張傳波　李衛(wèi)國　王晶　李偉　馬廷淮

摘要： 為了建立快速、有效的農(nóng)田土壤水分含量（SMCF）遙感估測方法，在江蘇省連云港市東?？h、泰州市興化市和鹽城市大豐區(qū)布設(shè)SMCF遙感估測試驗。在獲取作物冠層近紅外波段反射率（Near-infrared bandreflectance，Rnir）、紅光波段反射率（Red bandreflectance，Rred）以及SMCF的基礎(chǔ)上，通過分析波段反射率和植被指數(shù)多個遙感光譜特征指標(biāo)與SMCF之間的相關(guān)性，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的SMCF遙感估測模型，并與多元線性回歸模型估測精度進(jìn)行比較。結(jié)果表明，Rnir、Rred、差值植被指數(shù)（DVI）和比值植被指數(shù)（RVI）與SMCF間呈正相關(guān)關(guān)系，歸一化差值植被指數(shù)（NDVI）和SMCF間呈負(fù)相關(guān)關(guān)系，各指標(biāo)與SMCF的相關(guān)性從高到低依次為Rnir> DVI>Rred> NDVI>RVI，其中Rnir與SMCF相關(guān)性最高，相關(guān)系數(shù)為0.765。利用BP神經(jīng)網(wǎng)絡(luò)建立的SMCF估測模型的決定系數(shù)（R2）為0.928，均方根誤差（RMSE）為3.61%，平均相對誤差（ARE）為9.07%。利用多元線性回歸方法建立的SMCF估測模型的R2為0.660，RMSE為7.65%，ARE為21.43%。二者相比可以看出，BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的估測效果明顯優(yōu)于多元線性回歸模型，說明將神經(jīng)網(wǎng)絡(luò)算法與波段反射率和植被指數(shù)結(jié)合建模，可以有效提高SMCF的估測精度。

關(guān)鍵詞： 農(nóng)田土壤水分含量;作物生長;多光譜波段反射率;植被指數(shù);神經(jīng)網(wǎng)絡(luò)

中圖分類號： S127 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-4440（2022）01-0111-08

Abstract： To set up a fast and effective remote sensing estimation method for soil moisture content in farmland （SMCF）， remote sensing estimation experiments of SMCF were designed in Donghai County of Lianyungang City， Xinghua City of Taizhou City and Dafeng District of Yancheng City， Jiangsu province. After acquisition of canopy near-infrared band reflectance （Rnir） and red band reflectance （Rred） of crops and SMCF， correlation between multiple indicators of remote sensing spectral features such as band reflectance， vegetation index and SMCF were analyzed， and a remote sensing estimation model of SMCF based on back propagation （BP） neural network was constructed. Besides， the estimation accuracy was compared with multiple linear regression model. The results showed that， Rnir， Rred， difference vegetation index （DVI） and ratio vegetation index （RVI） were in positive relationships with SMCF. The correlation coefficients between different indexes and SMCF were sequenced as follows： Rnir>DVI>Rred>NDVI>RVI. Among them， Rnir had the highest correlation with SMCF， with a correlation coefficient of 0.765. The determination coefficient （R2） of SMCF estimation model established by BP neural network was 0.928， the root mean square error （RMSE） was 3.61%， and the average relative error （ARE） was 9.07%. R2， RMSE and ARE of the SMCF estimation model established by multiple linear regression method were 0.660， 7.65% and 21.43%， respectively. By comparing the two models， it can be seen that the estimation effect of BP neural network model on SMCF is obviously better than multiple linear regression model， which shows that the estimation accuracy of SMCF can be effectively improved by combining the neural network algorithm with band reflectivity and vegetation index.

Key words： soil moisture content in farmland;crop growth;multi-spectral band reflectance;vegetation index;neural network

作物的生長發(fā)育與農(nóng)田土壤水分含量（SMCF）息息相關(guān)，有效估測SMCF，及時調(diào)整灌溉措施，有利于促進(jìn)作物生長發(fā)育與產(chǎn)量形成[1-6]。SMCF受到較多因素影響，如氣候、環(huán)境、土壤類型及種植作物種類等，且SMCF與個別影響因素之間存在復(fù)雜的非線性關(guān)系。SMCF估測一直是國內(nèi)外農(nóng)業(yè)遙感研究的重要選題，早在20世紀(jì)60年代，國外學(xué)者就展開了有關(guān)環(huán)境因子和SMCF間相關(guān)性的研究，并運(yùn)用統(tǒng)計方法建立了SMCF動態(tài)預(yù)測模型[7-8]。20世紀(jì)80年代以來，國內(nèi)學(xué)者也展開了SMCF的估測研究，并取得一定成果[9-10]。傳統(tǒng)的SMCF估測方法主要分為2類：一是經(jīng)驗法，將氣象因素、作物要素和SMCF進(jìn)行相關(guān)性分析，利用統(tǒng)計方法對SMCF進(jìn)行估測[11-13]。二是機(jī)理法，以土壤水分平衡方程和土壤水動力學(xué)原理為基礎(chǔ)對SMCF進(jìn)行分析[11，14-15]。傳統(tǒng)的SMCF估測模型需要大量的統(tǒng)計數(shù)據(jù)建模，經(jīng)驗性較強(qiáng)，不適用大范圍SMCF的估測。隨著農(nóng)業(yè)遙感技術(shù)的發(fā)展，一些學(xué)者利用遙感技術(shù)展開SMCF估測研究，并取得較多研究成果[16-18]。區(qū)別于傳統(tǒng)SMCF估測方法，利用農(nóng)業(yè)遙感技術(shù)估測SMCF具有快速、便捷、高效和檢測范圍大的特點(diǎn)，可以節(jié)省人力物力，及時獲取大面積SMCF情況。

近年來，隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)方法被較多應(yīng)用于農(nóng)業(yè)生產(chǎn)領(lǐng)域，因其優(yōu)秀的學(xué)習(xí)能力、容錯性及自適應(yīng)性，在作物生長監(jiān)測、病蟲害估測方面已有較多研究，除此之外，有些學(xué)者利用神經(jīng)網(wǎng)絡(luò)進(jìn)行SMCF的估測研究。如劉洪斌等[19]利用時間序列預(yù)測方法建立神經(jīng)網(wǎng)絡(luò)的SMCF估測模型，取得較好預(yù)測效果。尚松浩等[20]以預(yù)測時段末對應(yīng)的時間、預(yù)測時段長、階段降水灌水總量、階段平均氣溫、預(yù)測時段初貯水量作為輸入變量，建立了土壤貯水量預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。Elshorbagy等[21]以降水、氣溫、凈輻射和地溫作為輸入變量，SMCF作為輸出變量，建立神經(jīng)網(wǎng)絡(luò)模型，研究了不同深度SMCF。Adeyemi等[22]利用農(nóng)田土壤濕度、降水量、氣候估測值和農(nóng)田土壤體積含水量建立神經(jīng)網(wǎng)絡(luò)模型，提前一天預(yù)測了農(nóng)田土壤體積含水量。神經(jīng)網(wǎng)絡(luò)具有較好的非線性擬合能力，能夠?qū)⒉煌挠绊懸蛩睾蚐MCF進(jìn)行擬合，在探索兩者之間復(fù)雜的線性關(guān)系前提下進(jìn)行SMCF估測，將波段反射率和植被指數(shù)多個遙感光譜特征指標(biāo)與神經(jīng)網(wǎng)絡(luò)結(jié)合估測SMCF的研究鮮有報道。

本研究在江蘇省連云港市東海縣、泰州市興化市和鹽城市大豐區(qū)布設(shè)SMCF遙感估測試驗，在獲取作物冠層近紅外光譜反射率（Rnir）、紅光光譜反射率（Rred）以及SMCF的基礎(chǔ)上，通過分析波段反射率和植被指數(shù)多個遙感光譜特征指標(biāo)與SMCF之間的相關(guān)關(guān)系，綜合相關(guān)性較好的遙感光譜特征指標(biāo)建立基于BP神經(jīng)網(wǎng)絡(luò)的SMCF估測模型，并與回歸統(tǒng)計模型進(jìn)行比較，以形成快速、高效的縣域SMCF遙感估測方法，旨在為作物灌溉措施調(diào)整提供技術(shù)參考。

1 材料與方法

1.1 試驗區(qū)選擇和數(shù)據(jù)獲取

2020年10月10日-13日，在江蘇省連云港市東?？h、泰州市興化市和鹽城市大豐區(qū)布設(shè)SMCF估測試驗，用Juno ST（美國）手持全球定位系統(tǒng)（GPS）儀定位選擇60個試驗樣點(diǎn)，東?？h、興化市和大豐區(qū)各20個試驗樣點(diǎn)，每個試驗樣點(diǎn)間隔1～2 km（圖1），試驗樣點(diǎn)田塊面積至少200 m×200 m，選擇的田塊距離道路、房屋和水體100 m以上，田間作物長勢均勻。在每個試驗樣點(diǎn)田塊中間位置采用梅花對角線法（或5點(diǎn)采樣法）用GreenSeeker（美國）光譜儀分別測量作物（水稻）冠層Rnir和Rred，測量作物冠層光譜信息前用白板標(biāo)定光譜儀，測量時光譜儀距作物冠層1 m，測量時間為10∶00-14∶00，測量5次后取平均值作為單個試驗樣點(diǎn)的光譜信息數(shù)據(jù)。與光譜測量方法類似，在測量冠層光譜對應(yīng)位置，用DELTA-T（英國）土壤水分儀測量5次SMCF，并計算5次平均值作為每個試驗樣點(diǎn)的SMCF數(shù)據(jù)（試驗測量的SMCF為農(nóng)田土壤水分的體積含量，計算單位為%）。

1.2 植被指數(shù)計算

利用GreenSeeker光譜儀測得的Rnir和Rred計算NDVI（歸一化差值植被指數(shù)）、DVI（差值植被指數(shù)）和RVI（比值植被指數(shù)）[23-26]，計算公式如下：

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層（圖2）組成，隱含層可以是單層或多層。前一層神經(jīng)元將信號傳遞給后一層神經(jīng)元且與后一層的所有神經(jīng)元相連接，同層神經(jīng)元之間無連接且不進(jìn)行信號傳遞。進(jìn)行網(wǎng)絡(luò)訓(xùn)練時，先將輸入數(shù)據(jù)進(jìn)行歸一化處理，處理后的數(shù)據(jù)經(jīng)輸入層運(yùn)算后傳遞至隱含層，隱含層再次運(yùn)算后將數(shù)據(jù)傳遞至輸出層，若輸出層的數(shù)值未到達(dá)期望輸出數(shù)值，計算輸出層的誤差變化值后，將誤差進(jìn)行反向傳播，同時調(diào)整每一層的權(quán)值和閾值，直到輸出數(shù)值滿足期望輸出數(shù)值后，再通過反歸一化處理，將模型估測值輸出。本研究通過構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)對SMCF進(jìn)行估測。

選擇合適的隱含層節(jié)點(diǎn)數(shù)可以有效提高估測精度。隱含層節(jié)點(diǎn)數(shù)采用如下經(jīng)驗公式[27]計算：

z= a+b+c（4）

式（4）中z為隱含層節(jié)點(diǎn)數(shù)，a為輸入層節(jié)點(diǎn)數(shù)，b為輸出層節(jié)點(diǎn)數(shù)，c為0～10之間的常數(shù)，每次增加1個步長確定隱含層節(jié)點(diǎn)數(shù)取值。

為避免輸入變量數(shù)據(jù)出現(xiàn)奇異數(shù)據(jù)，增加訓(xùn)練時間，導(dǎo)致網(wǎng)絡(luò)無法收斂，在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時利用歸一化函數(shù)mapminmax對輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)壓縮到（0，1）范圍內(nèi)，計算公式如下[28]：

y=（x-min）/（max-min）（5）

式（5）中x為輸入變量數(shù)據(jù)（多個遙感光譜特征指標(biāo)），max、min分別為多個遙感光譜特征指標(biāo)數(shù)據(jù)中的最大值、最小值。

1.4 農(nóng)田土壤水分含量估測模型建立與驗證

泰州市興化市和鹽城市大豐區(qū)40個試驗樣點(diǎn)數(shù)據(jù)用于模型建立，連云港市東?？h20個試驗區(qū)樣點(diǎn)數(shù)據(jù)用于模型驗證。

在Excel軟件中對興化市和大豐區(qū)40個試驗樣點(diǎn)的光譜數(shù)據(jù)（包括Rnir、Rred、NDVI、DVI和RVI）與相應(yīng)的SMCF進(jìn)行相關(guān)性分析，依據(jù)分析結(jié)果選擇與SMCF相關(guān)性較好的遙感光譜特征指標(biāo)作為建立SMCF估測模型的輸入樣本。在MATLAB軟件中分別建立BP神經(jīng)網(wǎng)絡(luò)的SMCF估測模型和多元線性回歸的SMCF估測模型。將東海縣20個試驗區(qū)樣點(diǎn)數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)的SMCF估測模型和多元線性回歸的SMCF估測模型中計算得到東?？hSMCF估測值。將東?？hSMCF估測值與對應(yīng)試驗樣點(diǎn)的SMCF實測值進(jìn)行線性擬合，用R2、RMSE和ARE對BP神經(jīng)網(wǎng)絡(luò)的SMCF估測模型和多元線性回歸SMCF估測模型的估測精度進(jìn)行驗證，R2值越大、RMSE和ARE值越小，說明SMCF估測模型的估測精度越高[29]。R2、RMSE和ARE的計算公式如下：

式（6）、（7）和（8）中Pi為東?？h20個驗證試驗區(qū)樣點(diǎn)SMCF估測模型的估測值，Qi為20個驗證試驗區(qū)樣點(diǎn)SMCF實測值，Q為20個驗證試驗區(qū)樣點(diǎn)SMCF實測值的平均值，n為驗證試驗區(qū)樣點(diǎn)數(shù)。

2 結(jié)果與分析

2.1 遙感光譜特征指標(biāo)與農(nóng)田土壤水分含量間的關(guān)系

對興化市和大豐區(qū)40個試驗樣點(diǎn)遙感光譜特征指標(biāo)（Rnir、Rred、NDVI、DVI和RVI）與SMCF進(jìn)行相關(guān)性分析，結(jié)果如表1所示。

從表1可知，不同遙感光譜特征指標(biāo)間存在不同程度的相關(guān)性。Rnir與Rred、NDVI、DVI和RVI呈正相關(guān)關(guān)系，且與DVI的相關(guān)關(guān)系達(dá)極顯著水平。Rred與NDVI和RVI為負(fù)相關(guān)關(guān)系，與DVI為正相關(guān)關(guān)系。NDVI與RVI之間存在明顯的正相關(guān)性，相關(guān)系數(shù)為0.985。依據(jù)不同遙感光譜特征指標(biāo)之間的明顯相關(guān)性，進(jìn)行相互間轉(zhuǎn)換或估算。不同遙感光譜特征指標(biāo)與SMCF間的相關(guān)性各有不相同，其相關(guān)性由強(qiáng)到弱依次為Rnir> DVI>Rred> NDVI>RVI。Rnir與DVI、SMCF之間為正相關(guān)關(guān)系，達(dá)極顯著水平。Rred與SMCF之間為顯著正相關(guān)關(guān)系。NDVI、RVI與SMCF之間呈現(xiàn)負(fù)相關(guān)關(guān)系。綜合以上分析結(jié)果，選擇Rnir、Rred、NDVI和DVI作為建立BP神經(jīng)網(wǎng)絡(luò)的SMCF估測模型的輸入變量和多元線性回歸的SMCF估測模型的自變量。

2.2 農(nóng)田土壤水分含量估測模型的建立

興化市和大豐區(qū)40個試驗樣點(diǎn)遙感光譜特征指標(biāo)（Rnir、Rred、NDVI和DVI）和SMCF實測值分布區(qū)間差異較大，其中Rnir、Rred、NDVI、DVI和SMCF最小值分別為0.189、0.026、0.662、0.163和11.8，最大值分別為0.899、0.091、0.816、0.594和54.9。5個模型變量（Rnir、Rred、NDVI、DVI和SMCF）實測值區(qū)間變化較大，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練前，首先根據(jù)公式（5）對Rnir、Rred、NDVI、DVI和SMCF數(shù)值進(jìn)行歸一化處理使模型變量數(shù)值分布在0～1范圍內(nèi)。

分別選擇trainlm、tansig和purelin作為BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的訓(xùn)練函數(shù)、隱含層傳遞函數(shù)和輸出層函數(shù)。神經(jīng)網(wǎng)絡(luò)模型建立過程中可能發(fā)生過擬合，如果神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本數(shù)據(jù)的擬合效果較好，但驗證樣本數(shù)據(jù)的擬合效果較差則認(rèn)為神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生了過擬合[30]。為了避免神經(jīng)網(wǎng)絡(luò)模型過擬合造成估測效果較差，本研究結(jié)合文獻(xiàn)[31]中的提前停止法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，防止神經(jīng)網(wǎng)絡(luò)模型建立過程中出現(xiàn)過擬合。由公式（4）可知，隱含層以3作為第1個節(jié)點(diǎn)數(shù)，每次增加1個步長設(shè)置不同的節(jié)點(diǎn)數(shù)。選擇不同隱含層節(jié)點(diǎn)數(shù)，利用40個試驗區(qū)樣點(diǎn)數(shù)據(jù)建立的BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型對20個驗證樣點(diǎn)SMCF估測的R2和RMSE如表2所示。根據(jù)隱含層不同節(jié)點(diǎn)數(shù)的BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的R2和RMSE選擇合適的節(jié)點(diǎn)數(shù)，當(dāng)R2最大且RMSE最小時，對應(yīng)的為合適節(jié)點(diǎn)數(shù)。

由表2可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為6時，BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型R2最大，為0.928，RMSE最小，為3.61%。當(dāng)隱含層節(jié)點(diǎn)數(shù)為13時，BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型R2最小，為0.001，RMSE最大，為19.08%。由此可見，隱含層節(jié)點(diǎn)數(shù)的改變對BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型精度和擬合效果都有較大影響，選擇合適的隱含層節(jié)點(diǎn)數(shù)可以有效地提高SMCF估測模型的精度。根據(jù)SMCF估測精度結(jié)果建立的BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型結(jié)構(gòu)為（4，6，1）（4表示BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型輸入變量Rnir、Rred、NDVI和DVI，6表示BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型隱含層節(jié)點(diǎn)數(shù)，1表示BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型輸出變量SMCF），選取的隱含層節(jié)點(diǎn)數(shù)為6時的BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型和估測SMCF擬合公式隱含層權(quán)重、偏差分別見表3和表4。

利用BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型估測SMCF后得到的SMCF估測值為標(biāo)準(zhǔn)歸一化結(jié)果，其值分布在0～1之間，其中最小值為0.090 6，最大值為0.959 0。通過對估測得到的SMCF值進(jìn)行去歸一化處理得到真實的SMCF估測結(jié)果。

利用與BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型相同的Rnir、Rred、NDVI和DVI的40個試驗區(qū)樣點(diǎn)數(shù)據(jù)作為多元線性回歸SMCF估測模型的自變量，對應(yīng)試驗區(qū)樣點(diǎn)SMCF實測值作為模型因變量，建立多元線性回歸SMCF估測模型（SMCFhg），具體公式如下：

SMCFhg=180.841 9Rnir-147.383 5NDVI-101.097 3DVI+103.357 1（9）

2.3 農(nóng)田土壤水分含量估測模型精度評價

將東?？h20個試驗區(qū)樣點(diǎn)的Rnir、Rred、NDVI和DVI數(shù)據(jù)分別代入BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型和多元線性回歸SMCF估測模型中計算SMCF，將2種模型的SMCF估測值分別和對應(yīng)試驗區(qū)樣點(diǎn)的SMCF實測值進(jìn)行統(tǒng)計回歸分析，結(jié)果如圖3所示。

由圖3可知，20個試驗區(qū)驗證樣點(diǎn)SMCF實測值為17.3%～52.3%，多數(shù)樣點(diǎn)SMCF集中在27.7%～51.0%。圖3a中BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型樣點(diǎn)SMCF估測值為19.8%～52.84%，多數(shù)集中在28.98%～50.38%。圖3b中多元線性回歸SMCF估測模型樣點(diǎn)SMCF估測值為14.61%～45.87%，多數(shù)集中在29.2%～44.76%。從SMCF估測結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的估測結(jié)果更接近SMCF的實測值。BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的SMCF估測值和實測值之間的R2為0.928，圖3a中多數(shù)樣點(diǎn)均勻集中在1∶1關(guān)系線附近，RMSE為3.61%，ARE為9.07%。多元線性回歸SMCF估測模型的SMCF估測值和實測值之間的R2為0.660，圖3b中樣點(diǎn)較為分散地分布在1∶1關(guān)系線兩側(cè)，RMSE為7.65%，ARE為21.43%。對比可知，BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型的精度高于多元線性回歸SMCF估測模型。用BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建模型時通過梯度下降搜索方式不斷更新權(quán)值和閾值，逐漸減小輸出值誤差直到滿足期望輸出后進(jìn)行輸出，而用多元線性回歸法建立模型時采用簡單的線性擬合方法獲得輸出值，故BP神經(jīng)網(wǎng)絡(luò)有效地提高了SMCF的估測精度。

3 討論

前人建立的農(nóng)田土壤水分含量（SMCF）估測模型有熱慣量模型[32-33]、特征空間模型[34-35]和微波遙感模型等[36-37]，這些模型主要用在植被覆蓋率低的區(qū)域。依據(jù)Rnir、Rred和微波波段與SMCF的相關(guān)性進(jìn)行建模，雖然具有小范圍適用與便捷的優(yōu)勢，但由于建模時難以消除植被覆蓋度對SMCF估測的影響，因此所建立的SMCF估測模型精度與普適性較難保證。利用作物多個遙感光譜特征指標(biāo)和神經(jīng)網(wǎng)絡(luò)方法對SMCF進(jìn)行估測的研究報道不多見，本研究通過對多個遙感光譜特征指標(biāo)（Rnir、Rred、NDVI、DVI和RVI）與SMCF間的關(guān)系進(jìn)行分析，在明晰多個遙感光譜特征指標(biāo)之間存在不同程度相關(guān)性的基礎(chǔ)上，選擇相關(guān)性較好的Rnir、Rred、NDVI和DVI建立了BP神經(jīng)網(wǎng)絡(luò)SMCF估測模型（SMCFBP），模型的估測精度達(dá)到90.93%。用Rnir、Rred、NDVI和DVI遙感光譜特征指標(biāo)建立的多元線性回歸SMCF估測模型的估測精度為78.57%，比SMCFBP模型估測精度低12.36個百分點(diǎn)，因此選擇用Rnir、Rred、NDVI和DVI建立的SMCFBP模型可以實現(xiàn)對SMCF的有效估測。在作物生長的不同階段，生理生態(tài)特征變化明顯，作物冠層遙感光譜信息變化差異較大，給多個生長時期農(nóng)田土壤水分估測通用模型建立帶來較大不確定性，本研究初步選擇作物單個關(guān)鍵生長時期（即作物灌漿期）的農(nóng)田土壤水分含量進(jìn)行遙感估測研究。

衛(wèi)星遙感影像可以快速、大范圍地獲取作物的光譜信息，在作物生長監(jiān)測、種植面積提取和病蟲害估測方面已有廣泛應(yīng)用[38]。實現(xiàn)從試驗樣點(diǎn)到大田大面積的SMCF遙感估側(cè)，可以通過獲取衛(wèi)星遙感影像，提取相關(guān)遙感光譜特征指標(biāo)數(shù)據(jù)，與SMCFBP模型結(jié)合進(jìn)行大面積SMCF遙感估測。前人研究結(jié)果表明，SMCF和氣象因素（如降雨量、日照、氣溫）具有較高相關(guān)性，今后將考慮結(jié)合氣象因素對SMCFBP模型進(jìn)行修訂與完善，以提高SMCFBP模型的精確性和適用性。

參考文獻(xiàn)：

[1] 劉 凱，張 耗，張慎鳳，等. 結(jié)實期土壤水分和灌溉方式對水稻產(chǎn)量與品質(zhì)的影響及其生理原因[J]. 作物學(xué)報，2008，34（2）：268-276.

[2] 陳 超，李 榮，李 芬，等.不同溝壟覆蓋下土壤水熱效應(yīng)對旱作馬鈴薯生長及產(chǎn)量的影響[J].排灌機(jī)械工程學(xué)報，2020，38（11）：1160-1166.

[3] 王 斌，何文壽，耿世杰.粉壟耕作對土壤水分利用效率和馬鈴薯產(chǎn)量的影響[J].江蘇農(nóng)業(yè)科學(xué)，2020，48（21）：93-96.

[4] 高 佳，張宏斌，張恒嘉，等.綠洲灌區(qū)膜下滴灌調(diào)虧對辣椒品質(zhì)及產(chǎn)量的影響[J].排灌機(jī)械工程學(xué)報，2021，39（4）：404-409.

[5] 王唯逍，劉小軍，田永超，等. 不同土壤水分處理對水稻光合特性及產(chǎn)量的影響[J]. 生態(tài)學(xué)報，2012，32（22）：7053-7060.

[6] 趙嘉濤，馬玉詔，范艷麗，等.生物可降解地膜對棉花產(chǎn)量及水分利用效率的影響[J].排灌機(jī)械工程學(xué)報，2021，39（1）：96-101.

[7] MANABE S，SMAGORINSKY J，STRICKLER R F. Simulated climatology of a general circulation model with a hydrologic CYCLE1[J]. Monthly Weather Review，1965，93（12）：155-169.

[8] BAIER W，ROBERTSON G W. A new versatile soil moisture budget[J]. Canadian Journal of Plant Science，1966，46（3）：299-315.

[9] 徐 梅，隋吉東，劉振忠.土壤水分含量的理論分析及預(yù)測模型[J]. 生物數(shù)學(xué)學(xué)報，1999， 14 （1）：95-99.

[10]邵曉梅，嚴(yán)昌榮，徐振劍.土壤水分監(jiān)測與模擬研究進(jìn)展[J]. 地理科學(xué)進(jìn)展，2004（3）：58-66.

[11]尹健康，陳昌華，邢小軍，等. 基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測[J]. 電子科技大學(xué)學(xué)報，2010，39（6）：891-895.

[12]劉建棟，王馥棠，于 強(qiáng)，等. 華北地區(qū)冬小麥葉片光合作用模型在農(nóng)業(yè)干旱預(yù)測中的應(yīng)用研究[J]. 應(yīng)用氣象學(xué)報，2003，14（4）：469-478.

[13]ARMAND R，WAMBEKE V. The Newhall simulation model for estimating soil moisture & temperature regimes [D].New York：Cornell University，Ithaca，2000.

[14]尚松浩，雷志棟，楊詩秀. 冬小麥田間墑情預(yù)報的經(jīng)驗?zāi)Ｐ蚚J].農(nóng)業(yè)工程學(xué)報，2000， 16 （5）：31-33.

[15]GONG Y S，CAO Q H，SUN Z J. The effects of soil bulk density，clay content and temperature on soil water content measurement using time-domain reflectometry[J].Hydrological Processes，2003，17（18）：3601-3614.

[16]熊世為，李衛(wèi)國，賈天山，等.基于HJ衛(wèi)星數(shù)據(jù)的土壤含水量反演及其旱情預(yù)測[J].江蘇農(nóng)業(yè)學(xué)報，2014，30（5）：1044-1050.

[17]WHALLEY W R，LEEDS-HARRISON P B，BOWMAN G E. Estimation of soil moisture status using near infrared reflectance[J]. Hydrological Processes，1991，5（3）：321-327.

[18]HOSSEINI M，SARADJIAN M R. Multi-index-based soil moisture estimation using MODIS images[J]. International Journal of Remote Sensing，2011，32（21）：6799-6809.

[19]劉洪斌，武 偉，魏朝富. 基于神經(jīng)網(wǎng)絡(luò)的土壤水分預(yù)測建模研究[J]. 水土保持學(xué)報，2003，17（5）：59-62.

[20]尚松浩，毛曉敏，雷志棟，等. 冬小麥田間墑情預(yù)報的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 水利學(xué)報，2002，33（4）：60-63.

[21]ELSHORBAGY A，PARASURAMAN K. On the relevance of using artificial neural networks for estimating soil moisture content[J]. Journal of Hydrology，2008，362（1/2）：1-18.

[22]ADEYEMI O，GROVE I，PEETS S，et al. Dynamic neural network modelling of soil moisture content for predictive irrigation scheduling[J]. Sensors，2018，18（10）：1-22.

[23]LI W G，LIU Y，CHEN H，et al. Estimation model of winter wheat disease based on meteorological factors and spectral information[J]. Food Production Processing and Nutrition，2020，2（1）：77-82.

[24]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，2007，23（5）：499-500.

[25]JORDAN C F. Derivation of leaf‐area index from quality of light on the forest floor[J]. Ecology，1969，50（4）：663-666.

[26]林子晶，李衛(wèi)國，申雙和，等. HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J].江蘇農(nóng)業(yè)學(xué)報，2016，32（1）：111-117.

[27]王嶸冰，徐紅艷，李 波，等. BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J].計算機(jī)技術(shù)與發(fā)展，2018，28（4）：31-35.

[28]汪四水，張孝羲.基于神經(jīng)網(wǎng)絡(luò)的稻縱卷葉螟長期預(yù)測[J].植物保護(hù)學(xué)報，2000， 27（4）：313-316.

[29]李衛(wèi)國，黃文江，董瑩瑩，等.基于溫濕度與遙感植被指數(shù)的冬小麥赤霉病估測[J].農(nóng)業(yè)工程學(xué)報，2017，33（23）：203-210.

[30]劉 平. 人工神經(jīng)網(wǎng)絡(luò)用于化學(xué)數(shù)據(jù)解析的研究（Ⅰ）：逼近規(guī)律與過擬合[J]. 高等學(xué)?；瘜W(xué)學(xué)報，1996，20（6）：861-865.

[31]李儉川，秦國軍，溫熙森，等. 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的過擬合問題及解決方法[J]. 振動，測試與診斷，2002（4）：16-20，76.

[32]ZHANG R H，SUN X M，ZHU Z L，et al. A remote sensing model for monitoring soil evaporation based on differential thermal inertia and its validation[J]. Science in China. Series D，Earth sciences，2003，46（4）：342-355.

[33]余 濤，田國良. 熱慣量法在監(jiān)測土壤表層水分變化中的研究[J]. 遙感學(xué)報，1997，1（1）：24-31.

[34]GOWARD S N，XUE Y，CZAJKOWSKI K P. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements：an exploration with the simplified simple biosphere model[J]. Remote Sensing of Environment，2002，79（2/3）：225-242.

[35]MALLICK K，BHATTACHARYA B K，PATEL N K. Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI[J]. Agricultural & Forest Meteorology，2009，149（8）：1327-1342.

[36]WIGNERON J P，WALDTEUFEL P，CHANZY A，et al. Two-dimensional microwave interferometer retrieval capabilities over land surfaces （SMOS Mission）[J]. Remote Sensing of Environment，2017，73（3）：270-282.

[37]NOTARNICOLA C，ANGIULLI M，POSA F. Soil moisture retrieval from remotely sensed data：neural network approach versus Bayesian method[J]. IEEE Transactions on Geoscience & Remote Sensing，2008，46（2）：547-557.

[38]張 坤，劉永強(qiáng)，阿依尼格爾·亞力坤，等.塔克拉瑪干沙漠腹地土壤熱通量的陸面過程與衛(wèi)星遙感研究[J].江蘇農(nóng)業(yè)科學(xué)，2020，48（20）：256-264.

（責(zé)任編輯：張震林）

1729500783397