無人機(jī)多光譜遙感監(jiān)測(cè)冬小麥拔節(jié)期根域土壤含水率

楊珺博，王 斌，黃嘉亮，張智韜,2，周永財(cái),2，姜文煥

(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)

0 引 言

準(zhǔn)確獲取土壤水分?jǐn)?shù)據(jù)是實(shí)現(xiàn)作物增收的關(guān)鍵因素，對(duì)農(nóng)業(yè)生產(chǎn)中的水資源高效利用具有重要意義[1-3]。遙感監(jiān)測(cè)土壤含水率具有高效、準(zhǔn)確等優(yōu)點(diǎn)，已成為國(guó)內(nèi)外研究重點(diǎn)，但衛(wèi)星遙感易受天氣等因素影響，而且不能同時(shí)滿足農(nóng)田尺度的高時(shí)空分辨率要求[4-6]。無人機(jī)遙感監(jiān)測(cè)土壤含水率具有時(shí)效性快、成本低、機(jī)動(dòng)靈活等優(yōu)點(diǎn)[7,8]，可以迅速準(zhǔn)確地完成特定區(qū)域內(nèi)的農(nóng)情監(jiān)測(cè)任務(wù)[9,10]。

近年來，國(guó)內(nèi)外學(xué)者在無人機(jī)遙感監(jiān)測(cè)土壤含水率方面已經(jīng)取得了許多研究成果。Li[11]等利用無人機(jī)多光譜系統(tǒng)獲取棉花冠層光譜數(shù)據(jù)，發(fā)現(xiàn)紅、近紅外波段反射率與土壤水分有較好的相關(guān)性。HASSAN-ESFAHANI[12]等借助于人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Network，ANN)，通過無人機(jī)多光譜遙感數(shù)據(jù)構(gòu)建了表層土壤含水率監(jiān)測(cè)模型。王海峰等[13]基于獲取的多光譜遙感數(shù)據(jù)，利用相關(guān)系數(shù)法篩選對(duì)土壤水分較敏感的波段，通過單一敏感波段處的光譜數(shù)據(jù)建立不同的一元回歸模型，實(shí)現(xiàn)對(duì)裸土土壤含水率高精度監(jiān)測(cè)。Oliver[14]等采用無人機(jī)遙感數(shù)據(jù)計(jì)算的溫度植被干旱指數(shù)(Temperature Vegetation Dryness Index，TVDI)和歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)反演地表5～10 cm土壤含水率，模型監(jiān)測(cè)精度較高。陳碩博等[15]以抽穗期冬小麥為研究對(duì)象，利用無人機(jī)搭載多光譜相機(jī)來獲取作物冠層光譜數(shù)據(jù)，提出一種差值反射率(DR)實(shí)現(xiàn)對(duì)土壤水分較高精度的反演。雖然這些研究取得了較好的效果，但主要集中在無人機(jī)多光譜遙感對(duì)土壤表層含水率的反演，對(duì)于植被覆蓋條件下，無人機(jī)多光譜遙感對(duì)不同深度土壤含水率反演精度的研究較少。

本文以陜西省楊凌區(qū)拔節(jié)期冬小麥為研究對(duì)象，利用無人機(jī)搭載六波段多光譜相機(jī)獲取冬小麥冠層反射率信息，建立各波段特征值與不同深度土壤含水率之間的多元回歸模型，探究作物根域土壤含水率的最優(yōu)監(jiān)測(cè)模型以及最佳監(jiān)測(cè)深度，以期為無人機(jī)多光譜遙感反演植被覆蓋條件下不同深度的田間土壤含水率提供參考。

1 材料與方法

1.1 研究區(qū)概況

本試驗(yàn)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)室的灌溉試驗(yàn)站( 34°17'N，108°04'E，海拔521 m)的試驗(yàn)田(如圖1)進(jìn)行，該地區(qū)地處暖溫帶，屬大陸性季風(fēng)氣候，年平均氣溫在12 ℃左右，多年平均降雨量為630 mm，年均蒸發(fā)量884 mm，土壤干容重1.38 g/cm3。

圖1 試驗(yàn)小區(qū)布置圖Fig1. Test plot layout

1.2 試驗(yàn)材料與設(shè)計(jì)

本試驗(yàn)冬小麥品種選用小偃22，于2018年10月15日人工播種，試驗(yàn)田共播種7.68 kg種子(每袋小麥稱重40 g)，并且施用了20 kg的復(fù)合肥料作為底肥。小麥在生長(zhǎng)過程中嚴(yán)格控制水量，本次試驗(yàn)的12個(gè)小區(qū)，每個(gè)小區(qū)面積為4×4=16 m2，小區(qū)內(nèi)種植的冬小麥行距25 cm，每行播種量為40 g。共設(shè)置4種不同的控水處理(I、II、III、IIII)：0.95田持、0.8田持、0.65田持、0.5田持，每種控水處理設(shè)置3個(gè)重復(fù)，為減少外界環(huán)境的干擾，各小區(qū)都配有遮雨棚。

1.3 數(shù)據(jù)采集

1.3.1 土壤水分?jǐn)?shù)據(jù)獲取

利用土鉆采集10、20、30、40、60 cm深度的土樣，每個(gè)深度取30 g左右的土壤并將其放入鋁盒，采用烘干法測(cè)定土壤質(zhì)量含水率，其計(jì)算式為：

(1)

式中：W1為濕土加鋁盒質(zhì)量；W2為干土加鋁盒質(zhì)量；W3為空鋁盒質(zhì)量。

1.3.2 無人機(jī)平臺(tái)與冠層數(shù)據(jù)獲取

本試驗(yàn)采用深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的MATRICE 600型六旋翼無人機(jī)，搭載美國(guó)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1 280×1 024 像素) ，如圖2所示，該相機(jī)有6個(gè)鏡頭，分別對(duì)應(yīng)6個(gè)波段，波長(zhǎng)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)。無人機(jī)遙感影像獲取時(shí)間為2019 年3月26-28日，獲取時(shí)刻為下午13∶00左右，天氣晴朗無風(fēng)，視野良好。此時(shí)的冬小麥生長(zhǎng)正處于拔節(jié)期，生長(zhǎng)旺盛。無人機(jī)飛行高度為15 m，鏡頭垂直向下，獲取遙感影像前，在試驗(yàn)區(qū)域內(nèi)布置標(biāo)準(zhǔn)白板和黑板進(jìn)行輻射標(biāo)定，從而獲取小麥冠層光譜反射率。

圖2 無人機(jī)及機(jī)載傳感器Fig.2 Unmanned aerial vehicle and airborne sensor

1.4 數(shù)據(jù)處理

采用多光譜相機(jī)自帶的處理軟件Pixel Wrench2對(duì)3d內(nèi)獲取的遙感圖像進(jìn)行預(yù)處理。將處理后的圖像導(dǎo)入實(shí)景三維建模軟件Agisoft PhotoScan Professional (64 bit)中進(jìn)行遙感圖像的拼接處理。將拼接完成的.tif格式圖像導(dǎo)入ENVI 5.3(64bit)軟件中，利用監(jiān)督分類法剔除土壤背景的影響并提取出該時(shí)間點(diǎn)各小區(qū)冬小麥冠層6個(gè)波段的反射率。數(shù)據(jù)分析借助于IBM SPSS Statistics 23.0、DPS7.05。

1.5 精度評(píng)價(jià)

建模集精度檢驗(yàn)利用回歸分析得到的模型決定系數(shù)R2、顯著性差異水平F、檢驗(yàn)水平P，當(dāng)R2越接近于1，顯著性F越大，檢驗(yàn)水平p越接近于0時(shí)說明回歸方程擬合程度越高。

驗(yàn)證集的預(yù)測(cè)效果通過模型決定系數(shù)R2、均方根誤差RMSE和相對(duì)分析誤差RPD三個(gè)指標(biāo)來評(píng)價(jià)。驗(yàn)證R2越大，均方根誤差RMSE越小，相對(duì)分析誤差RPD越大，表明模型的反演效果越好[16]。計(jì)算公式如下：

(2)

(3)

(4)

2 結(jié)果與分析

2.1 各波段反射率與不同深度土壤含水率相關(guān)性分析

計(jì)算各波段反射率與不同深度土壤含水率的相關(guān)系數(shù)，結(jié)果如表1所示。由表1可知，各波段反射率對(duì)不同深度的土壤含水率敏感程度不同，波段1～4與10、20 cm的土壤含水率皆有較好的相關(guān)性，相關(guān)系數(shù)都達(dá)到了0.6以上。10、20 cm土壤含水率的最敏感波段均為波段3，相關(guān)系數(shù)r分別為-0.784，-0.724。對(duì)30、40、60 cm土壤含水率最敏感的是波段4，相關(guān)系數(shù)r都達(dá)到了0.4以上。波段5、波段6與各深度的土壤含水率相關(guān)性都較低。隨著監(jiān)測(cè)深度的加深，各波段對(duì)土壤含水率的敏感性都有不同程度的降低，光譜反射率與10、20 cm淺層土壤含水率的相關(guān)系數(shù)明顯大于30、40、60 cm深層，當(dāng)深度達(dá)到30 cm時(shí)相關(guān)系數(shù)皆有顯著折減。

表1 光譜反射率與各深度土壤含水率相關(guān)系數(shù)表

Tab.1 Spectral reflectance and matrix of soilwater correlation coefficients at various depths

土壤深度/cm波段1波段2波段3波段4波段5波段610-0.772-0.593-0.784-0.628-0.430-0.46520-0.675-0.574-0.724-0.664-0.382-0.39930-0.268-0.348-0.391-0.497-0.161-0.12740-0.166-0.322-0.286-0.416-0.177-0.14460-0.063-0.392-0.276-0.4580.2600.240

2.2 回歸模型

本試驗(yàn)連續(xù)進(jìn)行3 d，采集樣本數(shù)據(jù)共36個(gè)，隨機(jī)選取其中2/3樣本(n=24)作為建模集，剩下的1/3樣本(n=12)用于驗(yàn)證。由于各波段反射率直接反演土壤含水率時(shí)可能會(huì)出現(xiàn)多重共線性問題[17]，故本文采用逐步回歸法、偏最小二乘法、嶺回歸法進(jìn)行多元回歸分析，建模結(jié)果如表2所示。

由表2可以得出，3種建模方法在進(jìn)行多元分析中表現(xiàn)出明顯不同的統(tǒng)計(jì)性差異，逐步回歸法在各個(gè)深度的模型擬合度R2都為最高，偏最小二乘法次之，嶺回歸法為三者最低。各模型決定系數(shù)R2與土壤含水率監(jiān)測(cè)深度的變化關(guān)系如圖3所示，對(duì)比分析可知淺層(10、20 cm)土壤含水率的模型擬合度明顯高于深層(30、40、60 cm)，其中逐步回歸法、偏最小二乘法、嶺回歸法在10 cm處的建模擬合度R2最高，分別為0.815、0.772、0.669，在20 cm深度的模型決定系數(shù)R2雖有一定下降，但逐步回歸法和偏最小二乘法仍有較強(qiáng)的相關(guān)性(R2>0.7)，嶺回歸的擬合度R2為0.586。三種模型在10、20 cm建立的回歸模型均具有統(tǒng)計(jì)學(xué)意義(P<0.01)。當(dāng)深度達(dá)到30 cm時(shí)，三種模型的擬合度都有明顯的折減，逐步回歸法和偏最小二乘法的顯著性也有不同程度的下降，其中嶺回歸模型在30、40、60 cm的回歸模型檢驗(yàn)水平P值皆大于0.1，且高于其余兩種方法，這種突變的原因應(yīng)是嶺回歸自身建模方式所造成的[18-20]，表明在此深度的土壤含水率監(jiān)測(cè)模型無統(tǒng)計(jì)學(xué)意義。因此，無人機(jī)多光譜遙感對(duì)植被覆蓋條件下的較深層(h>30 cm)土壤含水率難以進(jìn)行有效監(jiān)測(cè)，但對(duì)于作物根域淺層(0～20 cm)土壤含水率的反演具有很高可行性。

2.3 模型驗(yàn)證

為檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)效果，將12組驗(yàn)證數(shù)據(jù)分別帶入各回歸方程中。通過實(shí)測(cè)值和預(yù)測(cè)值計(jì)算3種模型的決定系數(shù)R2、均方根誤差RMSE和相對(duì)分析誤差RPD，計(jì)算結(jié)果如表3，預(yù)測(cè)模型決定系數(shù)R2隨土壤深度的變化關(guān)系見圖4。

表2 基于不同波段反射率的各深度土壤含水率多元回歸模型

Tab.2 Multiple regression models of soil moisture content at various depths based on reflectance at different bands

回歸模型含水率測(cè)量深度/cm公式R2FP逐步回歸法10Y=-2.546X1+4.503X2-3.031X3-2.02X4+0.4330.81520.937<0.00120Y=3.318X2-3.036X3-1.644X4+0.3560.74719.641<0.00130Y=5.115X1+1.427X2-5.197X3-1.174X5+0.944X6+0.2020.4522.9680.04040Y=3.843X1-2.591X3-0.283X5+0.3160.3303.2810.04260 Y=1.664X1-1.147X2+0.2320.2042.6830.092偏最小二乘法10Y=-1.681X1+4.075X2-3.314X3-1.832X4+0.361X5-0.462X6+0.4990.77233.712<0.00120Y=-0.675X1+3.173X2-2.258X3-1.748X4+0.213X5-0.282X6+0.7030.70328.303<0.00130Y=1.599X1+2.257X2-2.605X3-1.066X4-0.81X5+0.79X6+0.2050.3747.5840.0240Y=4.849X1+0.08X2-3.634X3+0.264X4-0.592X5+0.275X6+0.2840.1675.1160.04760 Y=-0.025X1-0.144X2-0.097X3-0.077X4+0.022X5+0.010X6+0.2140.2192.8020.125嶺回歸法10Y=-1.346X1+0.508X2-1.222X3-0.403X4+0.013X5-0.179X6+0.4520.7435.7370.00220Y=-0.597X1+0.364X2-0.748X3-0.475X4-0.003X5-0.102X6+0.3650.6634.0040.01030Y=0.255X1+0.178X2-0.316X3-0.422X4-0.037X5+0.012X6+0.2530.2761.9650.12840Y=0.456X1-0.058X2-0.148X3-0.275X4-0.044X5-0.021X6+0.2570.2671.7700.17060 Y=0.678X1-0.429X2-0.106X3-0.067X4+0.057X5-0.014X6+0.2030.1521.6650.190

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。

圖3 各回歸模型決定系數(shù)與土壤深度變化關(guān)系圖Fig.3 Relationship between coefficient of determination and soil depth variation of each regression model

由表3可知，逐步回歸法在10、20 cm的土壤含水率預(yù)測(cè)模型的決定系數(shù)R2達(dá)到了0.774、0.717，為三種方法中最高，相對(duì)分析誤差RPD在10 cm處為2.007，表明模型在該深度時(shí)具有很好的定量預(yù)測(cè)能力(RPD>2)，深度達(dá)到20 cm時(shí)RPD值有略微下降，但也有較好的預(yù)測(cè)能力(RPD>1.8)。偏最小二乘法在10、20 cm的模型擬合度R2為0.771、0.709，略低于逐步回歸法，其RPD值分別為1.938、1.836，都有較好的預(yù)測(cè)能力(RPD>1.8)。而嶺回歸法在10、20 cm處的R2(0.632、0.562)為三者最低，定量預(yù)測(cè)能力也低于前兩者(RPD>1.4)。3種方法在各個(gè)深度的模型RMSE值均在允許范圍內(nèi)(0.1以下)。

表3 不同建模方法下土壤含水率的模型評(píng)價(jià)指標(biāo)表

Tab.3 Comparison of predicted and measured values ofsoil moisture content under different modeling methods

回歸方法土壤含水率測(cè)量深度/cm模型決定系數(shù)R2均方根誤差RMSE相對(duì)分析誤差RPD逐步回歸法100.7740.0242.007200.7170.0191.862300.4680.0190.952400.2950.0260.554600.2090.0230.592偏最小二乘法100.7710.0241.938200.7090.0181.836300.4310.0190.939400.3380.0170.734600.0490.0370.174嶺回歸法100.6320.0311.573200.5620.0241.441300.1160.0970.954400.2270.0190.884600.0090.0940.958

圖4 預(yù)測(cè)模型決定系數(shù)與土壤深度變化關(guān)系圖Fig.4 Relationship between prediction coefficient and soil depth variation of prediction model

由圖4可知，各預(yù)測(cè)模型擬合度R2隨土層的加深而下降，在30 cm處皆有明顯的折減，對(duì)比在30、40、60 cm的驗(yàn)證模型RPD值，都表明在該深度范圍內(nèi)的回歸模型不具有預(yù)測(cè)能力(RPD<1.0)，這也與建模集所得結(jié)論一致。

綜上，無人機(jī)多光譜遙感對(duì)作物根域土壤含水率的監(jiān)測(cè)具有一定可行性，利用逐步回歸法、偏最小二乘法、嶺回歸法反演淺層土壤(10、20 cm)的含水率精度較高，這與作物根莖分布長(zhǎng)度有關(guān)，拔節(jié)期的冬小麥根莖長(zhǎng)度在10～20 cm居多，大于20 cm的相對(duì)較少[21-23]，故難以對(duì)較深土壤(h>30 cm)的含水率進(jìn)行監(jiān)測(cè)。綜合比較三種回歸方法的建模結(jié)果和預(yù)測(cè)結(jié)果可知，逐步回歸法模型效果最好，其次是偏最小二乘法，嶺回歸法效果最差，故在實(shí)際應(yīng)用中應(yīng)優(yōu)先采用逐步回歸法。

3 結(jié) 語

(1)植被覆蓋條件下對(duì)作物根域土壤含水率最敏感的是波長(zhǎng)680 nm的紅波段，其次是波長(zhǎng)為490 nm的藍(lán)波段，波長(zhǎng)550 nm的綠波段和波長(zhǎng)720 nm的紅邊波段的敏感度稍低，波長(zhǎng)800 nm和900 nm的近紅外波段與土壤含水率的相關(guān)性最差，且各波段反射率與土壤含水率的相關(guān)性隨深度的加深而下降。

(2)在三種回歸模型中，逐步回歸法只保留顯著性較優(yōu)的波段，擬合度最高，且預(yù)測(cè)精度最優(yōu)，偏最小二乘法次之，嶺回歸法效果最差，所以在植被覆蓋條件下通過無人機(jī)多光譜遙感監(jiān)測(cè)土壤含水率時(shí)應(yīng)優(yōu)先采用逐步回歸法。

(3)在冬小麥拔節(jié)期建立的10、20 cm作物根域處的土壤含水率監(jiān)測(cè)模型具有較高的精度，但對(duì)冬小麥其他生長(zhǎng)期的土壤含水率反演仍需作進(jìn)一步探索。本試驗(yàn)研究成果為作物根域土壤含水率最佳監(jiān)測(cè)模型和最佳監(jiān)測(cè)深度的確定提供一定的理論依據(jù)，對(duì)利用無人機(jī)多光譜遙感實(shí)現(xiàn)植被覆蓋條件下土壤墑情的準(zhǔn)確、高效監(jiān)測(cè)有重要意義。