剔除土壤背景的冬小麦根域土壤含水率遥感反演方法

张智韬 周永财 杨 帅 谭丞轩 劳聪聪 许崇豪

(1.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 712100；2.西北农林科技大学水利与建筑工程学院， 陕西杨凌 712100)

0 引言

土壤水分是作物生长发育的重要条件，也是指导灌溉的理论依据。土壤水分包括表层土壤水分(保持在10 cm以上的土壤中)和根域土壤水分(保持在10 cm以下的土壤中)[1]。表层土壤水分是解决地面与大气之间水分和能量交换的关键组成部分，而作物生长发育的水分主要来源于根域土壤[2]。土壤含水率测定方法有干燥法、土壤湿度传感器测量法、土壤水量平衡法和遥感技术测量法等。传统的干燥法一直被用作土壤含水率测定的标准技术方法，但是该方法相对耗时、耗力，且具有破坏性；土壤湿度传感器测量法和土壤水量平衡法则存在设备成本高、准确性差等缺点[3]；而无人机遥感技术具有操作灵活、时空分辨率较高等优点，为快速无损测定土壤含水率提供了可能[4-5]。

早期利用热红外遥感与现场测量相结合的方法测量或定量估算土壤含水率，并且将光学、热红外遥感技术和微波传感器相结合，同样为大规模监测土壤含水率提供了可能[6-9]。尽管目前已取得了一些研究成果[10-11]，但主要是反演表层土壤含水率，利用高分辨率的无人机多光谱遥感数据对作物覆盖下根域土壤含水率的研究很少。

研究表明，根域土壤含水率对作物生理状态影响很大，理论上可以通过作物冠层反射率或植被指数间接测定根域土壤含水率[12-14]。由于高分辨率无人机多光谱图像受到土壤背景的干扰，导致根域土壤含水率的监测精度普遍较低。因此，有学者对降低土壤背景的干扰进行了研究[15-17]。尽管在剔除土壤背景研究上有了很大的改进，但土壤线和各种指数仍然对土壤背景和覆盖度变化有一定的敏感性[18-19]。采用植被指数可以在最大程度上剔除土壤背景，而植被指数阈值法是基于植被指数有效识别作物与非作物像元之间的阈值，通过阈值划分来剔除土壤背景，而应用植被指数阈值法剔除土壤背景的关键是确定土壤与作物之间的植被指数阈值。

本文以4种水分处理下的拔节期冬小麦为研究对象，利用无人机搭载多光谱传感器获取高分辨率多光谱图像，采用改进的植被指数阈值法快速确定多光谱图像中土壤与冬小麦的植被指数阈值，以实现土壤背景的剔除，研究不同土壤含水率和作物阴影对土壤背景剔除精度的影响，以及土壤背景对提取冬小麦冠层反射率的影响，利用剔除土壤背景和未剔除土壤背景的植被指数与土壤含水率建立关系模型，探究剔除土壤背景对冬小麦根域土壤含水率反演精度的影响。

1 材料与方法

1.1 试验地概况

试验地位于陕西省杨凌示范区西北农林科技大学的中国旱区节水农业研究院(34°17′42.17″N, 108°4′20″E，海拔525 m)。该地区年平均降雨量635 mm，且主要集中在7—9月，属于暖温带季风半湿润气候区，试验地深度0～60 cm的土壤类型为中壤土，平均田间持水率为26%，凋萎系数为8.6%(均为质量含水率)，土壤干容重1.44 g/cm3，土壤pH值为8.1，有机质质量比为13.3 g/kg，总氮质量比为0.82 g/kg，试验地概况如图1所示。

1.2 试验设计

试验小区布设采用完全随机设计，如图1b所示，设置4个水分处理，灌水上限分别为T1(50%田间持水量)、T2(65%田间持水量)、T3(80%田间持水量)和T4(对照组，95%田间持水量)，每个水分处理3个重复，如小区编号T1-1代表T1水分处理的第1个重复，共计12个小区。试验地播种前施氮肥和磷肥各240 kg/hm2作为基肥，冬小麦品种选用的是陕西中部地区推广的小偃22，播种时间为2018年10月15日，每个小区设置为4 m×4 m，种植行距为0.25 m，播种密度为100万株/hm2。本研究于2019年3月24、25、28、31日进行试验，24日为灌水处理前的对照试验，25、28、31日为灌水处理后的试验。此时冬小麦正处于拔节期，天气晴朗，而且试验期间对每个小区都配有移动式遮雨棚，防止降雨干扰。

1.3 无人机多光谱遥感数据采集

试验期间，使用大疆创新公司(DJI)生产的经纬M600型六旋翼无人机搭载多光谱传感器获取冬小麦冠层多光谱图像。如图2所示，多光谱传感器为Tetracam公司生产的Micro-MCA型多光谱相机(简称μ-MCA)。μ-MCA多光谱相机有490、550、680、720、800、900 nm共6个波长的光谱采集通道，能够搭载于M600型六旋翼无人机。试验期间每日采集5次多光谱影像(采集时间为09：00、11:00、13:00、15:00和17:00)，无人机飞行高度为15 m，多光谱相机镜头垂直向下，对应的地面分辨率为0.8 cm，并利用放置在试验田间的白色参考板(100%反射参考目标)进行影像的辐射校正。

1.4 地面数据采集与处理

试验期间，在每日13:00光谱数据采集完成后，及时在每个水分处理小区的中心区域打钻取土，根据拔节期冬小麦根系活动层所在深度，每个小区取土深度分别为0～10 cm、10～20 cm、20～30 cm和30～40 cm，共4个深度的土壤样本，并采用干燥法测定4个深度下的冬小麦土壤含水率(体积含水率，%)，每个深度土壤样本共48个。随机抽取3/4数据用于建模，1/4数据用于验证，对4个深度土壤含水率的样本进行统计分析，样本统计特征如表1所示。在拔节期冬小麦试验结束后(2019年3月31日)对每个小区中间区域的冬小麦取样，并用干燥法测定冬小麦的植株含水率(相对含水率，%)。

1.5 数据分析

1.5.1土壤背景剔除

基于无人机多光谱图像的波段范围，选择植被指数DWSI[20]、NGRDI[21]、NDVI[22]、EXG[23]、OSAVI[24]、RDVI[25]和MSR[26]来剔除土壤背景并用于反演土壤含水率。使用PixelWrench2对μ-MCA多光谱相机采集的原始图像进行预处理，并用软件ENVI 5.3对预处理后的各个小区的多光谱图像进行波段运算，得到多种植被指数的灰度图像。为实现准确、自动的植被检测，以及正确的分割参数，需要一种简便、高效的方法来寻找设置植被与裸地之间断点的植被指数阈值，而植被指数阈值法[27]可以有效确定作物与土壤像元之间的阈值。本文利用改进的植被指数阈值法将OTSU算法和高斯滤波结合，假设图像包含两类像素(土壤和植被)，然后基于最小化组合传播(类内方差)和高斯滤波线性减噪过程，可以快速确定多光谱图像中作物与土壤像元之间的阈值。在Python 3.6.3中运行该算法得到小区的各种植被指数阈值，在ENVI软件中通过植被指数阈值对各个小区多光谱图像的冬小麦和土壤进行掩膜处理，实现土壤背景的剔除。

表1 土壤含水率的描述性统计分析Tab.1 Descriptive statistical analysis of SWC

1.5.2土壤含水率反演及精度评价

利用混淆矩阵精度验证法评价植被指数阈值法的分类精度，评价指标为Kappa系数和总体精度[28]。用分类精度最高的植被指数剔除土壤，并通过该植被指数确定的阈值来提取冬小麦冠层反射率，分析土壤背景中土壤含水率变化和阴影干扰对反射率的影响，进一步判别植被指数用于剔除土壤背景的准确性。

用未剔除土壤和剔除土壤的反射率计算不同植被指数，通过这些植被指数反演不同深度的土壤含水率，以7个植被指数为自变量和土壤含水率为因变量建立线性模型，比较剔除土壤背景前后模型的决定系数(R2)和均方根误差(RMSE)，分析土壤背景对反演土壤含水率的影响。R2越接近1，RMSE越接近0，则该反演模型的精度和准确性越好[11,29]。

2 结果与分析

2.1 土壤背景对植被指数阈值法分类精度的影响

基于1.5节描述的数据处理过程，应用7种植被指数处理不同时刻(09:00、11:00、13:00、15:00和17:00)获取的冬小麦多光谱图像，分析作物阴影对植被指数阈值法剔除背景的影响。通过7个植被指数剔除背景后，进行精度评价得到的Kappa系数及图像分类精度如图3所示。

由图3可看出，利用植被指数阈值法进行分类的拔节期冬小麦多光谱图像效果较好，总体精度和Kappa系数整体呈正态分布。其中RDVI对冬小麦多光谱图像的分类精度最高，在所有图像的分类结果中总体精度达到了91.35%，大部分都集中于97.25%，而且Kappa系数均在0.83以上，均值为0.91。而基于植被指数NDVI和OSAVI的分类效果也相对较好，Kappa系数整体都大于0.7，总体精度也都在88.59%以上。但是基于EXG、NRGDI和DWSI这3种植被指数分类效果相对较差，总体精度都出现80%甚至低于80%的情况，而且对应的Kappa系数出现了低于0.6的情况。由于太阳高度角的变化，导致09:00、11:00、15:00和17:00采集多光谱数据时的太阳没有完全正射冬小麦冠层，造成土壤背景中不只有裸土，还存在较多冬小麦投影到土壤中的阴影，这使得土壤存在阳光直射的裸土和有阴影的土壤。所以，为避免作物阴影的干扰，对24、25、28、31日13:00(此时阳光正射试验地冬小麦冠层)的冬小麦多光谱图像进行分类，分析土壤含水率变化对植被指数与阈值法剔除背景的影响，得到的精度评价结果如图4所示。

从图4可以发现，RDVI的分类效果依然最好，总体精度达到91.32%以上，Kappa系数都在0.85以上。NDVI和OSAVI的分类精度相似，仅比RDVI略低一点。DWSI、NGRDI和EXG的分类效果依然较差，但是基于植被指数NGRDI在土壤含水率变化下的图像分类效果明显高于作物阴影干扰下的图像分类效果，总体精度普遍都在96.23%左右，但是也会出现分类精度降低的情况。

造成这种现象的原因可能是计算DWSI、EXG和NGRDI这3个植被指数的中心波长(490、550、680 nm)都在可见光波段，冬小麦和土壤背景之间的反射率差别较小，而在近红外波段(中心波长为720、800、900 nm)二者之间的反射率差别较大[20,30]。NDVI和OSAVI基于冬小麦和土壤在红色、近红外波段反射率的变化差异，通过归一化扩大土壤与冬小麦差异，同时最小化了光照强度变化的影响，增强了对冬小麦的识别能力, 但它们对土壤亮度敏感。而RDVI有效消除了土壤反射率的影响，更好地适应于不同水分处理导致覆盖度差异悬殊的试验区域，使得对冬小麦的识别能力更强[31]。因此含有近红外波段的植被指数在一定程度上更能响应冬小麦生长环境的变化，使对应的分类精度更高。

2.2 土壤背景对提取冬小麦冠层反射率的影响

土壤背景中土壤含水率变化和裸土上的冬小麦阴影会导致土壤亮度发生变化，同时也对提取的冬小麦冠层反射率有很大影响。

2.2.1不同土壤含水率对提取冬小麦冠层反射率的影响

尽管植被指数RDVI的分类精度最好，但是同一类型的土壤在不同含水率下的光谱反射率变化差异较大，这导致了用植被指数阈值法确定的阈值受土壤含水率变化的影响较大，这也会影响提取冠层反射率。为避免阴影和土壤水分变化的交互影响，本研究以13:00获取的冬小麦多光谱图像为研究对象，图5给出了试验期间植被指数阈值法确定13:00多光谱图像的RDVI阈值与不同深度土壤含水率的相关性矩阵图。

图5相关性矩阵图表明，在水分处理前后基于RDVI确定的阈值和土壤含水率均呈正相关，并与0～10 cm的土壤含水率相关性均最高，而与10 cm以下的土壤含水率相关性普遍较低。其中水分处理前的24日阈值与深度0～10 cm的土壤含水率相关性最高(r=0.914)，而水分处理后的25、28、31日阈值与深度0～10 cm土壤含水率的相关性呈减小趋势，深度30～40 cm的土壤含水率与RDVI阈值的相关性表现出同样的变化趋势，10～20 cm和20～30 cm深度的土壤含水率与阈值之间的相关性变化不大。这表明0～10 cm处土壤含水率对植被指数阈值法确定作物与土壤像元之间的阈值影响最大，而水分处理导致土壤含水率与阈值之间的相关性降低，这对提取冬小麦冠层反射率影响较大。

图6所示(图中b1～b6分别表示中心波长为490、550、680、720、800、900 nm的光谱反射率，下同)为水分处理前后基于RDVI阈值提取的冬小麦冠层反射率。T1处理的冬小麦由于土壤含水率没有变化，因此冠层波段反射率变化很微弱。而其他处理下的冬小麦冠层反射率变化较明显，T2处理的冬小麦冠层反射率表现为突降，随后逐渐增大，T3、T4处理的冠层反射率表现为突增，在25日反射率又下降，直至31日才开始增大，整体呈“波浪”形状。而反射率的变化主要是近红外波段，可见光波段的反射率几乎没有变化，显然，在近红外波段(b4、b5和b6)的反射率受土壤含水率变化的影响更明显，而在可见光波段(b1、b2和b3)的反射率变化对土壤含水率变化几乎没影响。

2.2.2作物阴影对提取冬小麦冠层反射率的影响

由于不同时间点的多光谱图像对应的太阳高度角有差异，这往往会导致裸土出现冬小麦阴影，尤其在09：00和17：00时试验小区的裸土上几乎完全是冬小麦阴影，在11：00和15：00则有一半的土壤含有阴影，仅在13：00才几乎没有阴影。如果不考虑阴影的影响，就会降低从遥感图像中研究冬小麦冠层特征及其变化检测的准确性。所以在这项研究中，使用分类精度最高的植被指数RDVI对5个时刻的多光谱图像进行阈值分类，探讨冬小麦阴影对阈值法确定阈值的影响。图7反映了在满足高分类精度时确定的冠层阈值与采集图像时刻的变化关系。

结果表明，随着采样时间的变化，4个水分处理确定的阈值都呈“V”状，在13：00确定的阈值始终低于另外4个时间点确定的阈值，而且在13:00各个小区多光谱图像确定的阈值也更加集中。结合13:00的太阳高度角最大，11:00和15:00的太阳高度角次之，而09:00和17:00太阳高度角最低[32]，发现随着太阳高度角的降低，阈值明显增大，而且误差也较大。并且在总体上，不同时间点的阈值变化范围很大，这可能是T3和T4处理的试验小区土壤含水率高，在太阳高度角变化时，作物蒸散发变化比较大，使得冬小麦冠层与土壤之间的阈值变化明显。

由于阈值受太阳高度角的影响，导致提取的冠层反射率同样发生变化，如图8所示。显然阈值变化趋势与冬小麦的冠层波段反射率变化趋势基本一致，都呈“V”状，T3、T4处理的冬小麦表现为13：00反射率最低，但是T1-1、T1-2和T1-3的波段反射率低谷都出现在11：00，而T2处理下，冬小麦反射率的低谷出现时间也都有向11：00靠近的趋势，这可能是由于T1和T2处理的冬小麦处于水分亏缺状态，作物覆盖度比较低的影响。然而，仅在近红外波段(b4、b5和b6)的反射率出现波动，而可见光波段(b1、b2和b3)的反射率几乎没有变化。这表明作物阴影对近红外波段的反射率影响很大，对可见光波段的反射率影响很小。

2.3 土壤背景对冬小麦根域土壤含水率反演的影响

如2.2节所述，冬小麦冠层在13：00时刻获取的反射率有效降低了阴影的干扰，而且对土壤含水率的差异最敏感，表2为剔除土壤背景前后的各种植被指数与实测的土壤含水率之间的线性反演模型。结果表明，本文所考虑的植被指数与不同深度的含水率存在较高的显著相关性。总体上，剔除土壤背景后的植被指数与土壤含水率反演效果明显比未剔除土壤背景好，并且与其他植被指数相比，在相同的显著性水平下，NGRDI在不同深度的土壤含水率反演模型最优，而且在反演10～20 cm的决定系数最高，深度30～40 cm的决定系数最低。但是，RDVI和OSAVI与土壤含水率的相关性最不显著，虽然RDVI和OSAVI被认为能有效估算植被叶绿素的含量，但是在短期的水分处理下，冬小麦的叶绿素受到土壤水分影响很少，所以通过RDVI和OSAVI间接反演不同深度的土壤含水率效果较差。

根据表2的线性建模分析，以植被指数NGRDI研究土壤背景对不同深度根域土壤含水率反演的影响(图9)。结合表2和图9可以看出，剔除土壤背景后，对深度0～10 cm、10～20 cm和20～30 cm的土壤含水率反演模型的决定系数都达到了0.6以上，其中10～20 cm的决定系数最高，均方根误差RMSE最小，为2.0%。同样包含土壤背景的植被指数在10～20 cm反演效果最好，但是含土壤背景反演模型的决定系数始终比不含土壤背景的低。通过图9反映包含土壤和不含土壤背景计算的NGRDI分布情况，可以看出含土壤背景计算的NGRDI普遍比不含土壤背景的小，而且出现较多负值的情况。说明土壤背景的存在，使计算的植被指数包含了与土壤含水率无关的噪声，增大了植被指数反演土壤含水率的误差，导致含土壤背景的NGRDI对土壤含水率反演效果变差。

通过基于NGRDI反演土壤含水率的实测值与预测值比较，可以看出剔除土壤的模型远比未剔除土壤背景的拟合效果好，如图10所示，决定系数均大于0.6，斜率更加接近1，并且对深度10～20 cm土壤含水率的反演模型拟合效果最优，R2为0.787，RMSE为2.1%。所以，与其他植被指数相比，NGRDI更适用于不同深度土壤含水率的反演。

3 讨论

植被指数阈值法是基于植被指数[33]具有识别作物与非作物像元的优势，文献[34]提出一种从时间序列影像的植被指数直方图曲线中获取植被指数阈值的方法，但该方法需要多时相的对同一地块的观测影像；文献[20]利用监督分类统计土壤与冬小麦的植被指数统计直方图，以直方图的交点作为分类阈值的方式进行植被覆盖度的提取，但是监督分类精度对确定阈值影响较大，而改进的植被指数阈值法结合OTSU算法和高斯滤波降噪处理，可以直接对高分辨率多光谱图像进行植被指数阈值确定。但植被指数阈值法剔除背景的效果与选择的植被指数密切相关，若植被指数对作物或者土壤的区分效果明显，则剔除背景精度高。在选择的7种植被指数剔除土壤和阴影背景的精度分析中，发现RDVI剔除土壤背景的精度最高。与其他植被指数相比，RDVI有效结合了NDVI和DVI两种指数的优势[26]，其中DVI是一种差值植被指数，在植被覆盖度低时对植被检测效果好，而NDVI对土壤亮度比较敏感，较适用于植被覆盖度高的作物检测[34]。所以RDVI对不同覆盖度下的冬小麦识别效果较好，能够更好地剔除背景，提高冠层反射率的准确性。

尽管剔除土壤背景有效地提高了获取冠层反射率的准确性，但由于光的多重散射效应，传感器在接受植被反射的波段信号时，也同时接收了来自土壤等背景的反射信号，因此冠层反射率是对土壤背景和叶片/植物生理化学等综合信息的响应[35]。虽然多重散射增强了对叶片生化信息的反射信号[36]，但是植物或叶层对光的散射具有高度的各向异性[37]，因此它也被认为是噪声源，这也是导致冠层反射率反演土壤含水率存在误差的主要原因[29]。所以本研究通过构建光谱指数反演冬小麦根域土壤含水率，经过剔除土壤背景前后对土壤含水率的反演分析，表层土壤含水率的反演效果低于10～20 cm处的。结合冬小麦植株含水率与不同深度土壤含水率的相关关系分析(图11)，同样发现植株含水率与深度10～20 cm的土壤含水率相关性最好。因此剔除土壤背景后，植被指数NGRDI在深度10～20 cm的土壤含水率反演效果最佳，而在其他深度的反演效果较差。

剔除背景有效提高了反演冬小麦土壤含水率的精度，尤其是在深度10～20 cm土壤含水率的反演效果最好，这也可能是该深度为拔节期冬小麦根系主要活动层的原因[38]，后续的研究可根据需要结合冬小麦的根系信息准确监测作物根域土壤含水率。本文仅研究拔节期冬小麦的深度0～40 cm的土壤含水率，对更深层的根域土壤含水率反演有待进一步研究，而植被指数阈值法在冬小麦的其他生育期或者其他植物上的运用效果有待进一步探索。

4 结论

(1)利用改进的植被指数阈值法得到冬小麦冠层与土壤像元分界的最优阈值，通过阈值分割、剔除土壤和阴影背景，以获取拔节期冬小麦的冠层反射率。经对比验证，RDVI更适用于拔节期冬小麦土壤背景的剔除，其总体精度都在91.32%以上，并且RDVI确定的阈值与深度0～10 cm的土壤含水率相关性显著。因此RDVI能够及时响应土壤含水率的变化，有效提高了植被指数阈值法的分类精度。

(2)土壤背景对近红外波段的反射率影响较大，对可见光波段的反射率影响较小，而基于反射率构建的植被指数对深度10～20 cm的土壤含水率反演效果较好，其中NGRDI反演深度10～20 cm的冬小麦根域土壤含水率效果最好，其建模集R2和RMSE分别为0.739和2.0%，验证集R2和RMSE分别为0.787和2.1%。

(3)未剔除土壤背景的植被指数反演效果始终比剔除土壤背景的反演效果差，采用NGRDI对比剔除土壤背景前后的根域土壤含水率反演效果可知，未剔除土壤背景的植被指数NGRDI值比剔除土壤背景的更小、更离散，这导致NGRDI反演根域土壤含水率的精度降低。因此在应用无人机进行多光谱遥感反演冬小麦根域土壤含水率时应该考虑土壤背景的影响。