基于無人機(jī)多光譜遙感的土壤含水率反演研究

張智韜 王海峰 韓文霆 邊 江 陳碩博 崔 婷

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100； 3.西北農(nóng)林科技大學(xué)水土保持研究所， 陜西楊凌 712100)

0 引言

土壤含水率作為農(nóng)作物墑情監(jiān)測和判斷的一個(gè)重要指標(biāo)，對其進(jìn)行實(shí)時(shí)、準(zhǔn)確的監(jiān)測，有利于提升農(nóng)作物灌溉管理水平和提高水資源利用效率，促進(jìn)農(nóng)業(yè)節(jié)水灌溉的進(jìn)一步發(fā)展，也可以進(jìn)一步研究地表能量在顯熱和潛熱分配以及水循環(huán)等方面的問題[1]。目前，傳統(tǒng)的衛(wèi)星遙感監(jiān)測技術(shù)在一定程度上實(shí)現(xiàn)了對土壤墑情的大面積快速監(jiān)測[2-5]，但仍存在時(shí)效性差、成本高、精度較低等問題。而靈活性高、成本低、操作簡便的無人機(jī)與遙感技術(shù)相結(jié)合[6]，即無人機(jī)遙感(UAV remote sensing, UAVRS)，彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感時(shí)效性差的不足，并具有分辨率高和抗干擾性強(qiáng)的優(yōu)點(diǎn)[7-8]，為精準(zhǔn)農(nóng)業(yè)的進(jìn)一步發(fā)展提供了技術(shù)支持。

國外學(xué)者在農(nóng)用無人機(jī)遙感應(yīng)用方面起步較早，并已取得了顯著的成果。MARTINEZ等[9]、HOFFMANN等[10-11]利用無人機(jī)熱紅外成像儀，準(zhǔn)確獲取了田間作物的冠層溫度，從而由作物水分脅迫指數(shù)反演土壤含水率，并對田間蒸散發(fā)進(jìn)行了有效的評估。HASSAN-ESFAHANI等[12]對機(jī)載高光譜相機(jī)獲得的遙感數(shù)據(jù)進(jìn)行人工神經(jīng)網(wǎng)絡(luò)算法，精確反演了土壤表層含水率(相關(guān)系數(shù)達(dá)到0.88)。ACEVO-HERRERA等[13]通過開發(fā)一種基于L波段的機(jī)載輻射計(jì)，將土壤含水率的反演誤差限制在1%～6%之間。GAMBA等[14]研制了一種抗干擾性更強(qiáng)的無人機(jī)GNSS雷達(dá)，并將其應(yīng)用到農(nóng)情監(jiān)測。MATESE等[15]在無人機(jī)遙感農(nóng)業(yè)經(jīng)濟(jì)適用性評估方面進(jìn)行了細(xì)致的對比工作。國內(nèi)近幾年來，通過無人機(jī)搭載高光譜相機(jī)[16-18]、多光譜相機(jī)[19-20]、熱紅外相機(jī)[21-22]和可見光相機(jī)[23-25]，在農(nóng)情監(jiān)測和信息提取方面已取得較多的成果。但目前基于無人機(jī)遙感對裸土土壤含水率和最佳監(jiān)測深度的研究還未見報(bào)道，缺乏無人機(jī)遙感對土壤含水率的反演預(yù)測模型。

本文以關(guān)中平原楊凌地區(qū)為研究區(qū)域，通過野外土壤采樣、室內(nèi)理化分析、光譜采集與處理等一系列工作，嘗試對土壤6個(gè)波段反射率與含水率之間建立不同的回歸方程，分析不同回歸方程與土壤含水率的相關(guān)性，并對模型進(jìn)行精度評定，得出反演土壤含水率的最佳回歸方法和最佳監(jiān)測深度。

1 試驗(yàn)材料與方法

1.1 研究區(qū)概況

試驗(yàn)在西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室的灌溉試驗(yàn)站(108°24′E，34°18′N，海拔521 m)進(jìn)行。試驗(yàn)站位于陜西省關(guān)中平原的楊凌區(qū)，該地區(qū)地處暖溫帶，屬大陸性季風(fēng)氣候，年平均氣溫在10℃左右，多年平均降雨量為663 mm，年均蒸發(fā)量884 mm。土壤類型為典型的塿土。

1.2 試驗(yàn)材料

試驗(yàn)土壤取自楊凌渭河三級階地，在0～30 cm均勻采樣后用塑料袋密封帶回實(shí)驗(yàn)室供試。測得土壤容重為1.36 g/cm3，初始質(zhì)量含水率為13.5%，pH值7.46，有機(jī)質(zhì)含量10 g/kg，含鹽量0.52 g/kg。為使試驗(yàn)樣品水分含量精確配置，將采樣土壤曬干、碾壓、混合后過2 mm篩網(wǎng)制成試驗(yàn)土樣。充分混勻后裝入直徑約16 cm，高度約11 cm的花盆中，配成質(zhì)量含水率θp為3%～30%、梯度約為3%、高度分別為5 cm和10 cm的樣品共60個(gè)。配好后用精度為0.01 g的電子秤稱取并記錄每一個(gè)花盆土壤樣本的質(zhì)量。將含水率梯度依次遞減的土樣進(jìn)行編號為1～10。其中隨機(jī)選取2/3的樣本為建模集，1/3的樣本為驗(yàn)證集。密封放置24 h，使水分在土壤中均勻擴(kuò)散。

1.3 數(shù)據(jù)獲取

試驗(yàn)在2017年3月29日、3月30日、3月31日于田間空地進(jìn)行，試驗(yàn)現(xiàn)場如圖1所示。用深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯M600型多旋翼無人機(jī)，搭載美國Tetracam公司生產(chǎn)的Micro-MCA型多光譜相機(jī)(每個(gè)波段配備1.3M像素CMOS傳感器，每張圖像分辨率為1 280像素×1 024像素)，如圖2所示，共采集6種不同波長土樣光譜：490 nm(藍(lán)光)、550 nm(綠光)、680 nm(紅光)、720 nm(近紅外)、800 nm(近紅外)、900 nm(近紅外)。飛行高度經(jīng)多次試飛后選定為6 m，拍攝時(shí)間選為15：00，每次拍攝前操控?zé)o人機(jī)飛至土樣上方懸停5～10 s，待機(jī)身穩(wěn)定后進(jìn)行拍攝，保證獲取圖像的質(zhì)量，圖3為獲取的多光譜影像。采集光譜前用標(biāo)準(zhǔn)白板進(jìn)行標(biāo)定，每次試驗(yàn)均進(jìn)行3～4次，對光譜進(jìn)行算術(shù)平均以減小隨機(jī)誤差。每次拍攝完成后，立即通過稱量法來計(jì)算每一個(gè)花盆土樣的整體質(zhì)量含水率θw。稱量后取每個(gè)花盆土樣的表層土(深度約1 cm)30 g左右裝入鋁盒帶回實(shí)驗(yàn)室，在105℃、24 h恒溫條件下用干燥法測得表層土質(zhì)量含水率θm。θm的計(jì)算式為

(1)

式中W1——濕土加鋁盒質(zhì)量

W2——干土加鋁盒質(zhì)量

W3——空鋁盒質(zhì)量

圖1 無人機(jī)拍攝試驗(yàn)現(xiàn)場Fig.1 Unmanned aerial vehicle shooting test site

圖2 無人機(jī)及多光譜相機(jī)Fig.2 Unmanned aerial vehicle and multispectral camera

圖3 土樣R、G、B波段合成的真彩色影像Fig.3 Real color images synthesized using R, G, and B bands of soil samples

1.4 遙感圖像預(yù)處理與波段反射率提取

將無人機(jī)獲得的遙感圖像通過相機(jī)自帶的PixelWrench2軟件進(jìn)行預(yù)處理，先把拍攝的6個(gè)波段散亂的原始RAW遙感圖像在軟件中進(jìn)行合成，合成得到多頁TIF格式的圖片，再通過Tif Export Tool將其轉(zhuǎn)換為單頁TIF格式。將處理好的圖像輸入到圖像處理軟件ENVI5.1中進(jìn)一步處理，先進(jìn)行興趣區(qū)(Region of interest, ROI)的構(gòu)建，再根據(jù)花盆的邊緣陰影適當(dāng)調(diào)整ROI的大小，避免受到陰影的影響，如圖4所示。因?yàn)樵诠庾V采集過程中不可避免地受到測試環(huán)境、儀器本身、雜散光等因素的影響，所以以ROI范圍內(nèi)土樣的平均反射光譜作為該土樣的反射光譜來減小隨機(jī)誤差，以保證獲取光譜反射的準(zhǔn)確性。根據(jù)標(biāo)準(zhǔn)白板(反射率100%)的光譜計(jì)算得到各花盆土樣6個(gè)波段處的光譜反射率。

圖4 花盆土樣興趣區(qū)ROI的構(gòu)建Fig.4 Construction of interest area ROI of flowerpot soil sample

1.5 回歸方法

由于常規(guī)的最小二乘回歸法難以克服變量間的多重共線性，而各土壤反射波段間可能存在共線性，所以采用具有較好魯棒性[26]的偏最小二乘法。同時(shí)考慮到在6個(gè)波段中，土壤含水率的變化對有些波段影響較強(qiáng)，對有些波段影響較弱，所以采用逐步回歸法對6個(gè)波段變量集進(jìn)行篩選，從中選出最優(yōu)回歸子集，變量入選和剔除的顯著水平分別設(shè)為0.10和0.15，從而可以選出最主要的影響因素[27-28]。嶺回歸方法是1970年HOERL和KENNARD針對最小二乘法估計(jì)回歸系數(shù)時(shí)無法解決正規(guī)方程組系數(shù)矩陣奇異的情況而提出的，是一種改進(jìn)的最小二乘估計(jì)。同時(shí)，通過剔除嶺跡圖上標(biāo)準(zhǔn)化回歸系數(shù)較穩(wěn)定且絕對值很小的自變量、嶺回歸系數(shù)不穩(wěn)定且趨于零的自變量以及嶺回歸系數(shù)很不穩(wěn)定的自變量，從而實(shí)現(xiàn)選擇變量，消減波段之間相關(guān)性的目的[29-30]。所以，研究分別采用偏最小二乘回歸、逐步回歸和嶺回歸方法，建立土壤4組含水率與6個(gè)波段反射率的回歸模型，并對模型進(jìn)行精度分析。

2 結(jié)果與分析

2.1 土壤含水率與多波段光譜特征分析

對不同深度，同一含水率梯度下的土樣光譜反射率取平均，獲得3 d內(nèi)土樣光譜反射率隨含水率的變化曲線如圖5所示，其中波段1～6分別對應(yīng)波長為490、550、680、720、800、900 nm的6個(gè)波段。

圖5 土樣光譜反射率隨含水率變化關(guān)系曲線Fig.5 Relationship curves of soil spectral reflectance with moisture content

由圖5可以看出，每天15：00的土壤光譜反射率均隨著含水率梯度減小而增大，6個(gè)波段反射率在3月29日、3月30日和3月31日的最大變化幅度分別在0.14～0.27、0.13～0.28和0.10～0.18之間。并且隨著土壤含水率的下降，各個(gè)波段的最低反射率均有一定的上升，同時(shí)各波段反射率變幅也在減小。波段3(紅光波段)和波段1(藍(lán)光波段)的反射率在各含水率梯度下均為最高和最低。這與一些成果理論相符合[31-33]。

2.2 多重共線性分析

多元回歸分析方法是處理多變量間相依關(guān)系的統(tǒng)計(jì)方法，在數(shù)理統(tǒng)計(jì)領(lǐng)域中有著廣泛的應(yīng)用。但在實(shí)際應(yīng)用中，若忽視自變量間的近似線性關(guān)系則可能會使得回歸方程不穩(wěn)定，有些自變量對因變量影響的顯著性被隱蔽起來，某些回歸系數(shù)的符號與實(shí)際意義不相符合等[34-35]。所以在將6個(gè)波段反射率因素與土壤濕度進(jìn)行多元回歸分析前，有必要對各個(gè)波段之間進(jìn)行共線性診斷，選用相關(guān)系數(shù)矩陣和方差膨脹因子(VIF)兩種方法來綜合評估6個(gè)波段之間線性關(guān)系的強(qiáng)弱。

2.2.1相關(guān)系數(shù)矩陣

通過統(tǒng)計(jì)分析軟件SPSS 22.0對厚度為5 cm和10 cm的花盆土樣采集的光譜反射率數(shù)據(jù)分別進(jìn)行相關(guān)系數(shù)矩陣分析，結(jié)果見表1和表2。

當(dāng)2個(gè)變量的相關(guān)系數(shù)R越接近于1時(shí)，2個(gè)變量間的線性關(guān)系越強(qiáng)。其中，相關(guān)系數(shù)超過0.9的變量在分析時(shí)將會存在共線性問題，在0.8以上可能會有問題[35]。這種方法簡單直觀，但只能對共線性作初步的判斷，并不全面，并且僅限于判斷2個(gè)變量間的共線性問題，對多個(gè)變量間的共線性關(guān)系無能為力。由相關(guān)系數(shù)矩陣可以很直觀地看出，6個(gè)波段之間的相關(guān)系數(shù)R絕大部分都大于0.8，可以證明6個(gè)波段之間有較強(qiáng)的共線性，為進(jìn)一步說明共線性問題，采用方差膨脹因子VIF來表征其嚴(yán)重性。

表1 5 cm厚度花盆土樣光譜相關(guān)系數(shù)矩陣Tab.1 Spectral correlation coefficient matrix of 5 cm thickness flowerpot soil sample

表2 10 cm厚度花盆土樣光譜相關(guān)系數(shù)矩陣Tab.2 Spectral correlation coefficient matrix of 10 cm thickness flowerpot soil sample

2.2.2方差膨脹因子

通過統(tǒng)計(jì)分析軟件SPSS 22.0對2種土樣的光譜反射率數(shù)據(jù)進(jìn)行方差膨脹因子分析，結(jié)果見表3。

表3 花盆土樣光譜方差膨脹因子VIF統(tǒng)計(jì)Tab.3 Spectral variance expansion factor VIF statistics of flowerpot soil samples

一般建議，當(dāng)某個(gè)自變量的VIF大于10時(shí)，則表明該變量與其他自變量間有很強(qiáng)的共線性問題[35]，所以由方差膨脹因子VIF統(tǒng)計(jì)表中可以明顯得出，只有10 cm深度第6波段的VIF小于10，其他波段的VIF都遠(yuǎn)大于10。所以進(jìn)一步說明了6個(gè)波段間具有嚴(yán)重的多重共線性問題。在本研究中，若采用最小二乘法建立回歸模型，則嚴(yán)重的共線性問題會使回歸系數(shù)的估計(jì)值對樣本數(shù)據(jù)的微小變化變得異常敏感，使得模型穩(wěn)定性變得很差。同時(shí)，回歸模型的預(yù)測精度也會大大降低。所以為了消除多重共線性給回歸模型帶來的不良影響，本研究采用了3種可以有效解決多重共線性問題的回歸方法：偏最小二乘法、逐步回歸法和嶺回歸法。

2.3 回歸模型

采用SPSS 22.0和DPS 7.05統(tǒng)計(jì)分析軟件，以3月29日—31日3 d采集數(shù)據(jù)中的2/3樣本進(jìn)行回歸建模，1/3樣本用來驗(yàn)證模型的精度。其中5 cm深度和10 cm深度的花盆土樣每個(gè)含水率均為60個(gè)樣本建模，30個(gè)樣本驗(yàn)證(表4)。3種回歸模型、相關(guān)系數(shù)和檢驗(yàn)值如表5所示。

由表5可以得出，3種回歸模型在反演4種花盆土壤含水率擬合方程的顯著性檢驗(yàn)都具有統(tǒng)計(jì)學(xué)意義(P<0.01)，且均表現(xiàn)為極顯著。但是不同的回歸模型表現(xiàn)出了一定的差異。其中，逐步回歸模型決定系數(shù)高于其他2種模型。對偏最小二乘法和嶺回歸法進(jìn)行比較得出，在反演表層含水率時(shí)，嶺回歸法的決定系數(shù)較高，但在反演整體含水率時(shí)，偏最小二乘法的效果較好。所以在反演不同深度的土壤含水率時(shí)，2種方法各有優(yōu)處。

表4 土壤含水率統(tǒng)計(jì)特征Tab.4 Statistical characteristics of soil moisture content

表5 不同波段反射率因素的3種回歸模型結(jié)果Tab.5 Results of three regression models of different band reflectivity factors

注：Y為土壤質(zhì)量含水率；X1為波段1反射率；X2為波段2反射率；X3為波段3反射率；X4為波段4反射率；X5為波段5反射率；X6為波段6反射率。

通過比較不同方法對土樣表層和整體含水率的反演結(jié)果發(fā)現(xiàn)，對土樣表層含水率的反演效果明顯優(yōu)于整體含水率(決定系數(shù)R2提高6%～21%)。所以，通過無人機(jī)多光譜遙感技術(shù)對土壤含水率的最佳監(jiān)測深度約為表層1 cm。對土樣深度為5 cm和10 cm的整體含水率反演結(jié)果分析，回歸模型R2雖有一定下降，但均大于0.68(達(dá)到強(qiáng)相關(guān)性)。對于無人機(jī)多光譜遙感技術(shù)對5 cm和10 cm深度的土壤含水率監(jiān)測仍具有一定的可行性。

分析表5中逐步回歸法4個(gè)擬合方程發(fā)現(xiàn)，對于2種深度花盆土的表層土含水率擬合中，波段2、3、4均通過了顯著性水平α為0.15的篩選，表現(xiàn)出了對表層土壤含水率的高度顯著相關(guān)性。而對于整體含水率反演效果來看，波段2、3未全部通過顯著性檢驗(yàn)，篩選結(jié)果表明，波段4對整體含水率有較高的相關(guān)性。在嶺回歸法擬合過程中，發(fā)現(xiàn)在反演兩種表層土含水率的嶺跡圖中，波段1的標(biāo)準(zhǔn)化嶺回歸系數(shù)較穩(wěn)定且絕對值很小，所以予以剔除，同時(shí)對其余不符合嶺回歸選擇波長原則的波段也進(jìn)行剔除[31-32]。保留下來嶺估計(jì)基本穩(wěn)定的波段2、3、4。在對兩種深度的整體土壤含水率擬合過程中，剔除掉了嶺回歸系數(shù)較小且趨于零的波段5和6，保留下來波段1、2、3、4進(jìn)行方程擬合。經(jīng)嶺回歸分析得出，波段2、3、4在反演土壤含水率中有最為顯著的效果。綜合表5中逐步回歸法和嶺回歸法得到的結(jié)果，可以得出在反演不同深度的土壤含水率方面，波段4(近紅外波段，波長為720 nm)作用最為顯著，其次為波段3(紅光，680 nm)和波段2(綠光，550 nm)。而波段1、5、6的作用不顯著。

2.4 模型驗(yàn)證分析

將驗(yàn)證集代入3種回歸方程中，對回歸模型進(jìn)行驗(yàn)證和精度評定，比較3種模型在反演不同深度的土壤含水率效果。為評定模型預(yù)測效果，通過實(shí)測值與預(yù)測值計(jì)算3種模型的決定系數(shù)(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)，計(jì)算公式為

(2)

(3)

式中yi——土壤含水率模型預(yù)測值

n——模型檢驗(yàn)樣本的個(gè)數(shù)

yRMSE——土壤含水率模型的均方根誤差

當(dāng)相對分析誤差在2.5以上時(shí)，表明模型具有極好的預(yù)測能力;當(dāng)相對分析誤差在2.0～2.5時(shí)，表明模型具有很好的定量預(yù)測能力;當(dāng)相對分析誤差在1.8～2.0時(shí)，表明模型具有較好的定量預(yù)測能力;當(dāng)相對分析誤差在1.4～1.8時(shí)，表明模型具有定量預(yù)測能力;當(dāng)相對分析誤差在1.0～1.4時(shí)，表明模型具有區(qū)別高值和低值的能力;當(dāng)相對分析誤差小于1.0時(shí)，表明模型不具備預(yù)測能力[36]。驗(yàn)證結(jié)果見表6。

表6 不同建模方法下土壤含水率的預(yù)測值與實(shí)測值比較Tab.6 Comparison of predicted and measured soil moisture contents under different modeling methods

由表6對3種建模方法下不同深度土壤含水率的預(yù)測值與實(shí)際值進(jìn)行比較分析得出，逐步回歸的模型決定系數(shù)最高，均方根誤差RMSE最小，相對分析誤差RPD最高(在反演10 cm深度的土壤整體含水率時(shí)的預(yù)測能力較差，對其余幾種含水率均有很好的定量預(yù)測能力)。對其余兩種模型分析得到，在反演10 cm深度的土壤整體含水率時(shí)，偏最小二乘回歸模型的預(yù)測效果優(yōu)于嶺回歸模型，但在其余3種土壤含水率反演中，嶺回歸模型具有更好的預(yù)測能力，精度與逐步回歸模型相近。其中在2種表層含水率的反演中，嶺回歸模型的RPD大于2，具備很好的預(yù)測能力。偏最小二乘回歸模型的R2和RPD雖較低，但均方根誤差RMSE均在0.1以下，說明偏最小二乘回歸模型仍具有一定的預(yù)測能力。

比較不同回歸模型對土樣表層和整體含水率的預(yù)測結(jié)果得出，對表層含水率均有較好的預(yù)測能力(RPD≥1.8)，且模型決定系數(shù)R2較高(R2>0.7)，均方根誤差RMSE均在0.05以下。對整體含水率的預(yù)測效果略有下降(RPD>1.5)，模型決定系數(shù)R2和均方根誤差RMSE均在合理范圍內(nèi)。所以模型對5 cm和10 cm深度土壤含水率的預(yù)測也是可行的。

綜合表6中對土壤含水率的各項(xiàng)預(yù)測精度評價(jià)指標(biāo)得出，逐步回歸模型預(yù)測效果最佳，其次為嶺回歸模型，偏最小二乘回歸模型的預(yù)測效果最差?；貧w模型對土樣含水率的最佳預(yù)測深度約為1 cm表層，對5 cm和10 cm深度的土樣含水率仍具有一定的預(yù)測能力。

3 討論

通過以上研究結(jié)果表明，土壤光譜反射率與土壤含水率之間存在較好的相關(guān)性，其建模集和預(yù)測集反演效果的決定系數(shù)R2最高分別可達(dá)0.833和0.798。對通過無人機(jī)遙感技術(shù)實(shí)現(xiàn)農(nóng)田墑情的快速監(jiān)測技術(shù)提供了一定的理論支持。同時(shí)，通過回歸模型對2種不同深度的土壤含水率反演的結(jié)果分析，得出在可見光(490 nm)-近紅外(900 nm)波段反演土壤含水率中，土壤表層(約1 cm)為最佳監(jiān)測深度，其回歸模型決定系數(shù)R2大部分在0.8以上。而在2種不同深度的土壤整體含水率反演中，回歸模型的效果均有一定的下降，但決定系數(shù)R2仍在0.68以上。通過統(tǒng)計(jì)學(xué)理論分析得知，3種回歸模型在反演2種不同深度的土壤含水率時(shí)，模型的擬合效果均可以達(dá)到強(qiáng)相關(guān)性。對以后應(yīng)用遙感估算土壤含水率的最佳深度有一定的認(rèn)知，同時(shí)在無人機(jī)多光譜遙感應(yīng)用于區(qū)域大面積墑情監(jiān)測方面有一定的參考價(jià)值。由于試驗(yàn)考慮的土壤含水率深度不夠全面，仍需要進(jìn)行更多不同深度的反演對比試驗(yàn)，確定通過多光譜技術(shù)反演土壤含水率的深度閾值。

采用了偏最小二乘法、逐步回歸法和嶺回歸法3種不同的多元回歸方法對6個(gè)波段發(fā)射率進(jìn)行分析得出，逐步回歸法和嶺回歸法均對多個(gè)波段進(jìn)行了一定的篩選，對模型的簡化和冗余數(shù)據(jù)的剔除起到了很大的作用。從模型擬合效果來看，逐步回歸方程的決定系數(shù)R2均高于嶺回歸方程，并由于嶺回歸法在嶺估計(jì)剔除變量的過程中，存在著一定的主觀人為性，且操作過程較為繁雜。所以降低了模型的便捷性和穩(wěn)定性。而偏最小二乘回歸模型從原理上對模型的共線性起到了一定的消除作用，但沒有對數(shù)據(jù)進(jìn)行篩選，故模型的計(jì)算效率較低。綜合考慮得出，逐步回歸法具有模型簡單、運(yùn)算量小、變量較少的優(yōu)點(diǎn)，不僅節(jié)省了建模時(shí)間，篩選出了顯著性波段，同時(shí)運(yùn)算過程也更快速。

4 結(jié)論

(1)通過對采集到的6個(gè)波段多光譜數(shù)據(jù)進(jìn)行共線性分析得知，其相關(guān)系數(shù)大部分在0.8以上且方差膨脹因子大部分在10以上，均表明了波段之間具有很強(qiáng)的共線性。由于共線性作用會嚴(yán)重影響傳統(tǒng)的最小二乘法回歸結(jié)果，所以采取可以消除共線性影響的偏最小二乘法、逐步回歸法和嶺回歸法進(jìn)行回歸分析。

(2)3種回歸方法中，逐步回歸模型擬合精度和預(yù)測精度均為最高。而偏最小二乘回歸模型和嶺回歸模型在擬合不同深度土樣含水率時(shí)各有優(yōu)點(diǎn)，嶺回歸模型的預(yù)測效果更理想。所以逐步回歸法最優(yōu)，嶺回歸法次之，偏最小二乘法最差。同時(shí)，由于逐步回歸模型應(yīng)用的簡便性和快速性，在今后實(shí)際應(yīng)用中可優(yōu)先采用逐步回歸模型預(yù)測土壤含水率。

(3)比較3種回歸模型在對2種不同深度土樣的表層和整體含水率反演中發(fā)現(xiàn)，通過已有的可見光-短波近紅外波段，可以實(shí)現(xiàn)對深度大約為1 cm的表層土壤含水率的精確反演，而隨著土壤深度的增加，反演精度也隨之下降。

(4)通過逐步回歸法和嶺回歸法的波段篩選作用分析中發(fā)現(xiàn)，與土壤含水率最顯著的波段為波長720 nm的近紅外波段，其次為波長680 nm的紅光波段和波長550 nm的綠光波段。波長490 nm的藍(lán)光波段和波長800 nm的近紅外波段較為顯著，波長900 nm的近紅外波段不顯著。

1 陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào), 2016, 20(5): 748-767.

CHEN Zhongxin，REN Jianqiang，TANG Huajun，et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese)

2 劉興文，馮勇進(jìn). 應(yīng)用熱慣里編制土壤水分圖及土壤水分探測效果[J]. 土壤學(xué)報(bào), 1987, 24(8): 272-280.

LIU Xingwen，F(xiàn)ENG Yongjin. Compilation of soil moisture map by means of soil thermal inertia image[J]. Acta Pedologica Sinica, 1987, 24(8): 272-280. (in Chinese)

3 戴昌達(dá). 低濕地與土壤濕度的衛(wèi)星遙感監(jiān)測與制圖[J]. 土壤學(xué)報(bào), 1995, 32(4): 377-382.

DAI Changda. Monitoring and mapping of wetlands and soil moisture by satellite remote sensing[J]. Acta Pedologica Sinica, 1995, 32(4): 377-382. (in Chinese)

4 張智韜，李援農(nóng)，楊江濤，等. 遙感監(jiān)測土壤含水率模型及精度分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(8): 152-156.

ZHANG Zhitao，LI Yuannong，YANG Jiangtao，et al. Model for monitoring soil moisture using remote sensing and its accuracy analysis[J]. Transactions of the CSAE, 2008, 24(8): 152-156. (in Chinese)

5 陳濤，卓嘎，拉巴. 那曲東部土壤水分MODIS遙感反演研究[J]. 土壤通報(bào), 2017, 48(2): 298-303.

CHEN Tao，ZHUO Ga，LA Ba. Study on soil moisture by remote sensing retrieval based on MODIS data in Eastern Naqu [J]. Chinese Journal of Soil Science, 2017, 48(2): 298-303. (in Chinese)

6 金偉，葛宏立，杜華強(qiáng)，等. 無人機(jī)遙感發(fā)展與應(yīng)用概況[J]. 遙感信息, 2009(1): 88-92.

JIN Wei，GE Hongli，DU Huaqiang，et al. A review on unmanned aerial vehicle remote sensing and its application[J]. Remote Sensing Information, 2009(1): 88-92. (in Chinese)

7 李德仁，李明. 無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2014, 39(5): 505-513.

LI Deren，LI Ming. Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 505-513. (in Chinese)

8 史舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150237&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.02.037.

SHI Zhou，LIANG Zongzheng，YANG Yuanyuan，et al. Status and prospect of agricultural remote sensing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

9 MARTINEZ J, EGEA G, AGUERA J, et al. A cost-effective canopy temperature measurement system for precision agriculture: a case study on sugar beet[J]. Precision Agriculture, 2017, 18(1): 95-110.

10 HOFFMANN H, JENSEN R, THOMSEN A, et al. Crop water stress maps for an entire growing season from visible and thermal UAV imagery[J]. Biogeosciences, 2016,13(24): 6545-6563.

11 HOFFMANN H, NIETO H, JENSEN R, et al. Estimating evaporation with thermal UAV data and two-source energy balance models[J]. Hydrology and Earth System Sciences, 2016,20(2): 697-713.

12 HASSAN-ESFAHANI L, TORRES-RUA A, JENSEN A, et al. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J]. Remote Sensing, 2015, 7(3): 2627-2646.

13 ACEVO-HERRERA R, AGUASCA A, BOSCH-LLUIS X, et al. Design and first results of an UAV-borne L-band radiometer for multiple monitoring purposes[J]. Remote Sensing, 2010, 2(7): 1662-1679.

14 GAMBA M, MARUCCO G, PINI M, et al. Prototyping a GNSS-based passive radar for UAVs: an instrument to classify the water content feature of lands[J]. Sensors, 2015, 15(11): 28287-28313.

15 MATESE A, TOSCANO P, Di GENNARO S F, et al. Intercomparison of UAV, aircraft and satellite remote sensing platforms for precision viticulture[J]. Remote Sensing, 2015,7(3): 2971-2990.

16 高林，楊貴軍，于海洋，等. 基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(22): 113-120.

GAO Lin，YANG Guijun，YU Haiyang，et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the CSAE, 2016, 32(22): 113-120. (in Chinese)

17 趙曉慶，楊貴軍，劉建剛，等. 基于無人機(jī)載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(1): 110-116.

ZHAO Xiaoqing，YANG Guijun，LIU Jian’gang，et al. Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image[J]. Transactions of the CSAE, 2017, 33(1): 110-116. (in Chinese)

18 劉煥軍，康苒，SUSAN U，等. 基于時(shí)間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測[J]. 光譜學(xué)與光譜分析，2016, 36(8): 2585-2589.

LIU Huanjun，KANG Ran，SUSAN U，et al. Study on the prediction of cotton yield within field scale with time series hyperspectral imagery[J]. Spectroscopy and Spectral Analysis, 2016, 36(8): 2585-2589. (in Chinese)

19 李冰，劉镕源，劉素紅，等. 基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(13): 160-165.

LI Bing，LIU Rongyuan，LIU Suhong，et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the CSAE, 2012, 28(13): 160-165. (in Chinese)

20 韓文霆，張立元，張海鑫，等. 基于無人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(3): 205-214. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170326&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2017.03.026.

HAN Wenting，ZHANG Liyuan，ZHANG Haixin，et al. Extraction method of sublateral canal distribution information based on UAV remote sensing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 205-214. (in Chinese)

21 魚自強(qiáng). 無人機(jī)近紅外數(shù)據(jù)處理方法研究[D]. 北京:中國地質(zhì)大學(xué), 2015.

YU Ziqiang. Processing method research on unmanned aerial vehicle near infrared data[D]. Beijing: China University of Geosciences, 2015. (in Chinese)

22 魚自強(qiáng)，支曉棟，周萍，等. 無人機(jī)近紅外遙感初探[J]. 測繪科學(xué), 2015, 40(10): 74-78.

YU Ziqiang，ZHI Xiaodong，ZHOU Ping，et al. Preliminary study about near infrared remote sensing based on unmanned aerial vehicle[J]. Science of Surveying and Mapping, 2015, 40(10): 74-78. (in Chinese)

23 王利民，劉佳，楊玲波，等. 基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(18): 136-145.

WANG Limin，LIU Jia，YANG Lingbo，et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE, 2013, 29(18): 136-145. (in Chinese)

24 韓文霆，郭聰聰，張立元，等. 基于無人機(jī)遙感的灌區(qū)土地利用與覆被分類方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(11): 270-277. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161137&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.11.037.

HAN Wenting，GUO Congcong，ZHANG Liyuan，et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 270-277. (in Chinese)

25 韓文霆，李廣，苑夢嬋，等. 基于無人機(jī)遙感技術(shù)的玉米種植信息提取方法研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(1): 139-147. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170118&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2017.01.018.

HAN Wenting，LI Guang，YUAN Mengchan，et al. Extraction method of maize planting information based on UAV remote sensing techonology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 139-147. (in Chinese)

26 于雷，洪永勝，耿雷，等. 基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(14): 103-109.

YU Lei，HONG Yongsheng，GENG Lei，et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the CSAE, 2015, 31(14): 103-109. (in Chinese)

27 張智韜，蘭玉彬，鄭永軍，等. 影響大豆NDVI的氣象因素多元回歸分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 188-193.

ZHANG Zhitao，LAN Yubin，ZHENG Yongjun，et al. Multiple regression analysis of soybean NDVI affected by meteorological factors[J]. Transactions of the CSAE, 2015, 31(5): 188-193. (in Chinese)

28 高惠璇. 處理多元線性回歸中自變量共線性的幾種方法——SAS /STAT軟件(6.12)中REG等過程增強(qiáng)功能的使用[J]. 數(shù)理統(tǒng)計(jì)與管理, 2000, 20(5): 49-55.

GAO Huixuan. Some method on treating the collinearity of independent variables in multiple linear regression[J]. Journal of Applied Statistics and Management, 2000, 20(5): 49-55. (in Chinese)

29 張曼，劉旭華，何雄奎，等. 嶺回歸在近紅外光譜定量分析及最優(yōu)波長選擇中的應(yīng)用研究[J]. 光譜學(xué)與光譜分析, 2010, 30(5): 1214-1217.

ZHANG Man，LIU Xuhua，HE Xiongkui，et al. Study on the application of ridge regression to near-infrared spectroscopy quantitative analysis and optimum wavelength selection[J]. Spectroscopy and Spectral Analysis, 2010, 30(5): 1214-1217. (in Chinese)

30 楊楠. 嶺回歸分析在解決多重共線性問題中的獨(dú)特作用[J]. 統(tǒng)計(jì)與決策，2004(3): 14-15.

31 孫越君，鄭小坡，秦其明，等. 不同質(zhì)量含水量的土壤反射率光譜模擬模型[J]. 光譜學(xué)與光譜分析, 2015, 35(8): 2236-2240.

SUN Yuejun，ZHENG Xiaopo，QIN Qiming，et al. Modeling soil spectral reflectance with different mass moisture content[J]. Spectroscopy and Spectral Analysis, 2015, 35(8): 2236-2240. (in Chinese)

32 陳禎. 不同土壤含水率、體積質(zhì)量及光譜反射率的關(guān)系模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(4): 76-81.

CHEN Zhen. Relationship model among water content, bulk density and reflectivity of different soil[J]. Transactions of the CSAE, 2012, 28(4): 76-81. (in Chinese)

33 何挺，王靜，程燁，等. 土壤水分光譜特征研究[J]. 土壤學(xué)報(bào), 2006, 43(6): 1027-1032.

HE Ting，WANG Jing，CHENG Ye，et al. Spectral features of soil moisture[J]. Acta Pedologica Sinica, 2006, 43(6): 1027-1032. (in Chinese)

34 李嚴(yán)潔. 多元回歸中的多重共線性及其存在的后果[J]. 中國衛(wèi)生統(tǒng)計(jì), 1992, 9(1): 24-27.

LI Yanjie. Multicollinearity and its consequence in muitiple regression[J]. Chinese Journal of Health Statistics, 1992, 9(1): 24-27. (in Chinese)

35 劉國旗. 多重共線性的產(chǎn)生原因及其診斷處理[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版, 2001, 24(4): 607-610.

LIU Guoqi. Cause of multi-collinearity and its diagnosis and treatment[J]. Journal of Hefei University of Technology: Natural Science, 2001, 24(4): 607-610. (in Chinese)

36 張秋霞，張合兵，張會娟，等. 糧食主產(chǎn)區(qū)耕地土壤重金屬高光譜綜合反演模型[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(3): 148-155. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170319&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.03.019.

ZHANG Qiuxia， ZHANG Hebing， ZHANG Huijuan，et al. Hybrid inversion model of heavy metals with hyperspectral reflectance in cultivated soils of main grain producing areas[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 148-155. (in Chinese)