李鑫星，朱晨光，傅澤田,，嚴(yán)海軍，彭要奇，鄭永軍*

1. 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2. 中國農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京 100083 3. 中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083

引 言

土壤水分含量是土壤屬性關(guān)鍵的表征參數(shù)之一，該參數(shù)在農(nóng)業(yè)、水文、環(huán)境、氣象等領(lǐng)域起重要作用； 土壤水分含量可以反映土壤的濕潤狀況，其對農(nóng)作物長勢起關(guān)鍵作用。 土壤含水率在陸地表面的吸收、反射、發(fā)射的過程起中重要作用，影響地表與大氣界面間的能量和物質(zhì)的交換。 因此，及時(shí)準(zhǔn)確地獲取土壤水分含量的信息極為重要。

多光譜圖像包含多個(gè)波長光譜信息的圖像信息。 成功[1]等以湖南株洲市區(qū)中西部為例，基于多元線性回歸、PLSR和BPNN回歸模型，建立了土壤重金屬含量的預(yù)測模型。 夏楠等[2]結(jié)合了多光譜遙感影像數(shù)據(jù)與地面土壤有機(jī)質(zhì)的實(shí)測數(shù)據(jù)，建立了土壤有機(jī)質(zhì)多元線性回歸定量估算模型。 結(jié)果表明，運(yùn)用多光譜數(shù)據(jù)對干旱區(qū)土壤有機(jī)質(zhì)估算的方法是可行的。 多光譜相機(jī)靈巧便攜，可搭載在無人機(jī)上，對土壤墑情進(jìn)行監(jiān)測。 張智韜[3]等用大疆無人機(jī)搭載Micro-MAC型多光譜相機(jī)對土樣監(jiān)測，采用PLSR、逐步回歸法以及嶺回歸法，分析土樣多光譜數(shù)據(jù)與土壤水分含量的相關(guān)性。 試驗(yàn)結(jié)果表明，土壤水分含量與其多光譜圖像有一定的相關(guān)性。

基于無人機(jī)采集土壤的多光譜圖像，研究土樣光譜反射率與土壤水分含量間的關(guān)系，建立了基于BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、偏最小二乘的土壤水分含量的預(yù)測模型，并對三種模型的預(yù)測效果進(jìn)行對比分析，為土壤水分含量的快速檢測提供理論支持。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)數(shù)據(jù)選擇

在北京市通州中國農(nóng)業(yè)大學(xué)實(shí)驗(yàn)站采集土壤樣本，該地區(qū)處于北緯39°41′59″，東經(jīng)116°41′1″。 土壤沙瓤質(zhì)，在冬小麥實(shí)驗(yàn)田取100組土壤，經(jīng)過風(fēng)干、篩細(xì)，配成含水率10%～50%。

1.2 儀器

研究中采用Micasense公司生產(chǎn)的RedEdged-M型多光譜相機(jī)，大疆創(chuàng)新公司生產(chǎn)的Phantom 3無人機(jī)，電恒溫鼓風(fēng)烘干箱，見圖1。

圖1 實(shí)驗(yàn)儀器

1.3 樣本數(shù)據(jù)采集

數(shù)據(jù)采集選擇陽光充足的天氣，于2019年1月20日14:00，在中國農(nóng)業(yè)大學(xué)通州實(shí)驗(yàn)站的冬小麥實(shí)驗(yàn)田間進(jìn)行。 將美國Micasense公司生產(chǎn)的Micasense RedEdged-M型相機(jī)搭載在大疆Phantom 3型無人機(jī)上。 采集土壤樣本的光譜數(shù)據(jù)前用該型號(hào)多光譜相機(jī)的標(biāo)準(zhǔn)白板進(jìn)行1～2次標(biāo)定。 無人機(jī)經(jīng)多次試飛后，選定飛行高度為3 m，待無人機(jī)機(jī)身穩(wěn)定后進(jìn)行數(shù)據(jù)采集，如圖2所示。

圖2 數(shù)據(jù)采集

數(shù)據(jù)采集完成后，采用土壤烘干法進(jìn)行土壤含水率的計(jì)算[4]。 把100份土樣分別放在10 cm×16 cm的錫紙盒中，放入烘干箱中烘干土壤樣本。

(1)

式(1)中，w為含水率，m0為錫盒質(zhì)量(g),m1為錫盒及樣品初始質(zhì)量(g),m2為錫盒及樣品烘干質(zhì)量(g)。

1.4 數(shù)據(jù)預(yù)處理

首先，將使用光譜數(shù)據(jù)處理ENVI5.3軟件對圖像進(jìn)行處理，建立100盆土壤感興趣區(qū)域(Region of Interesting, ROI)。 由于，在采集土壤的多光譜數(shù)據(jù)時(shí)，可能會(huì)受采集環(huán)境、儀器的影響導(dǎo)致誤差，因此，根據(jù)花盆的面積、形狀建立合適大小的ROI，提取出每盆土壤樣本的平均光譜值。 其次，根據(jù)標(biāo)準(zhǔn)白板光譜值和亮度值，計(jì)算出每個(gè)花盆在藍(lán)、綠、紅、紅邊、近紅外土壤波段的光譜反射率。

1.5 建模方法

BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用最廣泛的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)重值，最終網(wǎng)絡(luò)的輸出值與期望值輸出盡可能地接近，從而達(dá)到訓(xùn)練的目的。 萊文貝格-馬夸特算法是針對誤差平方和型函數(shù)的特定方法, 這使它在訓(xùn)練神經(jīng)網(wǎng)絡(luò)中測量這種誤差時(shí)非?？靃5]。

支持向量機(jī)(SVM)是一種常用的分類算法，支持向量機(jī)回歸(SVMR)模型是支持向量機(jī)在函數(shù)回歸領(lǐng)域的應(yīng)用，該算法可解決高維度特征回歸問題[6]，并且該算法有大量核函數(shù)可以使用，可根據(jù)數(shù)據(jù)樣本和回歸問題的特點(diǎn)選擇核函數(shù)[7]。

偏最小二乘(PLS)算法[8]適合變量數(shù)量較多，變量間有很大共線性的問題[9]。

2 結(jié)果與討論

2.1 土壤含水率反演模型

基于萊文貝格-馬夸特方法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建立土壤水分含量模型，土壤樣本5個(gè)波段的反射率作為5個(gè)神經(jīng)元輸入，土壤含水率作為1個(gè)神經(jīng)元輸出[10]。 80組土壤樣本訓(xùn)練數(shù)據(jù)中，80%的土壤樣本數(shù)據(jù)用于訓(xùn)練模型，10%的土壤樣本數(shù)據(jù)用于驗(yàn)證模型，10%的土壤樣本數(shù)據(jù)用于測試模型。 根據(jù)5個(gè)波段的圖像對應(yīng)的反射率作為輸入神經(jīng)元，土壤含水率作為輸出神經(jīng)元。 求解出隱含層數(shù)在7～13之間，每個(gè)隱含層對應(yīng)的網(wǎng)絡(luò)訓(xùn)練10次，記錄擬合精度最高的數(shù)值。 訓(xùn)練求解過程可知，隱含層數(shù)為10時(shí)，模型的迭代次數(shù)最少和均方差最小。 因此，選擇5-10-1的萊文貝格-馬夸特改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)。 效果如圖3和圖4所示。

圖3 BPNN模型訓(xùn)練效果

圖4 BPNN模型擬合效果

圖5 支持向量機(jī)模型訓(xùn)練效果

將80組土壤樣本在SVM模型訓(xùn)練，高斯核函數(shù)可以把特征映射到無限多維空間，參數(shù)較好選擇[11-12]。 因此，本研究以高斯函數(shù)作為核函數(shù)做訓(xùn)練，當(dāng)參數(shù)為0.56時(shí)，模型效果最好，模型的RMSE為1.219，R2為0.73。 模型訓(xùn)練效果如圖5所示。

建立基于偏最小二乘的土壤水分含量預(yù)測模型[14-15]，以80組土壤樣本數(shù)據(jù)為訓(xùn)練集，偏最小二乘的模型的訓(xùn)練效果如圖6和圖7所示。

圖6 偏最小二乘模型訓(xùn)練效果圖

圖7 偏最小二乘模型擬合效果

圖8 三種模型驗(yàn)證效果

2.2 模型驗(yàn)證

將剩余的20組土壤樣品數(shù)據(jù)進(jìn)行模型精度驗(yàn)證。 將20組土壤樣本數(shù)據(jù)中代入所建立的基于BPNN，SVM和PLS的土壤水分含量預(yù)測模型中，驗(yàn)證效果分別如圖8(a, b, c)所示。

2.3 比較分析

通過對三種模型的預(yù)測值與烘干法的測定值對比分析，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的效果均優(yōu)于其他兩種模型。 計(jì)算出該土壤樣本水分含量的預(yù)測值，與理化方法所得的土壤水分含量的值進(jìn)行相關(guān)性的對比分析，結(jié)果如表1所示。 其中，基于BP神經(jīng)網(wǎng)絡(luò)的土壤水分含量預(yù)測模型的R2和NRMSE分別為0.872和0.268； 基于支持向量機(jī)的土壤水分含量預(yù)測模型的R2和NRMSE分別為0.821和0.298； 基于偏最小二乘算法的土壤水分含量預(yù)測模型的R2和NRMSE分別為0.789和0.316。 由此可知，BPNN模型預(yù)測效果最精準(zhǔn)，訓(xùn)練速度最快。

表1 三種模型效果對比

3 結(jié) 論

利用無人機(jī)采集了土壤的多光譜圖像，利用數(shù)據(jù)處理軟件ENVI5.3對多光譜圖像進(jìn)行處理，得到其光譜曲線，以標(biāo)準(zhǔn)擺白板的光譜值為參考(光譜反射率為100%)，計(jì)算出土壤在5個(gè)波段的光譜反射率。 以烘干法對土壤水分含量進(jìn)行理化測定，對光譜反射率和理化測定值進(jìn)行建模。

分別以BPNN，SVM和PLS算法對土壤水分含量進(jìn)行建模，結(jié)果發(fā)現(xiàn)，土壤的光譜反射率與含水率間存在較顯著的相關(guān)性。 因此，基于無人機(jī)可以對土壤水分含量進(jìn)行有效的監(jiān)測，將多光譜技術(shù)應(yīng)用在土壤水分含量檢測的領(lǐng)域中，對監(jiān)測土壤墑情提供技術(shù)支持和理論支撐。 本研究將20組預(yù)測值和真實(shí)值進(jìn)行相關(guān)性分析，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果均較好，為采用無人機(jī)多光譜圖像的土壤水分含量的預(yù)測模型研究提供方法支持。