無人機(jī)多光譜遙感反演抽穗期冬小麥土壤含水率研究

陳碩博，陳俊英，張智韜，邊 江，王禹?xiàng)?，石樹蘭

(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)

農(nóng)田土壤水分直接影響到作物生長的水、肥、氣、熱等狀況，與作物生長關(guān)系最為密切[1]。及時準(zhǔn)確監(jiān)測作物的田間土壤水分是實(shí)現(xiàn)精準(zhǔn)灌溉的關(guān)鍵。近些年來，利用遙感數(shù)據(jù)大面積測定農(nóng)田土壤水分已成為國內(nèi)外研究的重點(diǎn)和熱點(diǎn)[2-6]。但目前衛(wèi)星遙感數(shù)據(jù)的時間、空間分辨率較低，較難滿足新形勢下精準(zhǔn)灌溉的需要。而無人機(jī)遙感具有獲取影像速度快、分辨率高等優(yōu)點(diǎn)，可以迅速而準(zhǔn)確地完成一定區(qū)域內(nèi)的農(nóng)情監(jiān)測任務(wù)[7-9]。

國外學(xué)者在農(nóng)用無人機(jī)遙感方面起步較早，并已取得了顯著的成果。Berni等[10]利用無人機(jī)搭載熱紅外和多光譜傳感器來獲取作物冠層溫度和植被指數(shù)進(jìn)而反演葉面積指數(shù)、葉綠素濃度和水分脅迫取得了良好的效果；Hassanesfahani等[11]利用機(jī)載多光譜相機(jī)獲得的高分辨率遙感影像結(jié)合人工神經(jīng)網(wǎng)絡(luò)算法，較好地反演了土壤表層水分含量。國內(nèi)在近幾年來，利用無人機(jī)遙感技術(shù)在農(nóng)情監(jiān)測和信息提取方面亦取得了較多的成果。田明璐等[12, 13]使用多旋翼無人機(jī)搭載高光譜相機(jī)獲取高光譜影像反演棉花葉面積指數(shù)和葉綠素含量；韓文霆等[14]使用無人機(jī)獲取了玉米拔節(jié)期的可見光圖像，提取其種植信息；裴浩杰等[15]使用高光譜相機(jī)與無人機(jī)系統(tǒng)組成的遙感監(jiān)測系統(tǒng)建立了冬小麥長勢無人機(jī)遙感監(jiān)測模型。以上研究大多基于無人機(jī)遙感圖像提取的作物冠層信息與地面測得的冠層結(jié)構(gòu)參數(shù)建立反演模型，而間接反演土壤水分卻鮮有研究。

本文以關(guān)中地區(qū)冬小麥為研究對象，通過無人機(jī)載六波段多光譜相機(jī)獲取冬小麥冠層反射率信息，嘗試與實(shí)時的田間土壤含水率建立一元及多元統(tǒng)計(jì)模型并進(jìn)行驗(yàn)證，以期為冬小麥田間土壤水分監(jiān)測提供新的研究手段。

1 材料與方法

1.1 研究區(qū)概況

田間試驗(yàn)于2017年4月24-30日在陜西楊凌西北農(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)室試驗(yàn)田(34°17′N，108°04′E，海拔521 m)進(jìn)行。試驗(yàn)區(qū)域?qū)倥瘽駧Ъ撅L(fēng)半濕潤氣候區(qū)，年均日照時數(shù)2 163 h，無霜期210 d，多年平均氣溫12.5 ℃，年均降水量630 mm，年均蒸發(fā)量1 500 mm。試驗(yàn)田土壤為中壤土，田間持水率為24%(質(zhì)量含水率)，土壤干容重1.40 g/cm3，0～20 cm土層土壤pH為8.14，有機(jī)碳含量8.20 g/kg，全氮含量0.62 g/kg。

1.2 試驗(yàn)設(shè)計(jì)

本試驗(yàn)供試冬小麥品種為關(guān)中地區(qū)主栽品種之一的小偃22，施肥水平與該地區(qū)大田施肥水平一致。于2016年10月15日播種，采用條播種植，2017年6月7日成熟收獲。以不同的灌水定額和播種行距作為試驗(yàn)因素，分為4個灌水時期:分蘗期、返青期、拔節(jié)期、抽穗期。設(shè)置4個灌溉水平，分別為田間持水量的45%、60%、75%和90%。設(shè)置2個播種行距，分別為寬行距(45 cm)，窄行距(20 cm)。每個試驗(yàn)小區(qū)面積5 m×4.5 m，具體試驗(yàn)處理見表1。

1.3 數(shù)據(jù)采集

(1)無人機(jī)平臺與遙感傳感器。遙感平臺為大疆創(chuàng)新公司生產(chǎn)的經(jīng)緯M600六旋翼無人機(jī)，遙感影像獲取使用的傳感器為Micro-MCA多光譜相機(jī)(簡稱MCA)。MCA由美國Tetracam公司生產(chǎn)，具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)的特點(diǎn)，非常適合在中小型無人機(jī)上進(jìn)行搭載及拍攝。該相機(jī)有6個鏡頭，分別對應(yīng)6個波段，波長分別為490 nm(藍(lán)光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)。

表1 冬小麥試驗(yàn)處理Tab.1 Experimental treatments of winter wheat

(2)作物冠層光譜的獲取。無人機(jī)遙感影像于2017年4月24-30日在田間采集，采集時刻為中午12∶00左右，天氣晴朗無風(fēng)，視野良好。此時冬小麥生長正處于抽穗期，生長旺盛，具有一定的代表性[16, 17]。無人機(jī)飛行高度為30 m，鏡頭垂直向下，地面分辨率約為1.6 cm。獲取無人機(jī)遙感影像前，在試驗(yàn)區(qū)域內(nèi)布置標(biāo)準(zhǔn)白板進(jìn)行輻射標(biāo)定，從而獲取小麥冠層光譜反射率。用多光譜相機(jī)自帶的軟件Pixel Wrench2對遙感圖像進(jìn)行預(yù)處理，在ENVI 5.3軟件中提取反射率數(shù)據(jù)，數(shù)據(jù)分析借助于IBM SPSS Statistics 21。

(3)土壤水分?jǐn)?shù)據(jù)獲取。使用EM50(Decagon Devices, Inc.USA)土壤水分?jǐn)?shù)據(jù)采集器測定土壤含水率，EM50連接有5個探頭，埋設(shè)在小區(qū)中央，深度分別為10、20、30、40、60 cm。數(shù)據(jù)采集器設(shè)置為每0.5 h記錄數(shù)據(jù)一次。每個物候期內(nèi)用土鉆采集與傳感器埋深相同的土樣，用烘干法測定土壤含水率，對EM50數(shù)據(jù)進(jìn)行標(biāo)定。

1.4 數(shù)據(jù)處理

本次試驗(yàn)一共進(jìn)行7 d，其中5 d數(shù)據(jù)用于建模，另外2 d數(shù)據(jù)用于驗(yàn)證。數(shù)據(jù)處理分寬行、窄行和寬窄行3種情況分別進(jìn)行討論。寬行與窄行各有4個小區(qū)，每個小區(qū)采樣4次，所以寬行和窄行各有80個建模樣本和32個驗(yàn)證樣本，而寬窄行則有160個建模樣本和64個驗(yàn)證樣本。

以研究區(qū)域內(nèi)的8號小區(qū)為參考點(diǎn)，采用遙感影像數(shù)據(jù)與參考點(diǎn)影像數(shù)據(jù)的差值進(jìn)行研究。8個小區(qū)的六波段反射率與土壤含水率分別與參考點(diǎn)作差值處理，得到不同波段的差值反射率(DR)與不同深度的差值土壤含水率(DSM)。DRb、DRg、DRr、DRre、DRn1、DRn2分別表示藍(lán)光波段、綠光波段、紅光波段、紅邊位置、近紅外波段1與近紅外波段2處的差值反射率。

分寬行距、窄行距及寬窄行對不同波段DR與不同深度DSM進(jìn)行相關(guān)性分析，選取2者極顯著相關(guān)且相關(guān)系數(shù)r>0.8的波段與深度，建立單波段DR與DSM的線性模型并驗(yàn)證；選取極顯著相關(guān)的波段與深度，建立多波段DR與DSM的多元線性回歸模型并驗(yàn)證。對于模型的精度評定采用R2作為評價指標(biāo)，R2越接近1，說明回歸方程對樣本數(shù)據(jù)點(diǎn)的擬合優(yōu)度越高；反之，R2越接近0，擬合優(yōu)度越低。預(yù)測效果通過驗(yàn)證R2、預(yù)測均方根誤差RMSEP2個參數(shù)來檢驗(yàn)。驗(yàn)證R2越大，預(yù)測均方根誤差RMSEP越小，表征模型的預(yù)測反演效果越好[18, 19]。計(jì)算公式如下：

(1)

(2)

2 結(jié)果與分析

2.1 土壤含水率敏感波段選取

8個小區(qū)的六波段光譜反射率與土壤含水率分別與參考點(diǎn)作差值處理，得到不同波段的差值反射率(DR)與不同深度的差值土壤含水率(DSM)，進(jìn)而分析各個波長位置處冬小麥冠層光譜差值反射率(DR)與不同深度土壤差值含水率(DSM)之間的相關(guān)關(guān)系，結(jié)果見表2。

表2 不同波段的差值反射率(DR)與不同深度差值土壤含水率(DSM)的相關(guān)系數(shù)Tab.2 Correlation coefficients between difference of reflectivity (DR) in different bands and difference of soil moisture content (DSM) at different depths

注： *表示在 0.05 水平上顯著； **表示在 0.01 水平上極顯著。

從表2中可以看出，在窄行距中，只有土壤深度是20～60 cm，波長為680 nm時，DSM與DRr不顯著相關(guān)，其他情況下，2者均極顯著相關(guān)，但相關(guān)系數(shù)均較??；在寬行距中，0～10 cm的DSM與各個波段的DR均不顯著相關(guān)，680 nm時，0～30 cm的DSM與DRr不顯著相關(guān)，其他情況下2者均極顯著相關(guān)；在寬窄行中，除680 nm時，0～30 cm的DSM與DRr不顯著相關(guān)外，其他均極顯著相關(guān)，但相關(guān)性亦不強(qiáng)。通過以上對比分析，從中選取DSM和DR極顯著相關(guān)且r>0.8的6組數(shù)據(jù)進(jìn)行單波段一元擬合與驗(yàn)證，對比選取最優(yōu)模型；再用多元線性回歸的方法對DSM與6個波段均極顯著相關(guān)的DR進(jìn)行擬合與驗(yàn)證，對比選取最優(yōu)模型。

2.2 一元線性模型的建立與驗(yàn)證

在寬行距、窄行距和寬窄行3種情況下，只有寬行距中0～20 cm土壤深度的DSM與DRb、DRg、DRre，0～40 cm土壤深度的DSM與DRn1、DRn2，0～60 cm土壤深度的DSM與DRn1的相關(guān)系數(shù)大于0.8，分別建立起2者的一元線性關(guān)系，結(jié)果匯總見表3。

表3 基于敏感波段的一元線性模型Tab.3 The single linear models based on sensitive bands

通過比較發(fā)現(xiàn)，當(dāng)土壤深度是0～20 cm時，與DSM敏感的3個波段的建模R2分別達(dá)到了0.684、0.727、0.764；當(dāng)土壤深度是0～40 cm時，與DSM敏感的2個波段的建模R2分別為0.781、0.708；當(dāng)土壤深度是0～60 cm時，建模R2為0.678。

為了驗(yàn)證表3中6個模型的預(yù)測效果，將驗(yàn)證集中的DR代入模型計(jì)算得預(yù)測DSM，通過對預(yù)測值和實(shí)測值進(jìn)行相關(guān)性分析，繪制2者之間的1∶1關(guān)系圖，結(jié)果見圖1。

圖1 各深度一元線性模型預(yù)測DSM與實(shí)測DSM比較Fig.1 Comparison of predicted DSM with measured DSM at different depths in the single linear models

由圖1比較可以看出，6組模型的驗(yàn)證R2分別達(dá)到了0.603、0.690、0.769、0.823、0.763、0.685，其中模型4的R2最大，而RMSEp最小，只有0.026，說明在0～40 cm土壤深度下，利用波長為800 nm作為敏感波段建立的模型最優(yōu)。在冬小麥抽穗期內(nèi)，次生根達(dá)到最大值，而次生根比初生根粗壯，并且有較多的分支和根毛，是吸收水分的主要部位[20]，80%以上的次生根分布于0～40 cm土層內(nèi)，土壤水分的變化可以通過小麥冠層的變化反映出來，這就證明了該模型的可靠性。由于深度越大，土壤含水率變化越不明顯，所以0～60 cm的DSM實(shí)測值幾乎無明顯變化。因?yàn)轭A(yù)測DSM與敏感波段的DR是一元線性關(guān)系，所以當(dāng)DR變化時，預(yù)測DSM也有相應(yīng)的變化。因此出現(xiàn)了圖1(f)中的實(shí)測值與預(yù)測值“一對多”的現(xiàn)象。

2.3 多元線性回歸模型的建立與驗(yàn)證

在窄行距、寬行距及寬窄行3種條件下，在5種土壤深度下，分別建立不同深度DSM與6個波段DR的多元線性回歸模型共計(jì)15個。對各個模型的回歸系數(shù)進(jìn)行t檢驗(yàn)后，剔除回歸系數(shù)不顯著的自變量，篩選出6個模型，匯入表4。

由表4可以看出，在窄行距0～10 cm土壤深度下建立的三元回歸模型的R2達(dá)到了0.702，回歸系數(shù)顯著的只有藍(lán)波段和2個近紅外波段。在寬行距4組深度下均可建立多元回歸模型，其中0～20 cm土壤深度下建立的三元回歸模型的R2達(dá)到了0.890，回歸系數(shù)顯著的有紅邊波段和2個近紅外波段；0～30 cm土壤深度下R2為0.712，顯著的波段僅為2個近紅外波段；0～40 cm深度下R2達(dá)到了0.904，這與一元線性模型得到的結(jié)論相同，顯著的波段有4個，分別為藍(lán)波段、紅波段與2個近紅外波段；0～60 cm深度下R2為0.769，顯著的波段同樣為2個近紅外波段。寬窄行0～20 cm土壤深度下建立了二元回歸模型，R2為0.753，顯著波段為綠波段和紅邊波段。

表4 剔除回歸系數(shù)不顯著的多元線性回歸模型Tab.4 Multivariate linear regression models with significant regression coefficients

為了驗(yàn)證不同行距6組模型的預(yù)測效果，將驗(yàn)證集中的DR代入模型計(jì)算得預(yù)測DSM，通過對預(yù)測值和實(shí)測值進(jìn)行相關(guān)性分析，繪制2者之間的1∶1關(guān)系圖，結(jié)果見圖2。

通過圖2對比發(fā)現(xiàn)，模型12的驗(yàn)證R2僅有0.437，是6個模型中的最小值，而RMSEp為0.062，是6個模型中的最大值。寬行距0～40 cm土壤深度下建立的模型10驗(yàn)證R2達(dá)到了0.920，為6個模型中的最大值，RMSEp僅為0.016。其次為模型8，驗(yàn)證R2為0.853，但RMSEp為0.034。窄行距0～10 cm土壤深度下建立的模型7，亦取得了較好的效果。綜合比較6個模型，得出模型10的預(yù)測效果最佳。這與一元線性模型得出了類似的結(jié)論，說明在寬行距下0～40 cm土壤深度為監(jiān)測冬小麥抽穗期土壤水分的最佳深度。

3 結(jié) 論

圖2 多元回歸模型預(yù)測DSM與實(shí)測DSM比較Fig.2 Comparison of predicted DSM with measured DSM in multivariate linear regression models

(1)通過相關(guān)性分析可以提取多光譜對土壤含水率的敏感波段，不同深度土壤含水率的敏感波段不同，不同行距土壤含水率的敏感波段亦不相同。

(2)抽穗期冬小麥的土壤水分反演，以寬行距中0～40 cm土壤深度下建立的模型最優(yōu)。一元模型中，以波長為800 nm的近紅外波段為自變量建立的模型最優(yōu)；多元模型中，四元回歸模型的建模R2和驗(yàn)證R2均達(dá)到了0.9以上，RMSEp僅為0.016，是進(jìn)行抽穗期冬小麥土壤水分估算的最優(yōu)模型。

(3)在冬小麥抽穗期所建立的模型反演根域土壤含水率具有較高的精度，但冬小麥其他物候期土壤水分的反演還有待進(jìn)一步研究。研究成果可以為抽穗期冬小麥的精準(zhǔn)灌溉提供一定的理論依據(jù)，同時也為無人機(jī)遙感的應(yīng)用提供了新的思路。

：

[1] 汪志農(nóng). 灌溉排水工程學(xué)[M]. 2版. 北京：中國農(nóng)業(yè)出版社, 2009.

[2] 張智韜, 陳俊英, 劉俊民, 等. TM6對遙感主成分分析監(jiān)測土壤含水率的影響[J]. 節(jié)水灌溉, 2010,(4):16-19.

[3] 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, 2008,(8):152-156.

[4] George P, Petropoulos G I. Surface soil moisture retrievals from remote sensing[J]. Physics and Chemistry of the Earth, 2015,83-84:36-56.

[5] Hatanaka T N A N R. Estimation of available moisture holding capacity of upland soils using Landsat TM data[J]. Soil Science and Plant Nutrition, 1995,41(3):577-586.

[6] James Cashiona V L D B. Microwave remote sensing of soil moisture evaluation[J]. Journal of Hydrology, 2005,307(1-4):242-253.

[7] 劉建剛, 趙春江, 楊貴軍, 等. 無人機(jī)遙感解析田間作物表型信息研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報, 2016,(24):98-106.

[8] 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(信息科學(xué)版), 2014,(5):505-513.

[9] 李勇志, 支曉棟, 唐海龍, 等. 無人機(jī)遙感技術(shù)在農(nóng)業(yè)中的發(fā)展與應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué), 2015,(25):350-351.

[10] Berni J A J, Zarco-Tejada P J, Suarez L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009,47(3):722-738.

[11] Hassanesfahani L, Torresrua 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):2 627-2 646.

[12] 田明璐, 班松濤, 常慶瑞, 等. 基于低空無人機(jī)成像光譜儀影像估算棉花葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報, 2016,(21):102-108.

[13] 田明璐, 班松濤, 常慶瑞, 等. 基于無人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016,(11):285-293.

[14] 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]. 農(nóng)業(yè)機(jī)械學(xué)報, 2017,(1):139-147.

[15] 裴浩杰, 馮海寬, 李長春, 等. 基于綜合指標(biāo)的冬小麥長勢無人機(jī)遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報, 2017,(20):74-82.

[16] 徐莉平, 劉 鈺, 張建豐, 等. 冬小麥抽穗期土壤水分對生理指標(biāo)影響的試驗(yàn)研究[J]. 水資源與水工程學(xué)報, 2013,(3):23-25.

[17] 李衛(wèi)國, 王紀(jì)華, 趙春江, 等. 冬小麥抽穗期長勢遙感監(jiān)測的初步研究[J]. 江蘇農(nóng)業(yè)學(xué)報, 2007,(5):499-500.

[18] Loague K, Green R E. Statistical and graphical methods for evaluating solute transport models: overview and application[J]. Journal of Contaminant Hydrology, 1991,7(1-2):51-73.

[19] Willmott C J. Some comments on the evaluation of model performance[J]. Bulletin of the American Meteorological Society, 1982,63(11):1 309-1 369.

[20] 于振文. 作物栽培學(xué)各論：北方本[M]. 2版. 北京: 中國農(nóng)業(yè)出版社, 2013.