基于小波特征和冬小麦生理参数的土壤水分高光谱模型优化

杨锡震 ，陈俊英 ※，张秋雨 ，王天阳 ，左西宇 ，杨 宁 ，耿宏锁 ，赵 笑

（1.西北农林科技大学水利与建筑工程学院, 杨凌 712100；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,杨凌 712100；3.西北农林科技大学成人教育学院, 杨凌 712100）

0 引 言

土壤含水率（soil moisture content，SMC）过低会对作物生理状态造成负面影响[1]，定量监测SMC是实现精准灌溉中重要的环节[2]。SMC的变化会影响作物的生理生化过程，使得作物叶片空间形态结构、颜色、厚度等发生一系列的变化，从而导致作物冠层反射率的变化[3]。因此利用作物光谱特性对作物水分状况进行遥感监测已成为农业遥感研究热点。

目前，一些研究者采用安装在无人机上的热红外、RGB、多光谱、高光谱、雷达传感器获取反射率等信息后，通过回归模型与SMC建立联系[4-6]。相比于其他传感器，包含更多波段辐射信息的高光谱数据能够更加准确地描述与目标生化和生理信息相关的各种特征[7]，通过冠层高光谱信息监测覆被条件土壤水分的研究值得探索。然而，高光谱遥感技术在获取地物丰富的窄带（1～10 nm）光谱信息[8]的同时，采集的作物冠层光谱容易受到土壤背景和环境噪声的影响[9]，并且存在大量的冗余数据和波段自相关性问题[10]。葛翔宇等[11]利用高光谱影像数据结合多种植被指数与机器学习算法构建了冬小麦返青期SMC估算模型；REN等[12]通过近地面高光谱数据构建的植被指数和红边参数对不同生育期冬小麦根域土壤含水率进行分析，并基于优化的光谱指数构建了SMC监测模型；王瑾杰等[13]通过分数阶微分技术从高维数据中提取敏感变量，挖掘了冬小麦返青期冠层光谱监测土壤水分的可能性。然而，已有研究所提取的光谱特征易受环境噪声以及土壤背景影响，大多未进一步探索模型在多种物候期的适用性，构建的模型迁移能力有待进一步提升。

针对提取的光谱特征受环境噪声影响大以及吸收特征重叠等问题，当前研究广泛使用Savitzky-Golay（SG）平滑以及植被指数来降低环境噪声，增强绿色植物光谱特征，然而土壤水分波动导致冠层光谱的部分变化可能较为微弱，难以通过植被指数体现。已有研究表明[14]，连续小波变换（continuous wavelet transformation，CWT）是一种有效的光谱处理方法，能够降低光谱噪声并且获取比反射光谱更多的信息。对于植被光谱来说，通过连续小波变换能够显著提高光谱与叶绿素、水分等物质之间的相关性，高尺度与低尺度小波特征体现了外界扰动在宽波段区域整体振幅和窄波段区域谱形的变化，能够为植物生理特性的光谱数据建模增加更多维度[15-16]。

目前在覆被条件下土壤水分监测模型中，有效光谱特征的提取大多是通过直接分析作物反射率与土壤水分数值之间的关系，然而土壤水分数据驱动的模型在不同环境条件下的土壤含水率监测中可移植性较差[12,17]。为提高模型稳定性，研究者探索了基于物理方法构建模型的潜力，其中，DÖPPER等[18]发现人为影响叶面积大小后，冠层反射率对SMC监测模型精度大幅降低，模型对叶面积指数（leaf area index，LAI）有很强的依赖性，SMC的分布情况与LAI的分布相似。值得注意的是，叶片数据光谱特征主要是由叶片水分、色素及其干物质等对光吸收与散射的特性所决定[19]，因此植被冠层反射率更多受到叶片水分、色素、冠层结构的影响[20-21]，作物光谱对土壤水分的响应更多是通过生理参数体现，然而目前很少有研究通过叶片叶绿素（leaf chlorophyll content，LCC）和叶片含水率（leaf water content，LWC）等对光谱的响应特征来构建土壤水分监测模型，叶片理化参数的小波光谱特征信息在提高冬小麦根域SMC估算模型精度以及适用性方面的潜力有待探索。

综上，为了提高土壤含水率遥感监测模型在冬小麦多种物候期的适用性以及迁移能力，本研究通过连续小波变换提取了对叶片叶绿素、含水率以及叶面积指数敏感的小波特征，探讨通过以上叶片理化参数的光谱特征信息反演SMC的可行性，并将所选特征应用于地面非成像传感器以及机载成像传感器，比较土壤水分数据驱动和基于叶片理化参数的方法构建土壤水分监测模型的潜力，以期为优化土壤水分监测模型和增强模型适用性提供参考。

1 材料与方法

1.1 试验地概况

试验地位于中国陕西杨凌西北农林科技大学中国干旱区节水农业研究所（34°17’42”N，108°4’2”E），研究区是西北地区典型的旱地农业区，属半湿润干旱气候。试验区土壤质地（0～60 cm）为中等壤土，有机质为14.48 g/kg，且地下水埋藏较深（黄土台塬区70～90 m），不考虑地下水补给。土壤干容重为1.6 g/cm3，平均田间持水率为22%（质量含水率）。

1.2 试验设计及过程

试验设置4种水分处理，布局完全随机，2 a试验种植时间分别为2020年10月19日、2021年10月17日，其中拔节期为3月上旬至4月上旬，抽穗期为4月中旬至4月下旬，灌浆期为5月上旬至5月中旬。如图1所示，设置4个灌溉等级，灌溉梯度分别为田间持水率的40%～50%（W1）、田间持水率的50%～65%（W2）、田间持水率的65%～80%（W3）、田间持水率的80%～95%（W4），每个处理3次重复，共12块小区，在关键生育期每隔7 d测定各小区土壤水分并灌水。冬小麦品种为陕西中部推广的小偃22号，小区（4 m×4 m）行距为0.25 m。冬小麦采用滴灌系统，且配置有遮雨棚防止降水影响。

图1 试验小区布置Fig.1 Layout of experimental plots

1.3 数据采集

本研究使用的数据集包括：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日获取的地面高光谱、机载高光谱数据以及叶绿素、叶面积、叶片含水率和土壤含水率，共108份样本。2）2021年3月23日、4月8日、4月30日的地面光谱数据和土壤含水率，共36个样本。

1.3.1 遥感数据获取

遥感数据采集时均为晴朗无风、视野良好的天气状况，测定时间为11:00-14:00，包括近地面非成像光谱数据和机载高光谱图像：1）近地面非成像高光谱数据，利用ASD Field Spec 3高光谱仪获取距离小麦冠层20～30 cm的原始光谱反射率数据。每次测量前利用漫反射参考板矫正，每个小区以五点取样法（每个采样点测量3次）测量后将其重采样至450～950 nm（采样间隔4 nm），取其平均值作为该小区代表性光谱反射率。2）机载高光谱图像，采用DJ M300 RTK无人机搭载Cubert S185高光谱镜头采集小麦冠层高光谱影像，飞行高度为25 m，最终获得的图像空间分辨率约为1 cm，光谱范围为450～950 nm（采样间隔为4 nm），取每个小区（400×400 像素）均值作为该小区代表性光谱反射率。

1.3.2 田间数据采集

1）叶绿素

光谱数据采集后在试验小区内随机选取3株具有代表性的小麦，茎叶分离后，通过乙醇提取叶片叶绿素并采用分光光度计法测定提取液在665、649 nm处吸光度，计算植株叶片中叶绿素含量（mg/g）[22]。

式中A649、A665为提取液在665、649 nm处吸光度；FW为叶片鲜质量，g；V为提取液体积，mL；Ca、Cb和C总分别为叶绿素a含量、叶绿素b含量、总叶绿素含量，mg/g。

2）叶面积指数

光谱数据采集后在试验小区内随机选取3株具有代表性的小麦，茎叶分离后通过对照片阈值分割后提取单株叶面积，然后以3株小麦叶面积均值乘以单位面积单茎数（单位面积单茎数是根据关键生育期田间群体样本调查获得）得到叶面积指数[23]。

3）叶片含水率

光谱采样完成后在试验小区内随机选取3株具有代表性的小麦，茎叶分离后，及时测定鲜叶质量。而后将样本放入烘箱在105 ℃杀青30 min，然后在75 ℃烘干至恒质量后测定其干质量。叶片含水率（LWC，g/g）的计算式如下：

式中DW为叶片干质量，g。

4）土壤含水率

采用烘干法测定土壤含水率，光谱采样完成后，及时在每个光谱采样区域中心处取土，取土深度为10、20、30、40、60 cm。及时测量土样湿质量后在105℃下烘干24 h，质量恒定后测量其干质量。根据其前后差值确定质量含水率后乘以土壤干容重计算5个深度的平均体积含水率，作为该小区土壤含水率实测值。

1.3.3 模型的构建与验证

为分析所选波段在地面传感器和机载传感器中的效果，本研究使用2022年采集的地面光谱建立地面土壤含水率监测模型，通过2021年采集的数据验证地面模型精度。并通过K-S算法将2022年测量的机载高光谱图像数据划分为建模集和验证集用于机载模型。2种模型建模与验证集土壤含水率如表1。

表1 冬小麦根域土壤含水率的建模和验证数据统计Table 1 Modeling and validation data statistics of soil moisture content in the root zone of winter wheat

1.4 光谱特征提取

1.4.1 连续小波变换

小波变换包括连续小波变换与离散小波变换2种变体，其中连续小波变换能够提供更多植被光谱中吸收特征的形状与位置信息[24]。本研究利用S-G方法进行光谱数据的平滑滤波后，选取墨西哥帽小波族（小波族中的小波函数为Mexh）[25]对冠层高光谱反射率进行分析。此外，为降低数据运算量共分解8个尺度（21、22、23、……、28）[26]。计算式如下：

式中λ为反射率光谱各波段序号，f(λ)为对应波段的反射率，l1和l2分别为输入反射率光谱的起始和终止波段序号，ψ(λ)为波函数，ψ(a,b)(λ)为平移和缩放后的母小波函数，a为缩放因子，也称为尺度，b为平移因子。WF(a,b)为小波系数，可以看成在尺度a和平移因子为b时母小波函数与反射率的相似度，也可称为小波特征。

1.4.2 变量投影重要性分析

由于通过作物冠层光谱监测根域土壤含水率是通过光谱监测作物生理状态来实现的，因此本研究需要识别对不同生化参数敏感的波段，变量投影重要性（variable importance in the project，SVIP）分析可以通过偏最小二乘回归模型中的SVIP值表征自变量在模型拟合中对因变量的解释能力，较高的SVIP值表示该波长位置对于因变量的解释能力更强，而较低值的波长重要性较小[27]。因此，本研究计算了最优CWT变换尺度下基于叶绿素、叶片含水率、叶面积指数、土壤含水率建模时每个波长光谱特征的VIP值，用以确定对不同生化参数敏感的波长。本研究以SVIP＞1作为筛选原则，按照LI等[28]采用的方法确定对因变量敏感的波段。

1.5 偏最小二乘回归分析

偏最小二乘回归（partial least squares regression，PLSR）可以在建立模型时分解因变量和自变量，实现波段优选和信息集成[29]。为评估所选波段在不同数据集中的效果，本研究通过以对生化参数敏感的波段作为自变量，SMC为因变量来构建PLSR模型，通过模型的精度评估所选波段的适用性。

采用R2、均方根误差（RMSE）评估PLSR模型模拟精度，其计算式见文献[29]。

2 结果与分析

2.1 叶片生化参数对土壤含水率变化的响应

通过比较4种水分处理下冬小麦叶片生化参数的变化可以发现土壤含水率的变化对叶面积指数与叶绿素影响较大，结果如表2所示。

表2 2022年不同水分处理下冬小麦生化参数的变化Table 2 Changes in biochemical parameters of winter wheat under different water treatments in 2022

总体来看（表2），小麦叶片变化趋势与LISAR等[30]的结论基本一致，水分胁迫降低了冬小麦叶片LCC和LAI，同时期W4处理叶绿素含量平均高于W1处理38.4%；叶面积指数高于W1处理124.1%，但叶片水分在不同处理下差异较小，叶片含水率W4处理仅比W1处理平均高5.8%，大多数时期二者差异并不显著。已有研究表明，干旱发生后，缺水会导致植物气孔关闭来降低叶片水分的流失，随后会引起叶绿素水平降低，最终导致植物叶表面积总体降低[31]，与本研究叶片生化参数变化表现一致。

从冬小麦各生育期来看，在拔节期（2月25日、3月28日、4月2日）叶片LCC逐渐升高，到抽穗期（4月13日、4月20日）时基本稳定在2.41～3.27 mg/g，在灌浆期时（5月2日、5月11日、5月16日）略有降低，叶片含水率在拔节到灌浆期基本稳定在0.75 g/g。值得注意的是，冬小麦LAI从拔节到灌浆期呈现先增加后降低的趋势，抽穗后期基本达到最大值，从表2中叶面积指数来看，W1处理在4月13日达到峰值，而W4处理直到4月20日达到最大值，水分胁迫导致叶片提前开始枯萎，冬小麦生育期提前，这与姚宁等[32]的研究结果一致。

2.2 CWT光谱对土壤水分变化的响应

以2022年冬小麦冠层原始反射率（RI光谱）和连续小波变换光谱（CWT光谱）为自变量，对各波段光谱与冬小麦不同生化参数进行了相关性分析，结果如图2所示。为消除正负相关系数的影响，求得其平方值（r2），总体来看，相比于RI光谱，CWT光谱与各生化参数之间的相关性得到了明显提高（图2b～图2e）。

图2 原始光谱（RI）和连续小波变换光谱（CWT）与不同指标之间的相关系数的平方（r2）Fig.2 Square of correlation (r2) between initial spectrum (RI),continuous wavelet transform (CWT) spectrum and different indicators

其中，冠层CWT光谱与土壤含水率之间的相关系数r2由0.46提升至0.61，提升幅度小于叶绿素和叶面积指数。冠层CWT光谱与土壤含水率高相关区域位于450～750 nm，集中于可见光与红边区域；小尺度CWT光谱在730 nm红边位置处与叶绿素有较强的相关性，且强弱相关性边界较为明显；CWT处理后光谱与叶片含水率的相关性提升较小，高相关性区域分布在730以及650 nm附近，分界线并不显著；对于叶面积指数，高相关性区域主要位于近红外区域。前人研究发现，由于低尺度小波分量更适合捕捉窄吸收特性的特征，高尺度分量更适合于定义叶片光谱的整体形态[33]，本研究表明，与冬小麦生化参数以及土壤含水率相关性较高的小波系数均集中于1～4的小尺度，并且随着分解尺度的增加，强相关性区域与弱相关性区域之间的边界逐渐模糊，在7～8的高频尺度中，特征波段基本消失。

2.3 光谱特征的选择

2.3.1 CWT分解尺度的确定

通过原始光谱与CWT光谱建立的土壤水分PLSR监测模型见表3。与RI光谱（验证集R2=0.085）相比，CWT光谱具有更好的监测能力（验证集R2最高为0.379），能够深度挖掘光谱数据中的信息[15]。然而不同分解尺度的CWT光谱估算精度存在明显差异，小尺度CWT光谱建模精度较高但稳定性差，独立验证集R²最高为0.379，随着分解尺度的增加，精度逐渐减小，因此选定CWT-1、2、3、4光谱作为后续波段筛选对象。

表3 基于RI和CWT光谱的土壤水分偏最小二乘回归模型评价Table 3 Evaluation of partial least squares models (PLSR) for SMC based on RI and CWT spectra

2.3.2 基于作物生理参数的敏感特征选择

通过每个波段的SVIP值来选择不同生化参数的敏感波段，图3为不同尺度CWT光谱SVIP值的分布情况，表4为各尺度CWT光谱对不同的生化参数敏感的波段。整体来看，随着尺度增大，特征波段的数量逐渐减少，在CWT-4尺度时，不同指标选择的特征波段位置基本一致，738 nm附近的小波特征相对敏感。此外，各波段小波特征对LWC敏感程度相对较低（SVIP值较低），通过SMC选取的波段集中于750 nm以前，而LCC、LWC、LAI选取的波段在可见光以及近红外均有分布，其中LCC和LAI最大VIP值均位于742 nm附近。

表4 基于VIP-PLSR模型识别的CWT光谱敏感波段Table 4 Sensitive waveband identified by the VIP-PLS model for CWT spectra

图3 进行PLS分析时CWT光谱对4个不同指标的重要性Fig.3 Variable importance in the project (SVIP) of each band in PLSR analysis of 4 different indexes by CWT spectra

2.3.3 地面试验验证

利用PLSR算法，基于SMC、LCC、LWC、LAI选定的小波光谱特征（表4）建立土壤含水率监测模型，通过2022年冬小麦数据建立模型后，使用2021年冬小麦数据集验证所选光谱特征构建的模型在独立数据集的效果，所有模型精度如表5所示，经验证，4类特征最佳模型分别为SMC-CWT2、LCC-CWT1、LWC-CWT3、LAI-CWT1（图4）。结果表明，CWT-1尺度下叶绿素特征构建的模型在2021年独立数据集验证效果相对较好，模型迁移能力强。其中，基于SMC筛选构建的模型验证集R²均低于0.3，而基于CWT1-LCC小波特征光谱建立的土壤含水率模型建模集R²为0.693，RMSE为1.85%，验证集R²为0.541，RMSE为2.42%。

表5 基于近地面非成像数据土壤含水率PLSR模拟性能评价Table 5 PLSR model performance evaluation of soil moisture content based on the ground non-imaging data

图4 基于近地面非成像数据不同特征构建的最优土壤含水率PLSR模拟模型结果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 无人机试验验证

为进一步探索选定的小波特征对反演冬小麦土壤含水率的鲁棒性和实用性，利用72个机载高光谱图像样本构建了基于表4选定小波特征的土壤含水率反演模型，并用36个样本进行验证。结果表明，基于1尺度的3种生理指标小波特征构建的模型效果较好，所选特征在机载平台表现较好，其中通过2尺度叶绿素小波特征构建的土壤含水率反演模型精度最高（表6）。综合2种平台数据来看，选择LCC-CWT1为最佳反演模型，其基于机载成像数据的建模集R²为0.682，RMSE为1.86%，验证集R²为0.687，RMSE为1.92%。图5为基于最佳反演模型估算的土壤水分分布图，其中，W1～W4处理SMC均值分别为17.38%、17.44%、20.31%、21.58%，与试验方案表现出相似的分布特征。

表6 基于机载成像数据的土壤含水率PLSR模拟性能评价Table 6 PLSR model performance evaluation of soil moisture content based on the UAV data

图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 讨 论

3.1 土壤含水率变化对叶片生化参数的影响

当前，通过数据驱动的土壤水分监测模型适用性较差，因此本研究对叶片光谱特性进行分析，尝试提高模型适用性。叶片的光谱特性由叶片水分、色素、干物质等对光的吸收和散射的特性所决定[19]，而作物水分的亏缺会导致叶片在形态结构、颜色、水分等发生变化，因此本研究分析了不同水分处理下叶绿素、叶片含水率、叶面积指数的变化。从表2可以看出，灌水量减少显著降低了冬小麦叶片叶绿素含量和叶面积指数，而叶片含水率在不同水分处理下只有微弱的差异，这可能与叶片气孔关闭有关。土壤水分降低导致作物受旱后，气孔关闭是植物对水分亏缺的第一反应，通过关闭叶片气孔可以有效降低蒸腾速率，防止叶片水分流失[30]。其中气孔的关闭导致了小麦光合作用的降低，严重影响其生长，导致叶面积的减少，但其通过生长与生存的平衡，有效降低了叶片水分减少，这与本试验实测冬小麦生化参数所表现的规律一致（表2）。

对于叶绿素来说，水分胁迫会抑制叶绿素的合成[30,34]，因此随着灌水量的降低，叶绿素与叶面积显著降低。此外，相比于绝对含水率，干旱对昼夜叶片水势和相对含水量的影响更大[35]，叶片水分容易受环境温度影响以及由于小麦自身的调控机制导致各处理梯度并不明显。同时，冬小麦叶面积随水分胁迫时间的增加，不同处理间的差异逐渐增大，由于水分胁迫导致冬小麦加速衰老[36]，叶面积提前达到了极值，其中在2022年4月13日（抽穗期）时低水分处理W1、W2叶面积已经达到了峰值，而高水分处理W3、W4其叶面积仍在升高。对3种生化参数的比较表明，土壤含水率的变化对冬小麦叶片叶绿素与叶面积的影响更显著。

3.2 连续小波变换对光谱的影响

为增强叶片光谱特性，突出叶片生化参数对光谱的响应，本研究分析了连续小波变换对光谱的影响。小波系数可以反映特定尺度与特定波长位置上小波基函数与冠层光谱反射率光谱之间的相似性，可以有效突出生化参数在不同波段的不同吸收强度所引起的光谱变化[15]。而且与反射率光谱相比，本研究发现小波特征光谱与土壤水分的相关性更高。另外，已有研究表明作物生化参数的变化更容易被低尺度小波特征捕捉到，而本研究也发现小波特征与作物生化参数的相关性更强且强相关区域均位于小尺度小波光谱（图2）。因此这种情况可以看作是由于小波变换可以有效地反映作物生化参数的改变，从而间接增强了光谱与土壤水分之间的联系。

经过连续小波变换处理后，光谱与叶绿素以及叶面积指数之间的关系提升幅度较大，在720～740 nm的红边位置存在强相关性。这是由于叶片内部的多次散射导致绿色植物在680～750 nm处反射率迅速增加，该处是植物光谱最明显的光谱特征之一，是描述植物健康程度的重要波段[37]。WANG等[38]使用mexh函数作为波基函数，发现位于720～740 nm的小波特征能够有效评估叶绿素浓度，这与本研究结果一致。此外，LAI被用于表征单位水平地面植被叶面积的多少，所以当LAI增加时，由于叶片对光线起到了一定的拦截作用，植被冠层光谱受土壤影响降低，植物光谱特征会得到加强，因此对叶面积敏感的小波特征位于红边区域。

连续小波变换对叶片水分与光谱之间相关性提升较小，这可能是由于本研究采集的田间冠层光谱受外界环境影响较大，再加上由于冬小麦自身对干旱胁迫的调控，各处理中叶片含水率差距较微弱，对田间光谱的影响变得更加微弱。此外本研究为匹配机载高光谱图像数据选取450～950 nm范围光谱进行研究，而有关的研究表明在1 300～2 500 nm的小波特征可以捕捉水分引起的叶片反射光谱形状振幅的变化[16]，本研究中所用波长范围仅包括少量近红外波段，因此连续小波变换后光谱与叶片水分相关性的提升较弱，但显著提高了与叶面积和叶绿素的相关性。

3.3 不同小波特征的效果分析

土壤水分对冬小麦叶片不同生化参数的影响程度不同，为确定最佳土壤含水率监测光谱特征，本研究比较了不同尺度下多种小波特征变量构建土壤水分监测模型的效果。

从分解尺度的大小来看，相比原始反射率光谱，低频小波特征构建的全波段SMC监测模型效果略有提高但总体较差（表3），而1～2尺度的小波特征在经过生化参数筛选后建立的土壤含水率监测模型在精度与稳定性上得到了提升（表5、表6）。对于近地面非成像数据来说，可能是因为低频小波特征突出了作物色素的吸收特征，通过色素对土壤水分的响应来间接反映了作物土壤含水率大小，因此通过小尺度小波特征建立的模型有更高的精度。但由于叶片水分引起的光谱变化主要位于1 300～2 500 nm，因此在基于LWC驱动构建的土壤含水率监测模型中近地面模型倾向于可以描述光谱整体变化的中低频小波特征（尺度3）；而机载成像数据由于距离冠层较远，尺度大且混杂了部分土壤光谱特征，此时低频小波特征可能在一定程度上反映了土壤水含水率，因此生化参数驱动的机载模型均倾向于小尺度小波特征。

从特征变量的选取方法来看，通过叶绿素小波特征来建立土壤含水率监测模型，其精度以及鲁棒性表现最好。由于作物缺水会引起叶片在空间的伸展姿态、内部的形态结构、颜色、厚度等发生一系列的变化从而引起叶片及冠层光谱反射率特性的变化[31,39]，利用作物光谱特性对土壤水分进行监测本质上是通过监测作物在不同水分条件下的生理状态实现的，仅分析作物冠层光谱与土壤含水率之间的数学关系选定的特征变量仅适用于特定数据集，因此，基于SMC驱动选择的特征在不同数据集中表现不稳定。而通过对作物生化参数敏感的小波特征来构建的模型中，LWC特征以及LAI特征表现均弱于LCC特征，这与植物光学特性以及自身的调控机制有关，冬小麦在干旱情况下叶片含水量降低，为降低水分蒸散发，叶片气孔关闭，减少叶绿素的合成，叶面积减小并卷曲下垂，以换取作物的存活[30,39]，在这个过程中，由于冬小麦受到水分胁迫导致其生育期提前，下层叶片提前开始枯萎[40]，导致土壤水分没有降低，总叶面积依然存在下降趋势，而叶片水分的变化并不显著，且对光谱的影响主要体现在吸水波长位置（短波红外区域），不足以显著表现在450～950 nm范围光谱中，这影响了LWC与LAI在不同生育期的适用性。而对于叶片叶绿素来说，水分的缺失会影响叶绿素的合成，且实测LCC在拔节期后各处理均较为稳定，干旱导致生育期的提前对于冠层叶绿素影响较小，并且低频小波特征突出了色素的吸收特征，这增强了光谱与叶绿素之间的关系，因此基于LCC特征构建的模型适用性较强。REN等[12]的研究也表明光谱的红边参数可以用于监测冬小麦在返青-成熟阶段的水分胁迫；而在植被反射率光谱曲线中，红边是最明显的光谱特征之一，是描述植被叶绿素状态的重要指示波段[15]，可见通过叶绿素来反映冬小麦水分胁迫具有优势，因此使用叶绿素小波特征构建土壤含水率监测模型，能够有效提高模型的鲁棒性。

综上所述，本研究通过探讨作物光谱与生化参数对土壤含水率变化的响应构建了不同的SMC反演模型，对低空遥感检测土壤含水率的模型进行了一定的探索。但本研究仅结合光谱特征与叶绿素对反演模型进行了优化，仅考虑光谱维度数据未能充分体现叶片水分、叶面积对土壤水分变化的响应，模型有待进一步完善。因此，后续的研究工作将着手于结合多源遥感数据从多角度优化SMC反演模型，为作物旱情监测提供可行方案。

4 结 论

目前通过植物冠层光谱反演土壤含水率模型适用性较差。为了提高模型适用性、选择合适的光谱特征，本研究探讨了作物生化参数对土壤水分的响应，提取了对作物不同生化参数敏感的小波特征，基于不同特征变量建立了土壤含水率偏最小二乘回归监测模型。结果表明：

1） 土壤含水率变化显著影响了小麦叶绿素和叶面积，从而导致了冬小麦冠层光谱的变化。

2） 小尺度连续小波变换可以增强作物冠层光谱与作物土壤含水率之间的联系，最佳变换尺度为1（相关系数的平方为0.61），相较于原始光谱提升0.15。

3） 选择对作物生化参数敏感的小波特征构建成像与非成像土壤含水率监测模型具有更好的适用性，可用于多尺度、多生育期数据。小尺度下连续小波变换叶绿素特征构建的地面非成像与机载成像数据土壤含水率监测模型精度最高，综合两类平台数据来看，基于1尺度叶绿素小波特征构建的模型效果最好，其在独立非成像数据集验证中R2为0.541，均方根误差为2.42%，在成像数据集验证中R2为0.687，均方根误差为1.92%。