基于无人机高光谱棉田土壤含水量反演研究

许 将，徐凯磊，翟 铄，藏宇晨

（中煤航测遥感集团有限公司，陕西西安 710199）

0 引言

土壤水分含量是描述地气能量变换和水循环的重要因素，也是研究地表植被生长发育条件的关键变量［1］。由于高光谱影像数据难以获取，目前土壤水分高光谱遥感监测方法多数是建立实测土壤光谱反射率及其数学变换形式与土壤水分数学关系进行定量反演监测［2-5］。随着无人机平台及无人机载高光谱成像设备的研发，解决了高光谱影像数据获取的问题。由于影像数据获取的是地表的信息，多数存在植被覆盖土壤信息的情况，而植被覆盖下的土壤水分遥感监测一直是遥感技术研究的热点和难点。刘万侠、周鹏等均基于雷达数据，利用水-云模型去除植被影响，建立不同极化后向散射系数与土壤含水量之间的关系，开展各自研究区土壤水分遥感监测研究工作［6-7］；詹志明等分析土壤水分在ETM＋的Nir-Red 光谱特征空间的分布规律，提出了基于Nir-Red 光谱特征空间的土壤水分监测模型［8］，吴春雷等则是在光谱特征分析基础上，提出了PDI 改进指数植被调整垂直干旱指数（VAPDI）对研究区进行土壤水分监测［1］；此外还有许多专家学者利用植被指数和温度干旱植被指数开展植被覆盖区土壤水分遥感监测研究。

综上所述，目前利用植被光谱特征开展土壤水分高光谱遥感监测研究工作尚少，而将地面研究成果与航天/空遥感数据相结合，实现遥感监测天-地一体化的研究工作就更少。本文利用大疆M600 PRO 无人机搭载Gaiasky-mini 高光谱成像采集系统，获取兵团农六师共青团农场现代农业园区示范园整块棉田高光谱遥感影像数据，并同步开展地面采样测试工作，分析土壤含水量与棉花叶片光谱特征关系，构建地面实测光谱曲线土壤水分监测模型，开展无人机高光谱数据模型优化研究工作，为无人机高光谱遥感技术在精准农业中的应用提供思路和方法。

1 材料与方法

1.1 研究区概况

共青团农场地处天山北麓，准噶尔盆地南缘，昌吉州境内，三屯河流域下游。农场地处欧亚大陆腹地，属温带半荒漠气候，干旱少雨，无霜期短，日照充足，昼夜温差大，光热资源丰富。现代农业园区位于共青团农场东片西部，甘莫公路两侧，南北长7.50km，东西宽6.60km，面积45.4 km2（图1）。

图1 研究区地理位置Figure 1 Geographical position of study area

1.2 高光谱数据采集及预处理

1.2.1 无人机高光谱数据采集

2022 年9 月利用无人机搭载高光谱成像仪，获取了兵团农六师共青团农场现代农业园区示范园整块棉田无人机高光谱影像数据，飞行期间天气晴朗无云，飞行时间为中午13：00—15：00，航向重叠度60%，旁向重叠度40%。

1.2.2 地面高光谱数据采集

土壤和叶片反射率测定采用ASD FieldSpec4 光谱仪在室内进行采集，光谱采集时，将样品放置于黑色平板上，采用8°视场角探头，探头置于样品表面20cm 的垂直上方，先对白板进行校正，获取绝对反射率，并在保证目标与参考白板之间对应相同的光照条件下，每个样品采集5次，取平均值作为该样品的光谱曲线。

1.2.3 光谱数据预处理

为了消除光谱曲线噪音可能引起的误差，利用ENVI 软件自带Boxcar Average 进行光谱平滑处理。为了减少物理环境因素的影响，提高光谱灵敏度，对平滑后的光谱进行一阶微分、倒数对数一阶微分变换，用于遥感分析建模。

1.3 模型构建与检验

偏最小二乘回归方法（PLSR）是Wold 和Albano于1983 年提出的一种新型的多元统计分析方法。它集多元线性回归分析、主成分分析和典型相关分析的基本功能为一体，可以较好地解决以往用普通多元线性回归分析方法无法解决的问题［9］。特别是当自变量集合内部存在较高程度的相关性时，其结论比普通多元回归更加可靠。它通过提取概括原数据信息的综合变量（新成分），建立新变量与因变量的回归关系，最后再表达成原变量的回归方程。

PLSR 算法建模的思想是给出一对数据矩阵X和Y，X为输入自变量矩阵，Y为输出因变量矩阵［10］，形式如下：

其中：n是样本数；p和q分别代表自变量和因变量的个数。该算法大体可以分为以下3个步骤：

1）将数据矩阵X 和Y 标准化处理得到E0和F0。E0为矩阵X 经过标准化后的矩阵，F0为矩阵Y 经过标准化后的矩阵。

式（2）为标准化处理公式，其中是xj的均值；Sxj是xj的标准差；是yj的均值；Syj是yj的标准差；x＊ij是xij经过标准化处理后的值，yi＊j是yij经过标准化处理后的值，标准化矩阵形式如式（3）所示。

2）提取E0和F0的主成分t1和u1，式（4）为主成分的基本形式和计算方法，其中w1和c1分别为E0和F0的第一个轴，此处要求t1和u1能够很好地代表数据矩阵X 和Y 中的变异信息，式（5）为其约束条件，其中Cov（t1，u1）、Var（t1）、Var（u1）、r（t1，u1）分别代表t1和u1的协方差、方差和相关度，s.t.表示约定条件。推导可得w1是矩阵ET0F0FT0E0最大特征值对应的特征向量，c1是矩阵FT0E0ET0F0最大特征值对应的特征向量。

3）构建回归方程。如若达到精度，算法结束；否则就利用X 和Y 被t1解释后的残余信息进行第二轮成分提取，循环至方程精度最高时为止。假设最终提取了m 个成分t1，t2，…，tm，则PLSR 就是通过施行yk对t1，t2，…，tm的回归，其中k= 1，2，…，q然后再表达成yk关于原自变量x1，x2，…，xp的回归方程。

将25 个样本随机选取18 个样本用来构建模型，7 个用来验证模型。模型精度通过决定系数（R2）、均方根误差（RMSE）两个参数进行检验，模型的决定系数介于0～1，决定系数越大，模型精度越高，均方根误差越小，模型预测能力越强，精度越高。

2 结果分析

2.1 地面棉花叶片光谱特征及其与土壤含水量与相关性分析

土壤含水量与叶片反射率相关性曲线在550nm及750nm 附近呈反射峰，相关系数绝对最大值为0.41；叶片反射率经过不同形式数学变换后，与土壤含水量的相关性有了一定提高，两种变换结果与土壤含水量的相关性曲线形态镜像相似，存在两个负相关和两个正相关波段区间，其中，土壤含水量与反射率一阶微分相关系数绝对最大值为0.69，与反射率倒数对数之一阶微分相关系数绝对最大值为0.68。植被指数是植被光谱特征重要表现形式，利用植被光谱特征进行波段组合，将计算获得的不同植被指数与土壤含水量进行相关性分析，表明土壤含水量与常规植被指数存在明显的正相关性。且与500～670nm 范围内反射率变化趋势存在更高的相关性，在该波段范围内构建的比值植被指数与土壤含水量相关系数达0.80。

2.2 地面高光谱数据土壤含水量反演模型构建和检验

依据土壤含水量与植被光谱特征相关性分析结果，选择反射率变换形式与土壤含水量相关系数绝对最大值对应的波段、常规归一化植被指数（NDVI）、修正的土壤调节植被指数（OSAVI）、归一化植被指数（NDVI（620670））、比值植被指数（SR（620/670））构建土壤水分线性回归模型（表1），利用验证样本对模型进行检验，如表2、图2 所示，新构建植被指数构建的模型精度优于常规植被指数及反射率变换形式所构建的模型；所有模型验证结果显示验证样本接近1∶1 线，个别验证样品偏离1∶1 线。

表1 地面高光谱数据土壤含水量回归模型Table 1 Regression model of soil moisture content from ground hyperspectral data

表2 无人机高光谱数据土壤含水量回归模型Table 2 Regression model of soil moisture content from UAV hyperspectral data

图2 地面高光谱土壤含水量回归模型验证结果Figure 2 Results of soil moisture regression model validation from ground hyperspectral data

由于光谱数据各波段以及波段组合存在高度相关性，且建模样本点相对较少，故将土壤含水量作为因变量，选择线性回归模型中的光谱指标作为自变量，利用SIMCA-P 软件构建土壤含水量的偏最小二乘回归模型［11］，结合表2、图2，偏最小二乘回归模型建模集和验证集的决定系数和均方根误差指标均优于线性回归模型，验证样本与1∶1 线接近程度最高。

2.3 基于无人机高光谱数据土壤含水量反演模型构建和检验

采集25 个调查点对应的无人机高光谱影像上光谱曲线数据，兼顾模型优化校正目的，计算光谱反射率及其数学变换结果以及NDVI、OSAVI、NDVI（620/670）、SR（620670）植被指数，分析上述光谱指标与土壤含水量相关性，结果表明：土壤含水量与高光谱影像数据植被指数呈正相关，与常规植被指数OSAVI 的相关性达0.68，与新构建比值植被指数SR（620/670）达0.72，这与地面光谱数据分析结果较一致；而高光谱影像数据光谱反射率及其数学变换结果与土壤含水量相关性分析结果与地面实测光谱数据分析结果存在较大差异，整体相关性均有所降低，且相关性最高对应的波段位置较实测光谱数据发生变化，说明两种数据源在光谱特征细节上存在差异。依据高光谱影像数据与土壤含水量相关性分析结果，选择植被指数构建无人机高光谱数据土壤含水量线性回归、偏最小二乘模型，并利用验证样本对模型进行检验。验证结果显示，常规植被指数NDVI 模型验证样本偏离1∶1 线程度最高，其他模型验证样本偏离1∶1 线程度接近。结合表1、表2 和图2、图3，认为无人机高光谱数据构建土壤含水量模型精度较地面高光谱数据构建模型精度差。

图3 无人机高光谱土壤含水量回归模型验证结果Figure 3 Results of soil moisture regression model validation from UAV hyperspectral data

2.4 无人机高光谱数据土壤含水量模型优化校正

为了实现地面研究成果与航天/空遥感数据相结合，提高无人机高光谱模型精度，利用地面光谱数据对无人机高光谱数据模型成果进行优化校正。由于两种数据源构建的植被指数存在高度相关性（图4、图5），其中，常规植被指数NDVI 和OSAVI 相关系数均为0.90，而新构建的NDVI 和SR 相关系数均为0.86，建立两种数据源同一植被指数之间的数学关系，将无人机高光谱数据土壤含水量模型（不包括偏最小二乘模型）进行优化校正。将土壤含水量实测值与各模型反演值作对比分析（图6），各模型土壤含水量反演值与实测值分布趋势整体一致，个别点存在明显差异；地面实测高光模型反演数据与无人机高光谱模型反演数据分布趋势一致性高于各自反演值与实测值的趋势一致性，而无人机高光模型优化校正后，提高了与地面高光谱模型反演值的一致性。利用验证集对优化后无人机高光谱土壤含水量模型进行验证，结果显示NDVI 指数构建模型的R2由0.55 提升到0.79，RMSE 由0.015 2 提升到0.011 7；OSAVI 指数构建模型的R2由0.63 提升到0.67，RMSE 由0.013 8 提升到0.012 8；SR（620/670）指数构建模型的R2由0.62 提升到0.68，RMSE由0.013 5 提升到0.011 8；NDVI（620/670）指数构建模型的R2由0.62 提升到0.69，RMSE 由0.014 8 提升到0.011 8，说明经过模型优化校正后的无人机高光谱土壤含水量反演精度得到提高。

图4 棉田两种数据源同一调查点NDVI值分布对比趋势图Figure 4 Comparison trend chart of NDVI value distribution at the same survey point from two data sources in cotton fields

图5 棉田两种数据源同一调查点SR值分布对比趋势图Figure 5 Comparison trend chart of SR value distribution at the same survey point from two data sources in cotton fields

图6 土壤含水量实测值与各模型反演值对比分析Figure 6 Comparison between the measured data and and inversion data of different model of soil moisture

3 结论

本文基于地面高光谱数据和无人机高光谱数据，分析棉花叶片光谱特征与土壤含水量相关性，采用偏最小二乘模型法构建土壤含水量反演模型，并实现无人机高光谱土壤含水量反演模型校正优化研究，得出如下结论：

1）综合分析不同土壤含水量棉花叶片光谱特征并计算相应植被指数，发现植被指数与土壤含水量呈明显正相关，且土壤含水量与500～670nm 范围内新构建植被指数存在更高相关性。

2）基于偏最小二乘模型构建无人机高光谱和地面光谱土壤含水量反演模型，结果显示地面高光谱土壤含水量反演模型反演精度优于无人机高光谱土壤含水量反演模型反演精度。

3）利用地面高光谱数据对无人机高光谱数据模型进行优化校正。经验证，校正后无人机高光谱土壤含水量估算精度得到有效提高，弥补单一数据源在土壤含水量反演方面的不足。