變量，對各波段光譜與冬小麥不同生化參數進行了相關性分析，結果如圖2所示。為消除正負相關系數的影響，求得其平方值（r2），總體來看，相比于RI光譜，CWT光譜與各生化參數之間的相關性得到了明顯提高（圖2b～圖2e）。

圖2 原始光譜（RI）和連續小波變換光譜（CWT）與不同指標之間的相關系數的平方（r2）Fig.2 Square of correlation (r2) between initial spectrum (RI),continuous wavelet transform (CWT) spectrum and different indicators

其中，冠層CWT光譜與土壤含水率之間的相關系數r2由0.46提升至0.61，提升幅度小于葉綠素和葉面積指數。冠層CWT光譜與土壤含水率高相關區域位于450～750 nm，集中于可見光與紅邊區域；小尺度CWT光譜在730 nm紅邊位置處與葉綠素有較強的相關性，且強弱相關性邊界較為明顯；CWT處理后光譜與葉片含水率的相關性提升較小，高相關性區域分布在730以及650 nm附近，分界線并不顯著；對于葉面積指數，高相關性區域主要位于近紅外區域。前人研究發現，由于低尺度小波分量更適合捕捉窄吸收特性的特征，高尺度分量更適合于定義葉片光譜的整體形態[33]，本研究表明，與冬小麥生化參數以及土壤含水率相關性較高的小波系數均集中于1～4的小尺度，并且隨著分解尺度的增加，強相關性區域與弱相關性區域之間的邊界逐漸模糊，在7～8的高頻尺度中，特征波段基本消失。

2.3 光譜特征的選擇

2.3.1 CWT分解尺度的確定

通過原始光譜與CWT光譜建立的土壤水分PLSR監測模型見表3。與RI光譜（驗證集R2=0.085）相比，CWT光譜具有更好的監測能力（驗證集R2最高為0.379），能夠深度挖掘光譜數據中的信息[15]。然而不同分解尺度的CWT光譜估算精度存在明顯差異，小尺度CWT光譜建模精度較高但穩定性差，獨立驗證集R2最高為0.379，隨著分解尺度的增加，精度逐漸減小，因此選定CWT-1、2、3、4光譜作為后續波段篩選對象。

表3 基于RI和CWT光譜的土壤水分偏最小二乘回歸模型評價Table 3 Evaluation of partial least squares models (PLSR) for SMC based on RI and CWT spectra

2.3.2 基于作物生理參數的敏感特征選擇

通過每個波段的SVIP值來選擇不同生化參數的敏感波段，圖3為不同尺度CWT光譜SVIP值的分布情況，表4為各尺度CWT光譜對不同的生化參數敏感的波段。整體來看，隨著尺度增大，特征波段的數量逐漸減少，在CWT-4尺度時，不同指標選擇的特征波段位置基本一致，738 nm附近的小波特征相對敏感。此外，各波段小波特征對LWC敏感程度相對較低（SVIP值較低），通過SMC選取的波段集中于750 nm以前，而LCC、LWC、LAI選取的波段在可見光以及近紅外均有分布，其中LCC和LAI最大VIP值均位于742 nm附近。

表4 基于VIP-PLSR模型識別的CWT光譜敏感波段Table 4 Sensitive waveband identified by the VIP-PLS model for CWT spectra

圖3 進行PLS分析時CWT光譜對4個不同指標的重要性Fig.3 Variable importance in the project (SVIP) of each band in PLSR analysis of 4 different indexes by CWT spectra

2.3.3 地面試驗驗證

利用PLSR算法，基于SMC、LCC、LWC、LAI選定的小波光譜特征（表4）建立土壤含水率監測模型，通過2022年冬小麥數據建立模型后，使用2021年冬小麥數據集驗證所選光譜特征構建的模型在獨立數據集的效果，所有模型精度如表5所示，經驗證，4類特征最佳模型分別為SMC-CWT2、LCC-CWT1、LWC-CWT3、LAI-CWT1（圖4）。結果表明，CWT-1尺度下葉綠素特征構建的模型在2021年獨立數據集驗證效果相對較好，模型遷移能力強。其中，基于SMC篩選構建的模型驗證集R2均低于0.3，而基于CWT1-LCC小波特征光譜建立的土壤含水率模型建模集R2為0.693，RMSE為1.85%，驗證集R2為0.541，RMSE為2.42%。

表5 基于近地面非成像數據土壤含水率PLSR模擬性能評價Table 5 PLSR model performance evaluation of soil moisture content based on the ground non-imaging data

圖4 基于近地面非成像數據不同特征構建的最優土壤含水率PLSR模擬模型結果Fig.4 The results of the PLSR simulation model of optimal soil moisture content constructed by different characteristics based on the ground non-imaging data

2.3.4 無人機試驗驗證

為進一步探索選定的小波特征對反演冬小麥土壤含水率的魯棒性和實用性，利用72個機載高光譜圖像樣本構建了基于表4選定小波特征的土壤含水率反演模型，并用36個樣本進行驗證。結果表明，基于1尺度的3種生理指標小波特征構建的模型效果較好，所選特征在機載平臺表現較好，其中通過2尺度葉綠素小波特征構建的土壤含水率反演模型精度最高（表6）。綜合2種平臺數據來看，選擇LCC-CWT1為最佳反演模型，其基于機載成像數據的建模集R2為0.682，RMSE為1.86%，驗證集R2為0.687，RMSE為1.92%。圖5為基于最佳反演模型估算的土壤水分分布圖，其中，W1～W4處理SMC均值分別為17.38%、17.44%、20.31%、21.58%，與試驗方案表現出相似的分布特征。

表6 基于機載成像數據的土壤含水率PLSR模擬性能評價Table 6 PLSR model performance evaluation of soil moisture content based on the UAV data

圖5 LCC-CWT1-PLSR模型估算的SMC分布Fig.5 Spatial distribution of SMC prediction by LCC-CWT1-PLSR model

3 討 論

3.1 土壤含水率變化對葉片生化參數的影響

當前，通過數據驅動的土壤水分監測模型適用性較差，因此本研究對葉片光譜特性進行分析，嘗試提高模型適用性。葉片的光譜特性由葉片水分、色素、干物質等對光的吸收和散射的特性所決定[19]，而作物水分的虧缺會導致葉片在形態結構、顏色、水分等發生變化，因此本研究分析了不同水分處理下葉綠素、葉片含水率、葉面積指數的變化。從表2可以看出，灌水量減少顯著降低了冬小麥葉片葉綠素含量和葉面積指數，而葉片含水率在不同水分處理下只有微弱的差異，這可能與葉片氣孔關閉有關。土壤水分降低導致作物受旱后，氣孔關閉是植物對水分虧缺的第一反應，通過關閉葉片氣孔可以有效降低蒸騰速率，防止葉片水分流失[30]。其中氣孔的關閉導致了小麥光合作用的降低，嚴重影響其生長，導致葉面積的減少，但其通過生長與生存的平衡，有效降低了葉片水分減少，這與本試驗實測冬小麥生化參數所表現的規律一致（表2）。

對于葉綠素來說，水分脅迫會抑制葉綠素的合成[30,34]，因此隨著灌水量的降低，葉綠素與葉面積顯著降低。此外，相比于絕對含水率，干旱對晝夜葉片水勢和相對含水量的影響更大[35]，葉片水分容易受環境溫度影響以及由于小麥自身的調控機制導致各處理梯度并不明顯。同時，冬小麥葉面積隨水分脅迫時間的增加，不同處理間的差異逐漸增大，由于水分脅迫導致冬小麥加速衰老[36]，葉面積提前達到了極值，其中在2022年4月13日（抽穗期）時低水分處理W1、W2葉面積已經達到了峰值，而高水分處理W3、W4其葉面積仍在升高。對3種生化參數的比較表明，土壤含水率的變化對冬小麥葉片葉綠素與葉面積的影響更顯著。

3.2 連續小波變換對光譜的影響

為增強葉片光譜特性，突出葉片生化參數對光譜的響應，本研究分析了連續小波變換對光譜的影響。小波系數可以反映特定尺度與特定波長位置上小波基函數與冠層光譜反射率光譜之間的相似性，可以有效突出生化參數在不同波段的不同吸收強度所引起的光譜變化[15]。而且與反射率光譜相比，本研究發現小波特征光譜與土壤水分的相關性更高。另外，已有研究表明作物生化參數的變化更容易被低尺度小波特征捕捉到，而本研究也發現小波特征與作物生化參數的相關性更強且強相關區域均位于小尺度小波光譜（圖2）。因此這種情況可以看作是由于小波變換可以有效地反映作物生化參數的改變，從而間接增強了光譜與土壤水分之間的聯系。

經過連續小波變換處理后，光譜與葉綠素以及葉面積指數之間的關系提升幅度較大，在720～740 nm的紅邊位置存在強相關性。這是由于葉片內部的多次散射導致綠色植物在680～750 nm處反射率迅速增加，該處是植物光譜最明顯的光譜特征之一，是描述植物健康程度的重要波段[37]。WANG等[38]使用mexh函數作為波基函數，發現位于720～740 nm的小波特征能夠有效評估葉綠素濃度，這與本研究結果一致。此外，LAI被用于表征單位水平地面植被葉面積的多少，所以當LAI增加時，由于葉片對光線起到了一定的攔截作用，植被冠層光譜受土壤影響降低，植物光譜特征會得到加強，因此對葉面積敏感的小波特征位于紅邊區域。

連續小波變換對葉片水分與光譜之間相關性提升較小，這可能是由于本研究采集的田間冠層光譜受外界環境影響較大，再加上由于冬小麥自身對干旱脅迫的調控，各處理中葉片含水率差距較微弱，對田間光譜的影響變得更加微弱。此外本研究為匹配機載高光譜圖像數據選取450～950 nm范圍光譜進行研究，而有關的研究表明在1 300～2 500 nm的小波特征可以捕捉水分引起的葉片反射光譜形狀振幅的變化[16]，本研究中所用波長范圍僅包括少量近紅外波段，因此連續小波變換后光譜與葉片水分相關性的提升較弱，但顯著提高了與葉面積和葉綠素的相關性。

3.3 不同小波特征的效果分析

土壤水分對冬小麥葉片不同生化參數的影響程度不同，為確定最佳土壤含水率監測光譜特征，本研究比較了不同尺度下多種小波特征變量構建土壤水分監測模型的效果。

從分解尺度的大小來看，相比原始反射率光譜，低頻小波特征構建的全波段SMC監測模型效果略有提高但總體較差（表3），而1～2尺度的小波特征在經過生化參數篩選后建立的土壤含水率監測模型在精度與穩定性上得到了提升（表5、表6）。對于近地面非成像數據來說，可能是因為低頻小波特征突出了作物色素的吸收特征，通過色素對土壤水分的響應來間接反映了作物土壤含水率大小，因此通過小尺度小波特征建立的模型有更高的精度。但由于葉片水分引起的光譜變化主要位于1 300～2 500 nm，因此在基于LWC驅動構建的土壤含水率監測模型中近地面模型傾向于可以描述光譜整體變化的中低頻小波特征（尺度3）；而機載成像數據由于距離冠層較遠，尺度大且混雜了部分土壤光譜特征，此時低頻小波特征可能在一定程度上反映了土壤水含水率，因此生化參數驅動的機載模型均傾向于小尺度小波特征。

從特征變量的選取方法來看，通過葉綠素小波特征來建立土壤含水率監測模型，其精度以及魯棒性表現最好。由于作物缺水會引起葉片在空間的伸展姿態、內部的形態結構、顏色、厚度等發生一系列的變化從而引起葉片及冠層光譜反射率特性的變化[31,39]，利用作物光譜特性對土壤水分進行監測本質上是通過監測作物在不同水分條件下的生理狀態實現的，僅分析作物冠層光譜與土壤含水率之間的數學關系選定的特征變量僅適用于特定數據集，因此，基于SMC驅動選擇的特征在不同數據集中表現不穩定。而通過對作物生化參數敏感的小波特征來構建的模型中，LWC特征以及LAI特征表現均弱于LCC特征，這與植物光學特性以及自身的調控機制有關，冬小麥在干旱情況下葉片含水量降低，為降低水分蒸散發，葉片氣孔關閉，減少葉綠素的合成，葉面積減小并卷曲下垂，以換取作物的存活[30,39]，在這個過程中，由于冬小麥受到水分脅迫導致其生育期提前，下層葉片提前開始枯萎[40]，導致土壤水分沒有降低，總葉面積依然存在下降趨勢，而葉片水分的變化并不顯著，且對光譜的影響主要體現在吸水波長位置（短波紅外區域），不足以顯著表現在450～950 nm范圍光譜中，這影響了LWC與LAI在不同生育期的適用性。而對于葉片葉綠素來說，水分的缺失會影響葉綠素的合成，且實測LCC在拔節期后各處理均較為穩定，干旱導致生育期的提前對于冠層葉綠素影響較小，并且低頻小波特征突出了色素的吸收特征，這增強了光譜與葉綠素之間的關系，因此基于LCC特征構建的模型適用性較強。REN等[12]的研究也表明光譜的紅邊參數可以用于監測冬小麥在返青-成熟階段的水分脅迫；而在植被反射率光譜曲線中，紅邊是最明顯的光譜特征之一，是描述植被葉綠素狀態的重要指示波段[15]，可見通過葉綠素來反映冬小麥水分脅迫具有優勢，因此使用葉綠素小波特征構建土壤含水率監測模型，能夠有效提高模型的魯棒性。

綜上所述，本研究通過探討作物光譜與生化參數對土壤含水率變化的響應構建了不同的SMC反演模型，對低空遙感檢測土壤含水率的模型進行了一定的探索。但本研究僅結合光譜特征與葉綠素對反演模型進行了優化，僅考慮光譜維度數據未能充分體現葉片水分、葉面積對土壤水分變化的響應，模型有待進一步完善。因此，后續的研究工作將著手于結合多源遙感數據從多角度優化SMC反演模型，為作物旱情監測提供可行方案。

4 結 論

目前通過植物冠層光譜反演土壤含水率模型適用性較差。為了提高模型適用性、選擇合適的光譜特征，本研究探討了作物生化參數對土壤水分的響應，提取了對作物不同生化參數敏感的小波特征，基于不同特征變量建立了土壤含水率偏最小二乘回歸監測模型。結果表明：

1） 土壤含水率變化顯著影響了小麥葉綠素和葉面積，從而導致了冬小麥冠層光譜的變化。

2） 小尺度連續小波變換可以增強作物冠層光譜與作物土壤含水率之間的聯系，最佳變換尺度為1（相關系數的平方為0.61），相較于原始光譜提升0.15。

3） 選擇對作物生化參數敏感的小波特征構建成像與非成像土壤含水率監測模型具有更好的適用性，可用于多尺度、多生育期數據。小尺度下連續小波變換葉綠素特征構建的地面非成像與機載成像數據土壤含水率監測模型精度最高，綜合兩類平臺數據來看，基于1尺度葉綠素小波特征構建的模型效果最好，其在獨立非成像數據集驗證中R2為0.541，均方根誤差為2.42%，在成像數據集驗證中R2為0.687，均方根誤差為1.92%。