基于光谱指数的绿洲农田土壤含水率无人机高光谱检测

2018-12-04王敬哲丁建丽马轩凯葛翔宇刘博华

农业机械学报 2018年11期

王敬哲丁建丽马轩凯葛翔宇刘博华梁静

(1.新疆大学资源与环境科学学院，乌鲁木齐 830046； 2.新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046；3.新疆联海创智信息科技有限公司，乌鲁木齐 830011)

0 引言

土壤含水率(Soil moisture content, SMC)是土壤的重要物理参量，也是土壤团粒结构及养分状况的关键制约因素[1-3]。SMC影响土壤理化生理过程，且是影响全球生态环境、水文和气候变化模式的关键变量[4]。了解确切的农田SMC状况，可以更为有效地管理农田灌溉系统，在作物生长的关键阶段有针对性地改善土壤状况，以提高农作物的产量和质量[5-6]。SMC是限制区域绿洲内部作物生长的主要因子，近年来逐渐增强的人类活动导致了区域性的SMC失衡，并加剧了绿洲内部的土壤盐渍化[7-9]。因此，获取精确的土壤SMC信息，对于作物长势监测、估产、合理的灌溉决策及土壤干旱程度的监测具有重要意义。

遥感技术尤其是高光谱技术的迅猛发展使得大尺度、高效率获取SMC信息成为可能，国内外研究学者也开展了大量有益探索[10-13]。其中，植被冠层光谱可以反映植被的长势状况及健康程度，植物在不同土壤水分胁迫条件下其光谱特性也会随之改变。陈文倩等[14]基于原位获取的植被反射率数据，构建了干旱区绿洲SMC与植被光谱指数之间的估算模型，表明利用植被光谱特性对干旱区SMC进行数据挖掘是可取的。而光谱指数通过光谱波段之间简单的组合，即可建立指数与相应地物参量间的相关关系，并进行高光谱定量估算，成为近年来的研究热点[15-18]。STAGAKIS等[19]基于多期遥感影像对比了传统的光化学反射指数(Photochemical reflectance index)PRIR570和修正后的PRIR515对柑橘园的水分胁迫状况估算精度的对比，并进行了空间制图。ZHOU等[20]利用已有的13种植被指数对水稻产量进行了估算，指出基于800 nm与720 nm波段的反射率数据所建立的归一化植被指数具有最好的效果。但这些光谱指数主要基于原始光谱反射率所构建，未经预处理的原始数据仅反映了单纯的光谱信息，难以进行深入挖掘。而高光谱数据的预处理可以在一定程度上消除外界噪声、增强光谱特征、改善非线性关系，进而提高地物参量估算模型的精度[21-22]。

基于此，本研究选取新疆阜康绿洲小块农田为研究对象，基于无人机(Unmanned aerial vehicle, UAV)平台搭载的高光谱传感器获取的影像数据，探索不同预处理下的光谱指数与SMC的关系，并在此基础上构建干旱区绿洲农田SMC高光谱定量估算模型，以期提高区域SMC的估算精度，为土壤含水率状况遥感监测提供新思路，并为干旱地区精准农业的进一步发展提供科学参考。

1 研究区概况

所选取的田块设置在新疆维吾尔自治区阜康市(87°51′15″E，44°21′14″N)。该区地处阜康绿洲和北缘的古尔班通古特沙漠的过渡地带，属典型的温带大陆性荒漠气候，多年平均降水量不足200 mm且分布不均；年平均气温约为7.1℃;年无霜期可达175 d，熟制一般为一年一熟[23]。区域主要土壤类型为灌溉灰漠土与灌耕土，其有机质含量相对较低(质量分数1.2%～1.5%)，田块内种植的作物为冬小麦[24]。

2 材料与方法

2.1 UAV遥感数据获取

选取的飞行平台为DJI Matrice 600 Pro (深圳市大疆创新科技有限公司)六旋翼无人机，利用搭载的Headwall公司Nano-Hyperspec高光谱传感器获取区域的高光谱成像数据(图1)。Nano-Hyperspec机载高光谱成像光谱仪的波段范围为400～1 000 nm，光谱分辨率为6 nm，重采样间隔为2.2 nm，包含270个光谱通道和640个空间通道，具备VIS-NIR (Visible and near infrared red) 区间内全画幅成像的特点，同时集成了GPS与IMU (Inertial measurement unit) 模块，可同步获取UAV的实时姿态信息。100 m航高下，焦距为12 mm的Nano-Hyperspec传感器可获取640像素×480像素的高光谱影像，空间分辨率约为4 cm。野外作业前5 d内无降水与人工干扰，以确保数据的客观性。于2018年4月17日(冬小麦返青期)进行了UAV遥感数据的获取，高光谱影像的采集于北京时间15:00在田间上空进行，天气晴朗无风，视野良好。起飞前对传感器进行暗电流校正及白板校正，数据采集完成后利用Hyperspec Ⅲ及Headwall Spectral View软件完成数据后处理及正射校正。

图1 无人机平台及机载高光谱传感器Fig.1 UAV platform and airborne imaging hyperspectral sensor

图2 采样点分布图及UAV作业现场Fig.2 Distribution of sampling sites and application scene of UAV over cropland

2.2 SMC数据获取

土壤样品的采集与UAV空中作业同步开展，在农田内均匀取70个采样小区(0.5 m×0.5 m)并利用GPS记录每个采样区域的位置(图2)。各点土壤样品围绕小麦植株采用四点法混合采集，取样深度为0～10 cm，并用铝盒对土壤样品进行密封保存。实验室处理时，铝盒样品采用室内干燥法(105℃恒温箱，48 h)得到70个样点SMC数据，用于SMC高光谱定量估算模型的构建与精度验证。样本划分基于Kennard-Stone (K-S)算法进行，选取50个样点作为建模集，20个样点作为验证集。

2.3 数据处理及指数构建

高光谱数据预处理对深度挖掘光谱数据进而改善建模精度至关重要[25]。光谱仪主要由光电转换、传输和处理系统组成。其内部的每个模块都不同程度地产生噪声，而真实的地物光谱信息都不可避免地受到噪声的影响，需要对其进行检测并去除[13]。因此，本研究在Matlab R2012a环境下基于Savitzky-Golay (SG)滤波器对高光谱影像进行了平滑(2阶多项式+5点移动平均)。

一阶微分(First derivative, FD)、吸光度(Absorbance, Abs)、连续统去除 (Continuum removal, CR)等处理方法是当前光谱分析领域行之有效的预处理方法，可以在一定程度上消除背景噪声，增强光谱吸收与反射特征[22,26]。有效的预处理有助于捕捉光谱数据中细微的差异，提高地表参数的估计精度。基于此，在获得经过SG平滑的高光谱影像后，基于IDL+ENVI平台对原始数据进行FD、Abs、CR预处理并提取每个采样小区的平均光谱数据，为后续光谱指数与SMC模型的构建奠定基础。

光谱指数法可以有效地筛选出已有高光谱数据中的最佳波段组合，它不仅可以消除环境背景噪声，同时相较于单一波段具备更明显的敏感性。为了充分挖掘光谱数据，在前人研究基础上选取差值指数(Difference index, DI)、比值指数(Ratio index, RI)、归一化指数 (Normalization index, NDI)及垂直植被指数 (Perpendicular vegetation index, PVI) 4种光谱指数，用于估算SMC的最佳波段[13,27]。指数的数学表达式为

DI(Ri,Rj)=Ri-Rj

(1)

RI(Ri,Rj)=Ri/Rj

(2)

NDI(Ri,Rj)=(Ri-Rj)/(Ri+Rj)

(3)

(4)

式中Ri、Rj——高光谱传感器工作波段范围(400～1 000 nm)内任意获取的第i波段及第j波段的光谱反射率

光谱指数与SMC的拟合关系采用相关系数R及决定系数R2进行评价，两者间的相关性等值图及最优指数的遴选使用Matlab R2012a完成。

2.4 模型的建立及验证

基于3种不同预处理方法，本研究共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像，并在此基础上分别进行指数遴选。本研究的模型构建分为两个层面：①基于最优指数的单一模型。②基于最优预处理方案的综合指数模型。通过对比各模型的均方根误差 (Root mean square error, RMSE)、决定系数 (Coefficient of determination,R2) 及相对分析误差 (Relative prediction error, RPD) 对模型精度进行评价及优选。其根据RPD的分级标准：RPD小于1.40表示模型不具有定量预测能力，不可用；RPD大于等于1.40小于2.00表示模型预测效果可接受，但有待进一步改进；而RPD大于等于2.00表示模型的稳健性与预测能力俱佳[22]。

图4 不同预处理后的高光谱影像及光谱曲线 Fig.4 Hyperspectral imageries and spectral curves based on different pretreatments

3 结果与分析

3.1 SMC统计分析

所采集的土壤样本的SMC平均为18.35%，标准差为4.08%。所选取的建模集(9.17%～28.22%)和验证集(11.08%～27.24%)的SMC平均值分别为18.31%和18.42%。由标准差(Standard deviation, SD)可知，基于K-S算法所划分出的建模集和验证集均保持与SMC全样本集相似的统计分布(图3)。在确保样本具有代表性的同时，避免了在模型构建和验证中的潜在有偏估计。

图3 样品SMC数据的统计特征Fig.3 Descriptive statistical results of SMC

3.2 光谱指数与SMC相关性分析

在获取SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像后，提取70个样点的不同预处理后的光谱反射率数据(图4b～4f中，红线为均值光谱，灰色区域为标准差区间)。基于Matlab软件联合400～1 000 nm范围内任意获取的两个波段计算了不同预处理方案下DI、RI、NDI和PVI与SMC的相关性，并利用相关系数(Coefficient of correlation,R)检验其有效性。如表1所示，本研究所建立的20个光谱指数与SMC在0.001水平上全部通过了显著性检验 (阈值为±0.380)。就未经预处理的SG光谱数据而言，构建的DI、RI、NDI和PVI的|R|分布范围在0.724～0.784之间。

表1 SMC与不同预处理方案下光谱指数的相关系数Tab.1 Correlation coefficients between SMC and spectral indices based on different pretreatments

SMC对预处理过后的光谱指数展现出极强的敏感性，其中基于Abs处理的DI与PVI和CR处理的RI与NDI的|R|均不小于0.748，表现最为突出。由此表明，不同的预处理方案不同程度地提高了光谱指数与SMC之间的相关性，最优指数为基于Abs预处理后的PVI (R=0.788)。图5为SMC与上述4个最优预处理光谱指数的决定系数二维等值图。

图5 SMC与最优光谱指数的决定系数Fig.5 Coefficient of determination between SMC and four optimal spectral indices

其中，DI确定的敏感波段范围主要位于蓝光(X：400～430 nm，Y：440～460 nm)、红光(X：400～430 nm，Y：580～760 nm)及近红外短波区 (X：970～1 000 nm，Y：440～760 nm)，在这些光谱区间SMC与DI的R2均达到了0.50以上。RI与DI确定的敏感波段范围比较相似，主要位于蓝光(X：400～430nm，Y：440～460 nm)与近红外短波区 (X：945～965 nm，Y：430～760 nm)，其R2也均达到了0.52以上，但NDI的表现略优于RI。而PVI与SMC的相关性最强，其确定的敏感波段范围主要位于蓝光 (X：400～430 nm，Y：440～460 nm)、红光 (X：400～430 nm，Y：580～760 nm；)及近红外短波区 (X：970～1 000 nm，Y：440～760 nm)，在这些光谱区间SMC与PVI的R2均达到了0.60以上。

经过比对分析，共筛选出4个最优光谱指数，其排列顺序为：基于Abs预处理的PVI(R644, R651)，基于CR预处理的NDI(R430, R446)与RI(R430, R446)，以及基于Abs预处理的DI(R430, R446)，其R2分别为0.621、0.570、0.569和0.559。因此，上述4个光谱指数具有对SMC进行定量估算的能力。

3.3 SMC高光谱估算模型的构建及验证

本研究的模型构建分为两个层面：基于最优指数的单一模型和基于最优预处理方案的综合指数模型。

表2 最优光谱指数的SMC回归模型Tab.2 Quantitative regression models of SMC using single spectral index

图6 基于最优PVI(R644, R651)模型的SMC估测效果Fig.6 Scatter plots of measured versus predicted SMC using optimal model based on PVI(R644, R651)

表3 基于不同预处理方案下多变量SMC模型效果Tab.3 Accuracy parameters of multivariable models based on different pretreatments

图7 基于Abs预处理方案多变量综合模型的SMC估测效果Fig.7 Scatter plots of measured versus predicted SMC using multivariable model based on Abs pretreatment

3.4 UAV高光谱影像监测SMC试验与精度验证

基于IDL+ENVI平台，利用本研究构建的基于Abs预处理后建立的多参数模型对实验田块的UAV高光谱影像进行解算，SMC的估算结果与实测数据见图8。为了检验SMC的高光谱填图精度，从中随机选取1/3的采样点(n=23)的田间实测数据与定量估算的结果进行对比分析。由图9可知，线性拟合线接近于标准1∶1线，其R2更是达到了0.88，实测与估测SMC相似度极高，且全部位于95%置信区间以内，表明使用基于Abs模型的SMC高光谱填图具有理想的效果。

图8 SMC估算结果与实测数据Fig.8 Map of observed SMC and quantitative estimated SMC

图9 高光谱填图与实测SMC拟合效果Fig.9 Fitting effect between measured SMC and hyperspectral mapping results

4 讨论

传统上，SMC数据的获取是基于TDR(Time domain reflector)、FDR (Frequency domain reflectometry)或繁复的原位工作开展的，尽管它们可以提供时间序列的观测数据，但往往仅能监测单独的点位信息，难以反映区域尺度的空间变化[10-12]。目前，已有大量研究依据地面原位工作获取的VIS-NIR反射光谱数据(350～2 500 nm)进行SMC、土壤有机质、作物叶绿素、氮素含量等农业关键参数进行定量估算；尽管估测效果较好，但这些研究在本质上依然获取的是独立的点数据，无法获取地物目标进行高光谱成像数据，难以充分发挥遥感技术的优势，获取尺度上的地物参量信息[28]。而凭借其机动性强、快速高效等特点，基于无人机UAV平台的低空遥感成为当今农情精准监测的又一理想手段[29]。本研究探索了不同预处理下的光谱指数与SMC的关系，并对农田SMC进行了定量估算。

当前，针对SMC定量估算的研究大多是基于裸土光谱反射数据开展的[21]。而SMC与上覆植被叶片的含水率及其光谱之间具有一定的相关性，SMC的高与低将不同程度对叶片的水分含量造成影响，最终也会进一步导致其光谱特性发生一定变化[11,14,30]。根据植被的光谱信息对SMC进行定量估算从遥感及光谱机理上是可行的。已有研究多是基于典型敏感波段或单一的光谱指数建立SMC估算模型，但这些数据内涵的光谱信息往往存在饱和现象，而过多的指数则会导致模型过拟合现象[13,17]。通常情况下，全谱VIS-NIR数据不同程度上受到大气干扰、土壤背景等因子的干扰。而本研究基于3种不同预处理方法，共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像，并在此基础上分别进行指数遴选。同时，着眼于高光谱影像这一数据基础，兼顾波段及一阶微分窗口内的光谱信息，深度挖掘光谱数据；探索了不同预处理方案下UAV高光谱影像及多种光谱指数估算SMC的可行性。本研究所采用的垂直型植被指数(PVI)，在兼顾遥感机理时最大程度上削弱了土壤及大气的影响，动态调用各波段的反射率，并较好地对植被信息进行表征[1,27]。

对比本研究所构建的模型的精度参数可知：在基于单以光谱指数的12个模型中，以Abs预处理下的PVI(R644, R651)模型精度最高；在4个不同预处理方案下多变量模型中，基于Abs预处理后建立的多参数模型表现最优。不同预处理方案下的光谱数据较SG数据而言，构建的DI、RI、NDI和PVI均有不同程度的提升。而多变量SMC估算模型效果在预处理消噪的基础上，更为深度地挖掘了光谱信息，减少了单一变量造成的误差；在规避过拟合现象的同时，提升了模型的定量估测效果。

本研究利用UAV遥感平台搭载的高光谱成像光谱仪在获取高空间/光谱分辨率的影像数据，充分发挥了其“图谱合一”的优势并基于多种预处理方案及构建的多种光谱指数对农田SMC进行了估测，取得了较为理想的精度，为土壤水分状况天地空一体化遥感监测提供了参考方案。然而，基于植被光谱的农田SMC遥感估算尚未建立统一研究范式，植被的光谱也会受到品种、生育期、土壤营养状况等因素影响。此外，由于天气、手段等限制，本研究未能获取多期的影像数据，所建立的SMC估算模型的泛化能力有待于进一步验证。因此，后续的研究将进一步探索SMC与土壤及上覆植被高光谱反射率的内在联系，并在此基础上进一步建立大样本的植被光谱数据库，以期为作物长势、病虫害等精准农业参数的定量估算与遥感监测奠定科学基础。