基于手機圖像顏色特征的支持向量機土壤含水量反演模型

張勁夫，晉 華，馬雪健，何宇琛，閔雅欣

（太原理工大學水利科學與工程學院，太原 030024）

0 引 言

土壤含水量是陸地和大氣能量交換過程中的重要因子，直接影響著植被生長、農作物生產和區域生態環境穩定[1,2]，快速、準確地獲取土壤含水量是實現節水灌溉、水資源高效利用與農業可持續發展的關鍵環節[3,4]。常見的土壤含水量測量方法有烘干法、中子儀法和TDR 法等，但它們在實際應用中都存在一定的局限，如烘干法在采樣時會破壞土體，耗時耗力且不適宜野外測量[5]，中子儀法需要昂貴的儀器設備且存在潛在的輻射危害[6]，TDR 法不僅成本高且測試精度受土壤飽和度的影響較大[7]。近年來，數字圖像技術的日益成熟為土壤含水量的無損識別和預測提供了有力的技術支持。張榮標[8]、Zanetti[9]、刁萬英[10]等利用數碼相機獲取不同含水量的土壤圖像，并基于圖像提取的灰度值、色調和亮度等特征參數構建了土壤含水量預測模型，結果表明所建模型可以較好地估測土壤含水量。

隨著手機功能的逐步完善，手機相機以其便攜性、普遍性、易操作性等優勢正成為數字圖像技術在農業應用中的重要手段[11,12]。另外，在利用土壤圖像特征預測土壤含水量的建模技術中，多以線性回歸模型[9,10,13]為主，而土壤圖像特征與含水量間的非線性關系使得線性模型的精度有限[14]。支持向量機作為機器學習的經典算法，能夠根據有限的樣本信息，平衡模型的復雜性和學習能力，找到最優解[15]，在處理高維數據集、小樣本和非線性問題中表現出許多特有的優勢[16]。

鑒于此，本文以粗砂、細砂、粉砂質壤土、壤質黏土和粉砂質黏土等5種土壤為研究對象，利用手機相機采集不同含水量土壤圖像，分析RGB 顏色空間紅（R）、綠（G）、藍（B）灰度值，HSV 顏色空間色調（H）、飽和度（S）和亮度（V）值以及全色灰度值（DN）等7 種顏色特征參數與土壤含水量的關系，將相關性較大的特征參數進行組合作為輸入項構建支持向量機土壤含水量反演模型，以期提供一種基于支持向量機技術的土壤含水量預測方法。

1 材料與方法

1.1 試驗土壤及圖像采集

試驗土壤分為粗砂、細砂、粉砂質壤土、壤質黏土和粉砂質黏土[17]，土壤特性如表1 所示。經去雜、研磨和烘干后裝入125個直徑5.5 cm、深3 cm 的鋁盒，土樣深度為2 cm。各鋁盒加入不同質量的水（質量含水量分布在0～25%范圍內），充分攪拌后密封靜置24 h使水分在土壤中均勻擴散，共制成125個不同含水量的土壤樣品，如圖1所示。

表1 室內土壤樣品特性Tab.1 Characteristics of indoor soil samples

圖1 不同含水量的土壤圖像Fig.1 Soil images with different water content

圖像采集在室內進行，采集設備為華為nova 5z 手機，相機設置參數如表2所示。將裝有土樣的鋁盒置于實驗臺上，用手機在距離土樣表面高度50 cm 處拍照，并保持攝像頭與土樣表面平行。為了保證采集的圖像不受光照強度的影響，在距離土樣表面高度為2.5 m、角度為75°處添加日光燈恒定光源（功率為40 W），采集結束后利用烘干稱重法獲取不同鋁盒中土樣的質量含水量實測值。

表2 手機相機參數Tab.2 Mobile camera parameters

1.2 圖像預處理及顏色特征參數提取

為了消除圖像背景和樣品容器邊緣對土樣造成的陰影影響，將采集的土壤樣本圖像在Photoshop 2015 軟件中進行預處理，并選取中心區域的正方形區域裁剪圖像[18,19]。對裁剪后的圖像進行R、G、B、H、S、V 和DN 顏色特征參數提取。具體方法如下：

（1）提取RGB 顏色空間的紅色灰度值（R）、綠色灰度值（G）和藍色灰度值（B）的中值，以克服土壤樣品表面微起伏陰影造成的偏差[19,20]。

（2）將RGB 顏色空間轉變到HSV 顏色空間獲得H、S 和V的中值[21]：

（3）將圖像轉換為全色圖像獲得全色灰度值（DN）的中值[18]：

1.3 支持向量機

支持向量機（Support vector machines，SVM）是建立在統計學習理論和結構風險最小化原理基礎上的機器學習方法[22]，它通過引入核函數，將原低維空間中非線性不可分的數據映射到高維特征空間[23]，建立線性模型以求解非線性問題。SVM很大程度上克服了“離散值多”和“過學習”等問題[15,22]。對于樣本數據(xi, yi)，i=1，2，…，n，xi為輸入變量，yi為對應的輸出變量，n 為樣本個數，φ(x)為樣本數據轉換到高維空間的非線性映射，則在高維空間的線性回歸表達式為[24]：

式中：ω為權值向量；b為偏差。

ω和b可通過求解風險函數的最小值獲得最優解：

式中：ε為損失系數；ξi、為松弛變量；C為懲罰因子。

采用拉格朗日乘子法以及核函數將問題轉換為對偶形式進行求解[24]，最終得到SVM回歸方程：

式中：ai和ai*為拉格朗日乘子，K(xi, x)為核函數，常用的核函數有徑向基核、線性核和多項式核等[23]，本文選用應用廣泛的徑向基函數，其表達式為exp(-g‖x-xi‖2)，懲罰因子C和核參數g是影響SVM性能的主要參數[15,25]。

K-CV 參數優化法是基于交叉驗證（Cross Validation，CV）思想下的一種網格尋優方法，其原理是將原始數據分成K 組，每組數據分別做一次驗證集，其余K-1組子集數據作為訓練集，共可獲得K個模型，將K個模型驗證集的回歸均方誤差的均值作為回歸性能判斷指標[26]。該方法不僅可以有效避免收斂速度慢或者不收斂的情況[24]，而且還可防止模型訓練中過學習和欠學習的發生[26]，故本文采用K-CV 法對模型參數進行優化。

2 結果與分析

2.1 顏色特征參數與土壤含水量的關系

2.1.1 R、G、B和DN與土壤含水量的關系分析

圖2 為5 種土壤的顏色特征參數R、G、B 和DN 隨含水量變化的關系圖，可以看出對于同一種土壤，R＞G＞B，這是因為土壤反射的紅色波長較多，其次是綠色和藍色。隨著含水量的增加，5 種土壤的R、G、B 灰度值和DN 灰度值均降低，這是由于土壤吸收的水分主要存儲于土壤顆粒間的孔隙中，含水量的增加會使孔隙逐漸被水充滿，水分對可見光的吸收增強使得土壤表面的反射和散射降低，從而使反射光強度減小，土壤表面亮度降低（即灰度值降低）[27]。此外，由于5種土壤顆粒組成和內部孔隙結構不同，各土壤的R、G、B 和DN隨含水量的變化趨勢存在差異。砂土的灰度值隨含水量的增加先迅速降低，后趨于穩定，這是因為砂土中砂粒含量較高（達98%以上），水分增加優先充填砂粒間的大孔隙，使得土壤表面迅速變暗，當土壤的大孔隙被水充滿后土壤表面亮度趨于穩定。粉砂質壤土的灰度值隨含水量的增加先快速降低，后趨于穩定，這是由于粉砂質壤土中粉粒含量較高（達78%以上），土體疏松、綿軟，內部毛管孔隙數量較多，含水量在0～10%時水分充填到土壤孔隙使土壤表面快速變暗，當毛管孔隙被水充滿后土壤表面亮度趨于穩定。黏土的灰度值隨含水量的增加先緩慢降低，后快速降低并趨于穩定，壤質黏土的灰度值最后還呈現上升趨勢，這是因為黏土中粉粒和黏?？偤枯^高（達56%和79%以上），對水的吸附能力較強，當含水量在0～5%時，水分被土壤顆粒吸附不能充填到土壤孔隙，所以土壤表面的亮度下降緩慢，當含水量大于5%時，水分開始充填土壤孔隙，使得土壤表面快速變暗，當土壤的孔隙被水充滿后土壤表面亮度趨于穩定，壤質黏土的灰度值最后還呈現上升趨勢是因為當含水量超過臨界值20%，壤質黏土表面形成水膜，增加了土壤表面反射率使土壤表面亮度升高。

圖2 R、G、B和DN隨含水量變化的關系圖Fig.2 Relationship of R、G、B and DN with water content

2.1.2 H、S和V與土壤含水量的關系分析

圖3為5種土壤的顏色特征參數H、S和V隨含水量變化的關系圖，可以看出隨著含水量的增加，色調（H）變化較小，飽和度（S）先增加后趨于穩定，亮度（V）逐漸降低。這是由于色調（H）是用于區別顏色種類的參數，土壤水分增加的過程中，土壤表面的顏色深度增加，而顏色種類基本不變，所以H 隨含水量的增加變化較小；飽和度（S）是用于衡量顏色純度的參數，S 值越高，圖像越純凈[18]，灰度值越小，故其與灰度值的變化趨勢相反；亮度（V）是用于衡量顏色明暗程度的參數，故其與灰度值的變化趨勢一致，即隨著含水量的增加而降低。

圖3 H、S和V隨含水量變化的關系圖Fig.3 Relationship of H、S and V with water content

2.1.3 顏色特征參數與土壤含水量的相關性分析

上述分析表明了7種顏色特征參數與土壤含水量之間存在不同的非線性關系，為進一步篩選建模所需參數，在IBM SPSS 26 軟件中對7 種顏色特征參數與對應的土壤含水量分別進行相關性分析，相關系數計算結果如表3所示。

表3 顏色特征參數與土壤含水量的相關系數Tab.3 Correlation coefficient between color characteristic parameters and soil water content

由表3可知：不同顏色特征參數與土壤含水量之間存在不同的相關性，特征參數S 與土壤含水量之間呈現正相關關系，其余特征參數R、G、B、H、V、DN 與土壤含水量之間均呈現負相關關系。在RGB 顏色空間，相關性由大到小依次為R、G、B，在HSV 顏色空間，相關性由大到小依次為V、H、S，全色圖像的特征參數DN 與含水量之間的相關性僅小于R 和V。選取相關性較大的顏色特征參數可以提高含水量反演的精度，同時為了減小反演模型的空間和時間復雜度，本文選取RGB顏色空間的R、HSV顏色空間的V和全色圖像的DN數據等3個參數構建模型。

2.2 支持向量機土壤含水量模型反演結果與討論

為保證模型的可靠性，隨機選取每種土壤含水量實測數據的80%（20 個樣本）為訓練集，20%（5 個樣本）為驗證集，以R、V 和DN 為輸入變量，土壤含水量為輸出變量，通過在Matlab 軟件中編程構建支持向量機土壤含水量反演模型，并對5 種土壤的含水量進行預測。同時對5 種不同類型的土壤進行交叉驗證，隨機選取全部土壤含水量實測數據的80%（100 個樣本）為訓練集，20%（25 個樣本）為驗證集，從而檢驗模型對不同土壤的預測效果。選取決定系數（R2）、均方根誤差（RMSE）和平均絕對誤差（MAE）評價模型精度，其中R2越接近1，RMSE 和MAE 越小，說明模型反演效果越好，精度越高[14,28]。

模型反演土壤含水量結果如圖4 所示，評價指標如表4 所示。對特定土壤單獨建模時，可以發現圖中各點均勻地分布在1∶1 線附近，預測值與實測值基本一致，模型訓練集的R2在0.957～0.982 之間，RMSE 在0.770%～1.317%之間，MAE 在0.495%～1.112%之間，驗證集的R2在0.986～0.997 之間，RMSE在0.402%～0.911%之間，MAE 在0.339%～0.831%之間，各項評價指標均表現良好，表明模型的反演效果較好。同時可以看到模型預測不同質地土壤含水量的精度差別不大，其中壤質黏土和細砂土含水量的反演精度較高，R2分別為0.997 和0.994，RMSE分別為0.402%和0.523%，MAE分別為0.339%和0.407%；其次是粉砂質黏土和粉砂質壤土，R2均為0.991，RMSE 分別為0.895% 和0.911%， MAE分別為0.691% 和0.831%；對于粗砂土含水量的反演精度較低，R2為0.986，RMSE 和MAE 分別為0.843%和0.743%，結果表明支持向量機土壤含水量反演模型對5 種質地土壤含水量反演效果均較好。對5種不同土壤統一建模時，可以看出因土壤質地的影響導致模型的預測精度降低，訓練集的R2為0.698，RMSE為3.468%，MAE 在為2.651%，驗證集的R2為0.749，RMSE 為3.885%，MAE 為2.865%，表明本研究建立的模型更適用于特定土壤的含水量反演。

圖4 模型反演土壤含水量結果Fig.4 The inversion results of soil water content by the model

表4 支持向量機土壤含水量反演模型評價指標Tab.4 Evaluation index of soil water content inversion model of support vector machine

表5為同類型研究提出的土壤含水量反演模型對比。刁萬英等[10]以壤土、紅壤和黑壤為研究對象，利用土壤圖像信息S和V建立了不同密度表層土壤含水量反演的的估算模型，R2在0.60～0.96 之間，RMSE 在3.00%～8.00%之間。Santos 等[18]對于不同顆粒組成的黏土和砂壤土分別建立了以土壤圖像特征參數為自變量的多元線性擬合模型預測土壤含水量，R2在0.73～0.90 之間，RMSE 在1.11%～3.29%之間。Persson[29]選擇S 與V之間的簡單線性回歸模型來估算均勻細砂和4 種棕壤的含水量，R2在0.93～0.99之間，RMSE在1.10%～2.60%之間。相比于多元線性模型，本研究基于手機圖像顏色特征參數R、V和DN構建的支持向量機土壤含水量反演模型預測5 種不同質地土壤的含水量的R2均大于0.98，更接近1，RMSE 和MAE 均小于0.92%，更接近0，說明本研究建立的土壤含水量反演模型預測值與實測值更接近，模型的預測精度和穩定性更高，展示了支持向量機在手機圖像技術檢測土壤含水量的應用優勢。但是本文所建立的模型更適用于特定土壤質地的含水量反演，今后可以從建模技術等方面開展相關研究來增強模型對不同土壤的適用性。另外，在圖像采集過程中，不同的手機及其參數設置會使圖像信息出現差異，本文僅研究了nova 5z 手機及其相機參數，下一步將對不同的采集設備進行土壤含水量反演研究，從而提出圖像數據的采集標準。

表5 同類型研究的土壤含水量反演模型對比Tab.5 Comparison of soil water content inversion models for the same type of research

3 結 論

（1）利用手機圖像獲取的7種顏色特征參數與土壤含水量之間存在不同的非線性關系，R、G、B、V、H和DN與土壤含水量為負相關關系，S 與土壤含水量為正相關關系，且R、V和DN與土壤含水量的相關性較大。

（2）以R、V和DN 等3個參數進行組合作為輸入項并采用支持向量機方法構建的土壤含水量反演模型用于室內5種土壤的含水量預測時，R2在0.986～0.997 之間，RMSE 在0.402%～0.911%之間，MAE 在0.339%～0.831%之間，所建模型可實現對不同土壤的含水量反演。

（3）本研究構建的支持向量機反演模型預測土壤含水量的R2均大于0.98，RMSE 和MAE 均小于0.92%，優于同類型研究的多元線性反演模型預測土壤含水量的相應值，即所建模型表現出更高的預測精度和穩定性。本研究為獲取土壤含水量提供了一種快速便捷的新方法，后續還需在圖像采集設備和建模技術等方面展開研究以拓展模型的適用性。