低空无人机多光谱遥感数据的土壤含水率反演

王海峰，张智韬，付秋萍，陈硕博，边 江，崔 婷(.西北农林科技大学水利与建筑工程学院，陕西 杨凌 7200；2.西北农林科技大学 旱区农业水土工程教育部重点实验室，陕西 杨凌 7200； .新疆农业大学水利与土木工程学院，乌鲁木齐 80052)

0 引 言

土壤含水率是森林、草原和农田等生态系统研究的重要内容，而我国灌溉用水量约占总用水量的80%以上，但有效利用指数仅为40%，在相当一部分地区，仍采用大田漫灌的灌溉方式，造成了水资源严重浪费。从20世纪90年代以来提出的以“增加农产品总量、调整农业产业结构、改善农产品品质、提高资源利用率和减小环境污染”为目的的精准农业，对农田墒情监测技术提出了新的要求[1,2]。然而，一些传统的土壤含水率测定方法，如烘干法称重法过程复杂，费时费力；电测法操作简便并可定点连续监测，但无法大面积测定。因此，研究一种简单、快速、准确的大范围测定土壤含水率的方法非常重要。土壤反射率是由土壤的组成成分及其结构的内在散射和吸收性质决定的，并且主要随土壤粗糙度和水分含量而变化[3]。近些年来，基于土壤的光谱反射特性对水分含量实现反演的遥感技术迅速发展，利用遥感数据大面积测定土壤含水率的研究已成为国内外研究的重点和热点[4]。一些专家学者通过不同的参数来表征土壤水分，Lambin等[5]提出利用地表温度和归一化植被指数(NDVI)的比值来动态监测地表干旱程度。郑小坡等[6]针对反演土壤含水量受土壤类型影响较大的问题，提出并构建归一化光谱斜率吸收指数(NSSAI)来提高裸土土壤含水量的反演精度。夏权等[7]通过计算增强型植被指数(EVI)，较好反演了不同耕层的土壤水分。张智韬等[8]利用TM5和TM7波段数据构建归一化土壤湿度指数(NDSMI)，建立了遥感影像对土壤含水率的监测模型，反演精度达到80%以上。也有许多学者研究了土壤水分与反射率的关系，Bowers等[9]对一系列的土壤进行了光谱反射率的测量，显示随着土壤水分的增加，土壤反射率降低。Etienne等[10]建立了土壤光谱与含水率之间的关系模型，得出波长约为68 cm的P波段对土壤水分的监测效果最佳。刘伟东和Baret[11]的研究表明湿度小于田间持水量时，土壤湿度与反射率之间呈现较好的指数相关关系。刘焕军等[12]对黑土土壤水分光谱通过光谱分析方法与统计分析方法，得出土壤含水量与光谱反射率之间是指数或线性关系。宋韬等[13]通过寻找并建立单一敏感波段与土壤水分的一元回归模型，实现了对土壤水分的快速准确检测。陈祯[14]提出一种随土壤体积质量变化而相伴变化的土壤体积含水率与归一化减土反射率之间的指数曲线模型，消除了土壤类型对土壤含水量反演的影响。孙越君等[15]采用爬山算法对实测光谱数据进行优化，建立了土壤水分与光谱反射率数据的经验公式，反演效果比较理想。这些研究成果一定程度上简化了土壤含水率的测定方法，但仍无法避免“时效性差、成本高、操作较复杂”等缺点。

本研究借助简便、快捷的无人机平台，搭载多光谱相机获取不同土壤含水率六个波段处的光谱反射值，寻找出光谱对于土壤含水率的敏感波段，建立了基于单个敏感波段的数学模型来反演土壤含水率，并对方程进行验证。目的是寻求一种可以快速准确地监测土壤含水率的方法。

1 材料与方法

1.1 仪器设备

试验使用大疆创新科技有限公司生产的经纬M600多旋翼无人机，搭载美国Tetracam公司生产的Micro-MCA多光谱相机作为遥感数据采集平台，如图1所示。机载传感器主要参数见表1。数据分析软件采用SPSS22.0和DPS7.05。

图1 无人机及机载传感器Fig.1 Unmanned aerial vehicle and airborne sensor

表1 Micro-MCA多光谱相机主要参数Tab.1 Main parameters of Micro-MCA multispectral camera

1.2 样本采集与制备

试验土壤采集自杨凌渭河三级阶地，在0～30 cm均匀采样后用塑料袋密封带回实验室供试。将土样自然风干后适当磨细，过2 mm孔径筛，然后装入直径约16 cm，高度约11 cm的花盆中，配成质量含水率θp为3%～30%、梯度约为3%、高度分别为5和10 cm的样品共60个。将土样密封放置一段时间，使水分在土壤中充分扩散。同时取部分剩余土样进行理化性质分析得土壤容重为1.36 g/cm3，pH值7.46，有机质含量10 g/kg，含盐量0.52 g/kg。

1.3 土壤光谱的测量

试验在2017年3月29日、3月30日、3月31日进行，三天内天气状况良好。试验地点位于西北农林科技大学旱区农业水土工程教育部重点实验室的灌溉试验站。试验时间为下午三点，无人机拍摄高度选定为6 m，每次拍摄前操控无人机飞至土样上方悬停5～10 s，待机身稳定后进行拍摄，保证获取图像的质量。采集光谱前用标准白板(反射率100%)进行标定，共采集六种不同波长的土样光谱：490 nm(蓝光)、550 nm(绿光)、680 nm(红光)、720 nm(近红外)、800 nm(近红外)、900 nm(近红外)。为保证光谱数据具有代表性，每次试验均进行3～4次拍摄，并计算其平均值作为土壤样本最终的光谱反射率数据。在相机自带的软件PixelWrench2中对遥感图像进行预处理，在ENVI5.1软件中提取反射率数据。

1.4 土壤含水率的测量

每次试验拍摄完成后，立即通过称重法来计算每一个花盆土样的整体质量含水率θw。称重后取每个花盆土样适量的表层土带回实验室，用烘干法测得表层土质量含水率θm。

1.5 统计分析

因为本次试验共进行了3 d，所以两种高度的土样试验数据均为90个，随机选取2/3的样本(n=60)为建模集，1/3的样本(n=30)为验证集。对于模型的精度评定采用拟合度R2作为评价指标，R2越接近1，说明回归方程对样本数据点的拟合优度越高；反之，R2越接近0，拟合优度越低。预测效果通过预测相关系数r、预测均方根误差RMSEP和相对分析误差RPD3个参数来检验，计算公式见公式(1)～式(3)。预测相关系数r越大，预测均方根误差RMSEP越小，相对分析误差RPD越大，表征模型的预测反演效果越好。其中，当相对分析误差在2.5以上时，表明模型具有极好的预测能力;当相对分析误差在2.0～2.5之间时，表明模型具有很好的定量预测能力;当相对分析误差在1.8～2.0之间时，表明模型具有较好的定量预测能力;当相对分析误差在1.4～1.8之间时，表明模型具有定量预测能力;当相对分析误差在1.0～1.4之间时，表明模型仅具有区别高值和低值的能力;当相对分析误差小于1.0时，表明模型不具备预测能力[16]。

(3)

2 试验结果与分析

2.1 土壤含水率的敏感波段

计算各波段光谱数据与不同深度土壤含水率的相关系数，并作相关系数在P=0.01水平上的显著性检验(单侧)，如图2所示。从图2中可以得出，6个波段与土壤含水率的相关系数均通过了P=0.01显著性检验，并且都表现为显著负相关。6个波段的光谱反射率对于不同深度土壤含水率的敏感波段是不同的：其中，5 cm深度土壤表层和整体含水率的敏感波段分别为波段1和波段6，其相关系数分别为-0.826和-0.820，10 cm深度土壤表层和整体含水率的敏感波段均为波段3，其相关系数分别为-0.762和-0.604。选用各深度土壤含水率对应的敏感波段建立土壤水分一元回归模型。

图2 不同深度的土样与各波段反射率相关系数图Fig.2 Correlation coefficients between different depths of soil samples and reflectance of different bands

2.2 一元回归模型的建立

用建模集中的样本与对应的敏感波段建立不同的一元回归模型，分别尝试建立了线性回归模型、指数回归模型、对数回归模型、乘幂回归模型、二次多项式回归模型。对模型进行相关性分析和F显著性检验，结果如表2所示。

从中可以得到，不同土壤含水率与对应的敏感波段建立的一元回归模型中，二次多项式回归模型的拟合度R2是最高的，拟合度R2分别达到0.947、0.763、0.831、0.566，除了在反演10 cm深度土壤整体含水率时的相关性一般外(0.5≤R2<0.7)，对其他深度土壤含水率的反演均有较强的相关性(R2≥0.7)。而在剩余的4种一元一次回归模型中，对数模型的拟合度最高，拟合度R2分别达到0.794、0.702、0.664和0.434，但只有在反演5 cm深度土壤表层和整体含水率时可以达到较强的相关性。在不同土壤含水率下对两种回归模型比较得出，二次回归模型较对数回归模型的拟合度R2分别可以提高19.27%、8.81%、25.18%和30.33%。其余三种模型之间无明显的优劣区分。通过不同含水率对应的敏感波段所建立的回归模型均具有统计学意义(P<0.01)。

表2 基于敏感波段的一元回归模型Tab.2 The single regression models based on sensitive bands

注：Y为土壤质量含水率；X1、X3和X6分别为敏感波段1、3、6的反射率。

2.3 模型验证分析

为了检验模型的预测效果，将验证集中的光谱数据带入模型中，然后将模型预测值与实测值做相关分析，求出二者的拟合回归方程。从中选取拟合结果较好的一元二次回归模型和一元对数回归模型进行预测，其预测检验结果如图3、图4所示。

图3 一元对数回归模型预测值与实测值的散点图Fig.3 Scatter plots of predicted and measured values of one element logistic regression models

图4 一元二次回归模型预测值与实测值的散点图Fig.4 Scatter plots of predicted and measured values of one element quadratic regression model

从图3、图4中可以发现，模型的预测相关系数r与建模时的拟合度R相比没有发生大的浮动，说明模型并未发生“过拟合”现象，并且模型的“鲁棒性”较好[17]。其中，一元二次回归模型的预测相关系数r分别达到0.9297、0.854 2、0.929 6、0.699 4，较对数回归模型分别高出4.39%、1.41%、19.82%、13.56%，从中可以看出一元二次回归模型对10 cm深度土壤含水率的预测效果优势更明显。预测均方根误差RMSEP均在允许范围内(0.1以下)，但一元二次回归模型的预测均方根误差较小，预测精度较高。对相对分析误差比较发现，对于表层土壤含水率的反演，一元二次回归模型具有很好的预测能力(RPD>2.0)，对数回归模型只有在5 cm深度土壤表层含水率反演中有很好的预测能力。对于5 cm深度整体土壤含水率的反演，一元二次回归模型具有较好的预测能力，而对数回归模型仅具有定量预测能力。对于10 cm深度整体土壤含水率，两种回归模型都只有区别高低值的能力，说明模型难以对较深土壤(>5 cm)的含水率进行反演预测。

3 结 语

(1)通过相关系数法可以寻找出多光谱对于土壤含水率的敏感波段，不同深度土壤含水率的敏感波段不同。

(2)利用单一敏感波段建立与土壤含水率不同的一元回归模型。分析得出，一元二次回归模型具有最佳的拟合优度，并通过验证得出该模型对于较浅的土壤表层含水率有很好的预测能力。一元对数回归模型的拟合度次之，对于土壤表层含水率也具有较好的预测能力。

(3)由于现有的可见光-近红外波段对土壤的穿透性较差，故利用单一敏感波段建立的一元回归模型反演效果随土壤深度的增加急剧下降，所以该模型仅可以较好地实现对5 cm深度以内土壤含水率的反演。对深层土壤含水率的反演研究，仍需进一步探索。

(4)由于一元回归模型在实际应用中的方便快捷性，所以本试验研究成果为今后利用无人机多光谱遥感实现区域尺度土壤表层墒情的大范围、快速监测具有重要意义。

[1] 朱新国, 林方存, 高湖滨. 墒情监测研究进展综述[J]. 节水灌溉, 2011,53(11):53-55.

[2] 李福强, 张恒嘉, 王玉才, 等. 我国精准灌溉技术研究进展[J]. 中国水运(下半月), 2017,17(4):145-148.

[3] 刘伟东. 高光谱遥感土壤信息提取与挖掘研究[D]. 北京：中国科学院研究生院(遥感应用研究所), 2002.

[4] 李小涛, 黄诗峰, 宋小宁, 等. 卫星遥感结合地面观测数据的土壤墒情监测分析系统[J]. 水利学报, 2013,44(z1):116-120.

[5]LAMBINEF,EHRLICHD.Thesurfacetemperature-vegetationindexspaceforlandcoverandland-coverchangeanalysis[J].InternationalJournalofRemoteSensing, 1996,17(3):463-487.

[6] 郑小坡, 孙越君, 秦其明, 等. 基于可见光-短波红外波谱反射率的裸土土壤含水量反演建模[J]. 光谱学与光谱分析, 2015,35(8):2 113-2 118.

[7] 夏 权, 夏 萍, 陈黎卿, 等. 基于多光谱遥感的土壤含水量定量监测与分析[J]. 安徽农业大学学报, 2015,42(3):439-443.

[8] 张智韬, 李援农, 杨江涛, 等. 遥感监测土壤含水率模型及精度分析[J]. 农业工程学报, 2008,24(8):152-156.

[9]BOWERSSA,HANKSRJ.Reflectionofradiantenergyfromsoil[J].SoilScience, 1965,100(3):130-138.

[10]ETIENNEM,HENRID.Modelingsoilmoisture-reflectance[J].RemoteSensingofEnvironment, 2000,76:173-180.

[11] 刘伟东. 高光谱遥感土壤湿度信息提取研究[J]. 土壤学报, 2004,41(5):700-706.

[12] 刘焕军, 张 柏, 宋开山, 等. 黑土土壤水分光谱响应特征与模型[J]. 中国科学院研究生院学报, 2008,25(4):503-509.

[13] 宋 韬, 鲍一丹, 何 勇. 利用光谱数据快速检测土壤含水量的方法研究[J]. 光谱学与光谱分析, 2009,29(3):675-677.

[14] 陈 祯. 不同土壤含水率、体积质量及光谱反射率的关系模型[J]. 农业工程学报, 2012,28(4):76-81.

[15] 孙越君, 郑小坡, 秦其明, 等. 不同质量含水量的土壤反射率光谱模拟模型[J]. 光谱学与光谱分析, 2015,35(8):2 236-2 240.

[16] 张秋霞, 张合兵, 张会娟, 等. 粮食主产区耕地土壤重金属高光谱综合反演模型[J]. 农业机械学报, 2017,48(3):148-155.

[17] 贾俊平, 何晓群, 金勇进. 统计学[M].4版. 北京：中国人民大学出版社, 2009.