馬 儀 黃組桂 賈江棟 羅林育 王 爽 姚一飛

(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院, 昆明 650217;2.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;3.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

我國(guó)西北內(nèi)陸干旱半干旱區(qū)域一直存在明顯的水資源短缺問(wèn)題,發(fā)展缺水地區(qū)地表土壤水分快速、合理、高精度的監(jiān)測(cè),對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)建設(shè)、荒漠植被恢復(fù)以及灌溉制度制定有著重要的作用和意義。傳統(tǒng)的土壤水分含量測(cè)量方法大多針對(duì)地面采樣點(diǎn)進(jìn)行研究,雖然精度較高,但該方法不僅測(cè)量的范圍有限,取樣的代表性較差,更需耗費(fèi)大量的人力、物力和財(cái)力,同時(shí)也無(wú)法實(shí)現(xiàn)大范圍、高效率的測(cè)量效果[1]。而遙感因其具有無(wú)損、便捷快速、可進(jìn)行大范圍監(jiān)測(cè)等優(yōu)勢(shì),逐漸開(kāi)始應(yīng)用于地表土壤水分的監(jiān)測(cè)研究。早在20世紀(jì)70年代,美歐等國(guó)家便開(kāi)始利用衛(wèi)星遙感進(jìn)行土壤水分的監(jiān)測(cè)研究[2]。雖然取得了不少進(jìn)展,但受限于平臺(tái),往往難以獲得大尺度范圍和高精度兩者兼具的監(jiān)測(cè)結(jié)果。無(wú)人機(jī)(Unmanned aerial vehicle,UAV)是一種能攜帶多種任務(wù)設(shè)備,兼具低成本、低損耗、可重復(fù)使用等優(yōu)點(diǎn)的無(wú)人駕駛航空器[3],當(dāng)在該航空器上裝載多光譜或高光譜傳感器時(shí)便可以快速、較低成本、便捷靈活地獲取高精度的農(nóng)田作物信息,以滿(mǎn)足精準(zhǔn)農(nóng)業(yè)的相關(guān)需求[4],但作用的尺度范圍較小。一般而言,單獨(dú)利用衛(wèi)星或無(wú)人機(jī)遙感無(wú)法實(shí)現(xiàn)高精度且大尺度范圍的土壤水分監(jiān)測(cè),因此有必要發(fā)展合理的尺度轉(zhuǎn)換方法將二者的優(yōu)勢(shì)結(jié)合,以快速實(shí)現(xiàn)大尺度范圍上高精度的地表地物信息監(jiān)測(cè)。在遙感領(lǐng)域,尺度轉(zhuǎn)換就是將數(shù)據(jù)或信息從一個(gè)尺度變換到另一個(gè)尺度的過(guò)程,將從高分辨率到低分辨率的尺度轉(zhuǎn)換稱(chēng)為升尺度,反之則稱(chēng)為降尺度[5]。采用尺度轉(zhuǎn)換方法將多源遙感數(shù)據(jù)相結(jié)合以監(jiān)測(cè)地表土壤水分和鹽分的可行性已被諸多學(xué)者驗(yàn)證。如馮文哲等[6]分別利用衛(wèi)星和無(wú)人機(jī)獲取遙感影像數(shù)據(jù),引入多種機(jī)器學(xué)習(xí)算法構(gòu)建土壤鹽漬化監(jiān)測(cè)模型,并使用升尺度轉(zhuǎn)換方法,較大幅度地提高了衛(wèi)星遙感對(duì)土壤鹽漬化的監(jiān)測(cè)精度。岳朝政[7]提出了基于變分貝葉斯推斷和非參數(shù)貝葉斯的土壤水分空間升尺度法。陳俊英等[8]以衛(wèi)星和無(wú)人機(jī)兩種不同遙感為數(shù)據(jù)源,采用改進(jìn)的TsHARP法進(jìn)行線性回歸函數(shù)趨勢(shì)面的構(gòu)造以構(gòu)建土壤鹽漬化監(jiān)測(cè)模型,提高了衛(wèi)星遙感對(duì)土壤鹽漬化的監(jiān)測(cè)精度。張智韜等[9]基于加權(quán)算法將無(wú)人機(jī)數(shù)據(jù)尺度上推以修正衛(wèi)星遙感數(shù)據(jù),有效提高了土壤含鹽量監(jiān)測(cè)精度。土壤中的水分和鹽分常常相互伴隨交互、聯(lián)系緊密[10],如柯增鳴[11]發(fā)現(xiàn)在0～20 cm和20～40 cm土層的土壤水分與土壤鹽分在土壤相對(duì)含水率為52%～75%下具有較高的相關(guān)性,張術(shù)偉等[12]在探究黃河三角洲壤土水鹽變化時(shí)發(fā)現(xiàn),在升鹽過(guò)程中,土壤表層水鹽呈現(xiàn)正向線性關(guān)系,此外土壤中的水分和鹽分在光譜吸收帶的范圍有著較大的重合[10],理論上可以采取尺度轉(zhuǎn)換手段將多源遙感數(shù)據(jù)相結(jié)合的方式,應(yīng)用于土壤水分的監(jiān)測(cè)研究。然而,目前在協(xié)同多源遙感數(shù)據(jù)以開(kāi)展升尺度的土壤水分監(jiān)測(cè)方面的相關(guān)研究仍較少?；诖?本研究以?xún)?nèi)蒙古河套灌區(qū)為研究對(duì)象,分別采用重采樣和TsHARP升尺度法,將無(wú)人機(jī)遙感數(shù)據(jù)尺度上推以修正衛(wèi)星數(shù)據(jù),通過(guò)引入不同算法構(gòu)建升尺度修正后GF-1衛(wèi)星遙感數(shù)據(jù)源下不同深度的土壤含水率反演模型,以期實(shí)現(xiàn)大尺度、高精度的土壤水分反演,為干旱、半干旱地區(qū)的土壤含水率監(jiān)測(cè)提供技術(shù)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

選取內(nèi)蒙古河套灌區(qū)解放閘灌域沙壕渠試驗(yàn)站為研究區(qū)。河套灌區(qū)位于我國(guó)黃河流域上游,平均海拔1 km以上,是我國(guó)第三大灌區(qū)[13]。解放閘灌域處于河套灌區(qū)西部,屬干旱半干旱區(qū)[14]。而沙壕渠是解放閘灌域的一個(gè)獨(dú)立體,位于內(nèi)蒙古自治區(qū)巴彥淖爾市杭錦后旗,其土壤類(lèi)型大多為粉質(zhì)粘壤土,平均干容重約為1.46 t/m3,年降水量不到200 mm,年蒸發(fā)量卻在2 000 mm以上,蒸降比超過(guò)10[15]。由于氣候、地形條件、土質(zhì)因素及人為的不合理灌溉等因素,導(dǎo)致該地區(qū)的土壤鹽漬化問(wèn)題較為突出。

本次試驗(yàn)在沙壕渠內(nèi)進(jìn)行(圖1),在研究區(qū)內(nèi)分散選取了4塊土地,進(jìn)行了無(wú)人機(jī)飛行試驗(yàn),并均勻布置采樣點(diǎn),同步采集土壤樣本,以計(jì)算土壤含水率。

1.2 遙感數(shù)據(jù)獲取與處理

1.2.1衛(wèi)星遙感數(shù)據(jù)

衛(wèi)星影像數(shù)據(jù)從中國(guó)資源衛(wèi)星應(yīng)用中心(http:∥www.cresda.com/CN/)下載獲取。本研究選用的衛(wèi)星遙感影像成像時(shí)間為2019年7月30日,空間分辨率為16 m,包括b1、b2、b3、b4共4個(gè)波段,分別對(duì)應(yīng)藍(lán)(B)、綠(G)、紅(R)和近紅外(NIR),譜段范圍分別為0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm和0.77～0.89 μm。利用ENVI軟件對(duì)獲取的影像進(jìn)行輻射定標(biāo)、幾何精度校正、大氣校正、裁剪等預(yù)處理,之后將實(shí)測(cè)的120個(gè)采樣點(diǎn)坐標(biāo)導(dǎo)入遙感影像,提取各波段的反射率,用于后續(xù)光譜指數(shù)計(jì)算及土壤含水率反演。

1.2.2無(wú)人機(jī)多光譜遙感數(shù)據(jù)

使用大疆創(chuàng)新科技有限公司生產(chǎn)的M600型六旋翼無(wú)人機(jī)獲取無(wú)人機(jī)遙感影像。多光譜傳感器型號(hào)為Micro-MCA,包括b1、b2、b3、b4、b5、b6共6個(gè)光譜波段,分別對(duì)應(yīng)藍(lán)(B)、綠(G)、紅(R)、紅邊(NIR)、近紅外1(NIR1)以及近紅外2(NIR2),中心波長(zhǎng)分別為490、550、680、720、800、900 nm。于2019年7月15—25日獲取無(wú)人機(jī)多光譜影像。飛行當(dāng)天天氣晴朗,無(wú)人機(jī)按照定好的航線飛行,飛行高度為120 m,多光譜相機(jī)鏡頭垂直向下,此時(shí)影像所對(duì)應(yīng)的地面分辨率約為0.065 m。使用多光譜相機(jī)配套的Pixel wrench圖像編輯軟件對(duì)獲取的無(wú)人機(jī)遙感影像進(jìn)行校正、裁剪、拼接、合成等相關(guān)處理,導(dǎo)出tif格式的多光譜影像。最后將采樣點(diǎn)的經(jīng)緯度導(dǎo)入ENVI軟件,提取影像中對(duì)應(yīng)采樣點(diǎn)的灰度,通過(guò)參考白板進(jìn)一步計(jì)算各波段反射率。

1.3 土壤樣本采集處理與含水率計(jì)算

土壤樣本的采樣時(shí)間與無(wú)人機(jī)影像獲取時(shí)間同步,與衛(wèi)星遙感影像數(shù)據(jù)獲取時(shí)間相近。采用五點(diǎn)取樣法進(jìn)行采樣,共布設(shè)120個(gè)土壤采樣點(diǎn),采樣點(diǎn)深度分別為0～20 cm、20～40 cm和40～60 cm,并采用手持GPS定位,記錄采樣點(diǎn)的地理坐標(biāo)。將野外采集到的各深度的120個(gè)土樣快速裝入已知質(zhì)量的干燥鋁盒,密封并標(biāo)記好后稱(chēng)量,經(jīng)105℃、24 h恒溫處理后稱(chēng)量,計(jì)算土壤質(zhì)量含水率θm,計(jì)算式為

(1)

式中W1——空鋁盒質(zhì)量

W2——濕土加鋁盒質(zhì)量

W3——干土加鋁盒質(zhì)量

將因試驗(yàn)記錄及計(jì)算錯(cuò)誤所得土壤含水率為負(fù)值的數(shù)據(jù)剔除,最終剩余101個(gè)實(shí)測(cè)土壤樣本用于本次研究。將101個(gè)土壤含水率樣本從小到大排序,建模集與驗(yàn)證集按照比例2∶1等間隔分配,以確保建模集與驗(yàn)證集分布均勻。

1.4 光譜指數(shù)計(jì)算與全子集篩選

一般而言,僅用個(gè)別波段難以充分提取地物光譜信息以及構(gòu)建高精度的土壤含水率反演模型,因此許多學(xué)者通過(guò)建立光譜指數(shù)以更好地反映地物信息。如曹雷等[16]研究發(fā)現(xiàn),SI-T、S5等鹽分指數(shù)對(duì)土壤鹽漬化較為敏感,具有較好的預(yù)測(cè)能力;差值植被指數(shù)(Difference vegetation index,DVI)常被應(yīng)用于光學(xué)遙感反演土壤水分[17]。結(jié)合前人研究經(jīng)驗(yàn)以及考慮到灌區(qū)較高植被覆蓋度和一定鹽漬化問(wèn)題的實(shí)際情況,在GF-1衛(wèi)星遙感數(shù)據(jù)的波段反射率基礎(chǔ)上,引入應(yīng)用廣泛的植被指數(shù)和鹽分指數(shù)建立遙感圖像與土壤含水率的定量關(guān)系,分別為鹽分指數(shù)SI2、鹽分指數(shù)S3、鹽分指數(shù)S5、鹽分指數(shù)S6、鹽分指數(shù)SI-T、亮度指數(shù)(Brightness index,BI)、土壤調(diào)節(jié)植被指數(shù)(Soil adjusted vegetation index,SAVI2)、垂直干旱指數(shù)(Perpendicular drought index,PDI)、轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)(Transformed soil-adjusted vegetation index,TSAVI)、差值植被指數(shù)(DVI),相關(guān)計(jì)算公式見(jiàn)表1。

表1 光譜指數(shù)匯總Tab.1 Summary of spectral index

采用全子集篩選法篩選出自變量(敏感波段和光譜指數(shù))的最優(yōu)組合。該法假設(shè)有M個(gè)自變量,對(duì)M中的P個(gè)變量(1≤P≤M,P、M均為整數(shù))分別與因變量做最小二乘擬合,擬合出1～P個(gè)預(yù)測(cè)變量模型;在1～P個(gè)模型中,根據(jù)調(diào)整后決定系數(shù)(Coefficient of determination,R2)最大原則,綜合考慮均方根誤差(Root mean squared error,RMSE)、赤池信息準(zhǔn)則(Akaike information criterion,AIC)和施瓦茨信息準(zhǔn)則(Schwarz information criterion,SIC),從P個(gè)模型中選出一個(gè)最優(yōu)自變量組合。通過(guò)Matlab軟件完成全子集篩選算法模型的構(gòu)建。

1.5 模型建立

1.5.1多元線性回歸模型

多元線性回歸(Multiple linear regression, MLR)是指在相關(guān)變量中,將一個(gè)變量視為因變量,其它一個(gè)或多個(gè)變量視為自變量,建立多個(gè)變量之間線性的數(shù)學(xué)模型數(shù)量關(guān)系式[24]。多元線性回歸是一元線性回歸的擴(kuò)展,通常采用最小二乘法對(duì)參數(shù)進(jìn)行估計(jì)。因變量y與自變量X1、X2、…、Xn之間線性關(guān)系為

y=β0+β1X1+β2X2+…+βnXn+ε

(2)

式中β0、β1、…、βn——回歸系數(shù)

ε——服從正態(tài)獨(dú)立同分布的隨機(jī)誤差項(xiàng)

通過(guò)Matlab軟件完成多元線性回歸模型的建模與驗(yàn)證。

1.5.2BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)是一種根據(jù)誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[6]。該機(jī)器學(xué)習(xí)模型的拓?fù)浣Y(jié)構(gòu)一般由輸入層、隱藏層、輸出層組成,本研究采用3層BP神經(jīng)網(wǎng)絡(luò),其中輸入層與輸出層均采用線性激活函數(shù)(purelin),隱含層采用雙曲正切激活函數(shù)(tansig),含有10個(gè)神經(jīng)元的單層網(wǎng)絡(luò),為防止數(shù)據(jù)分析因?yàn)椴煌牧烤V得出不同的結(jié)果,對(duì)輸入層和輸出層數(shù)據(jù)進(jìn)行歸一化處理。模型的各參數(shù)設(shè)置為:訓(xùn)練擬合目標(biāo)誤差為0.1%,網(wǎng)絡(luò)的學(xué)習(xí)速率為0.05,最大訓(xùn)練次數(shù)為6 000次,其余參數(shù)取默認(rèn)值。通過(guò)Matlab軟件完成BP神經(jīng)網(wǎng)絡(luò)模型的建模和驗(yàn)證。

1.5.3支持向量機(jī)模型

支持向量機(jī)(Support vector machines,SVM)是一類(lèi)按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類(lèi)的廣義線性分類(lèi)器,從功能上可分為分類(lèi)和回歸兩類(lèi)[25],可用于非線性分類(lèi)問(wèn)題[26],能夠較好地避免“離散值多”的問(wèn)題。本研究將目前應(yīng)用廣泛的徑向基核(RBF)作為核函數(shù),懲罰參數(shù)C和核參量g則通過(guò)在模型中設(shè)置循環(huán)來(lái)選擇和調(diào)整,同樣對(duì)輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理,在Matlab軟件進(jìn)行支持向量機(jī)模型的構(gòu)建和驗(yàn)證。

1.6 升尺度轉(zhuǎn)換方法

1.6.1重采樣升尺度法

在遙感領(lǐng)域,重采樣是一種影像數(shù)據(jù)重新組織過(guò)程中的灰度處理方法[27]。常用的重采樣方法有最鄰近法、雙線性?xún)?nèi)插法、立方卷積內(nèi)插法、像元聚合法等。本研究采用像元聚合法實(shí)現(xiàn)對(duì)無(wú)人機(jī)遙感影像的重采樣。像元聚合法是對(duì)所有的輸出像元值有貢獻(xiàn)的像元平均值進(jìn)行采樣,通過(guò)ENVI軟件Rezise data功能中的Pixel aggregate實(shí)現(xiàn)。用重采樣升尺度到分辨率16 m的無(wú)人機(jī)遙感數(shù)據(jù)構(gòu)建的光譜指數(shù)修正GF-1衛(wèi)星數(shù)據(jù)光譜指數(shù),具體為分辨率16 m的無(wú)人機(jī)遙感數(shù)據(jù)的波段反射率及構(gòu)建光譜指數(shù)乘以對(duì)應(yīng)的GF-1衛(wèi)星數(shù)據(jù)的波段反射率及光譜指數(shù),得到升尺度修正后的GF-1衛(wèi)星遙感數(shù)據(jù)。

1.6.2TsHARP升尺度法

TsHARP升尺度法主要通過(guò)構(gòu)造趨勢(shì)面進(jìn)行尺度轉(zhuǎn)換,有學(xué)者將其應(yīng)用于土壤鹽漬化的升尺度研究[28],但僅進(jìn)行了傳統(tǒng)的線性回歸模型函數(shù)趨勢(shì)面之間的構(gòu)造。本文通過(guò)將目前應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法進(jìn)行趨勢(shì)面的構(gòu)造,以實(shí)現(xiàn)土壤水分的升尺度研究,提高衛(wèi)星遙感對(duì)土壤含水率的反演,該升尺度法的主要步驟如下:

首先建立無(wú)人機(jī)尺度上土壤含水率與趨勢(shì)面因子間的關(guān)系,公式為

S=F(B′)

(3)

式中S——無(wú)人機(jī)分辨率0.065 m尺度上采用趨勢(shì)面因子反演的土壤含水率

F——無(wú)人機(jī)分辨率0.065 m尺度上趨勢(shì)面反演函數(shù)或模型,同樣適用于升尺度到GF-1衛(wèi)星分辨率16 m尺度上土壤含水率與趨勢(shì)面因子間的反演

B′——無(wú)人機(jī)分辨率0.065 m尺度上的趨勢(shì)面因子

由于受到土壤鹽分等因素的影響,趨勢(shì)面因子總是很難完全反映土壤含水率的分布情況,表現(xiàn)為無(wú)人機(jī)高分辨率0.065 m尺度上的轉(zhuǎn)換殘差ΔS,在本文中也認(rèn)為等于GF-1衛(wèi)星尺度上的轉(zhuǎn)換殘差ΔS1,計(jì)算公式為

ΔS=S′-S=ΔS1

(4)

式中S′——實(shí)測(cè)土壤含水率

升尺度修正后GF-1衛(wèi)星數(shù)據(jù)源下反演的土壤含水率由GF-1衛(wèi)星數(shù)據(jù)應(yīng)用無(wú)人機(jī)尺度上建立的趨勢(shì)面計(jì)算的土壤含水率和衛(wèi)星尺度上的轉(zhuǎn)換殘差構(gòu)成,計(jì)算公式為

S16=F16(B16)+ΔS1=F(B16)+ΔS1

(5)

式中S16——升尺度修正后GF-1衛(wèi)星數(shù)據(jù)下反演的土壤含水率

B16——GF-1衛(wèi)星分辨率16 m尺度上的趨勢(shì)面因子

1.7 模型精度評(píng)價(jià)指標(biāo)

根據(jù)調(diào)整后的決定系數(shù)R2、均方根誤差(RMSE)、赤池信息準(zhǔn)則(AIC)和施瓦茨信息準(zhǔn)則(SIC)來(lái)綜合評(píng)價(jià)全子集篩選效果;通過(guò)調(diào)整后R2、RMSE綜合評(píng)價(jià)升尺度前后各模型的精度與穩(wěn)定性。調(diào)整后R2可以反映建模和驗(yàn)證的擬合效果,RMSE可以反映反演值與實(shí)測(cè)值之間的偏差度,其中R2越接近1,RMSE越小,說(shuō)明模型精度越高。AIC和SIC能夠在一定程度上衡量統(tǒng)計(jì)模型的復(fù)雜度和擬合優(yōu)良性,其參數(shù)值越小表示該模型能夠以最少自由變量最好地解釋因變量。

2 結(jié)果與分析

2.1 相關(guān)性分析與全子集篩選確定的最優(yōu)自變量組合

圖2 波段及光譜指數(shù)與不同深度土壤含水率的皮爾遜相關(guān)系數(shù)Fig.2 Pearson correlation coefficient of band and spectral index and soil moisture content at different depths

參考相關(guān)系數(shù)檢驗(yàn)臨界值表進(jìn)行顯著性檢驗(yàn),當(dāng)樣本數(shù)據(jù)點(diǎn)為101時(shí),其對(duì)應(yīng)的自由度為99,當(dāng)相關(guān)系數(shù)的絕對(duì)值大于0.255時(shí),達(dá)到0.01顯著性水平。從圖2可以看出,除b3、S5、DVI和SI-T外,其它波段及光譜指數(shù)與土壤含水率的相關(guān)系數(shù)大于0.255,達(dá)到0.01顯著水平,分析認(rèn)為綠波段b2位于綠色植物的綠色反射率附近,對(duì)植物的綠反射敏感;而近紅外波段NIR處于植物的高反射區(qū),為植物識(shí)別通用波段,與土壤含水率相關(guān)性較強(qiáng),故b2、NIR波段及基于該兩波段建立的BI、SI2、SAVI2、PDI等光譜指數(shù)與土壤含水率表現(xiàn)出較強(qiáng)的相關(guān)性。相較于其它深度土壤含水率,深度40～60 cm的土壤含水率與各波段及光譜指數(shù)的相關(guān)系數(shù)更小,并未表現(xiàn)出較強(qiáng)的相關(guān)性,這與文獻(xiàn)[29]研究結(jié)果一致,可能原因是隨著土壤深度增加,土壤內(nèi)部環(huán)境情況越發(fā)復(fù)雜,遙感作用于土層的能力逐漸下降。

將波段反射率和光譜指數(shù)作為自變量,實(shí)測(cè)土壤含水率為因變量,構(gòu)建全子集篩選算法模型,根據(jù)驗(yàn)證集調(diào)整后R2最大原則,綜合考慮RMSE、AIC和SIC等評(píng)價(jià)指標(biāo),確定不同深度下波段反射率與光譜指數(shù)之間的最優(yōu)變量組合,結(jié)果如表2所示。

表2 基于全子集篩選的GF-1衛(wèi)星數(shù)據(jù)源下最優(yōu)變量組合Tab.2 Optimal variable combination under GF-1 satellite data source based on full subset screening

從表2可以看出,0～20 cm、0～40 cm和0～60 cm 3個(gè)深度下的R2達(dá)0.324以上,其中0～20 cm和 0～60 cm整體達(dá)0.368以上,擬合效果較好;而深度40～60 cm下的R2僅有0.10左右,擬合效果較差,原因可能是該深度土壤含水率與各光譜變量的相關(guān)性較差。各深度下的AIC和SIC均隨著自變量個(gè)數(shù)的增多而呈現(xiàn)逐漸上升的趨勢(shì),這是因?yàn)殡S著自變量個(gè)數(shù)的增加,模型的擬合效果可能會(huì)有所提升,但會(huì)受到一定的“懲罰”。各深度下的RMSE大多在0.03%上下波動(dòng)變化,且隨著R2的增大呈現(xiàn)減小趨勢(shì)。不同深度的敏感光譜特征變量總體上是一致的,每一種光譜特征變量在其它深度中均有出現(xiàn),如S3、DVI等,在不同深度最優(yōu)變量組合的選擇上以最大R2為首要考慮條件(RMSE與此同時(shí)也最小)進(jìn)行。如深度0～20 cm下自變量個(gè)數(shù)為6時(shí)其R2最大,RMSE最小,故選擇b1、b3、b4、SI2、S3和PDI作為該深度下的最優(yōu)變量組合,同理篩選出深度20～40 cm的最優(yōu)變量組合為S3、SI-T;深度40～60 cm的最優(yōu)變量組合為b4、SAVI2;深度0～40 cm的最優(yōu)變量組合為b3、b4、BI、S3、S5、PDI;深度0～60 cm的最優(yōu)變量組合為S3、DVI。

2.2 基于重采樣升尺度法的不同深度土壤含水率反演模型

采用全子集篩選法對(duì)升尺度修正后的波段反射率和光譜指數(shù)組成的自變量與實(shí)測(cè)土壤含水率構(gòu)成的因變量所構(gòu)建的模型進(jìn)行一一列舉,通過(guò)驗(yàn)證集調(diào)整后R2最大原則,綜合考慮RMSE、AIC和SIC等評(píng)價(jià)指標(biāo),篩選出不同深度下的最優(yōu)自變量組合,結(jié)果如下:0～20 cm為b1、S3、S6、TSAVI,20～40 cm為b1、b3、S3,40～60 cm為b1、b2、b3、b4、S3、SAVI2,0～40 cm為b2、b3、S3、S6、SI-T,0～60 cm為b2、S3、S5、S6、SI-T。

以全子集篩選出的升尺度修正后GF-1衛(wèi)星數(shù)據(jù)下的最優(yōu)變量組合為自變量,實(shí)測(cè)土壤含水率為因變量,運(yùn)用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)算法構(gòu)建不同深度下土壤水分反演模型,并與直接采用GF-1衛(wèi)星數(shù)據(jù)源構(gòu)建的土壤水分反演模型進(jìn)行對(duì)比,評(píng)價(jià)升尺度修正前后GF-1衛(wèi)星遙感對(duì)土壤含水率的反演效果。

2.2.1多元線性回歸模型

由表3可知,升尺度修正后的0～20 cm和40～60 cm MLR模型的反演精度較升尺度修正前有明顯的提升,二者驗(yàn)證集的R2分別提高0.211、0.180,分析認(rèn)為重采樣中的像元聚合(Pixel aggregate)對(duì)輸出的所有有貢獻(xiàn)的像元做了取均值處理,能夠一定程度上減小建模集與驗(yàn)證集劃分不均的影響。土壤深度 0～40 cm的反演效果較好,模型的R2達(dá)到0.530,RMSE為0.028%。與升尺度修正前相比,5種深度模型的反演精度均有較為明顯的提高,RMSE有一定程度上的降低,說(shuō)明該升尺度方法有效。

兩組患者均無(wú)心源性死亡和再發(fā)心肌梗死（0例），治療組和對(duì)照組分別有5例、6例患者行靶血管重建。兩組患者M(jìn)ACE比較，差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。

表3 重采樣法下不同深度土壤含水率的多元線性 回歸模型精度Tab.3 Precision of MLR model of soil moisture content at different depths by resampling method

2.2.2BP神經(jīng)網(wǎng)絡(luò)模型

由表4可知,升尺度修正后GF-1衛(wèi)星數(shù)據(jù)下的各深度BPNN模型的R2整體提高0.11左右,部分深度如0～20 cm和0～60 cm BPNN模型的R2提高0.15左右,RMSE整體在0.031%以下,均比升尺度修正前明顯降低。各深度BPNN模型建模集與驗(yàn)證集的R2相近,無(wú)過(guò)擬合或欠擬合現(xiàn)象,模型的擬合效果較好。升尺度修正后的40～60 cm BPNN模型的反演精度R2明顯低于其它深度,建模與驗(yàn)證效果較差,不適宜進(jìn)行土壤含水率反演。

表4 重采樣法下不同深度土壤含水率的BP神經(jīng)網(wǎng)絡(luò) 模型精度Tab.4 Precision of BPNN model of soil moisture content at different depths by resampling method

2.2.3支持向量機(jī)模型

由表5可知,在5種不同深度的升尺度修正后SVM模型中,0～40 cm和0～60 cm SVM模型的R2較升尺度修正前提升最明顯,其中,0～40 cm SVM模型的R2提升0.176;0～60 cm SVM模型的R2提升0.158,R2達(dá)到0.571,RMSE降低至0.022%,降幅15.4%,為最優(yōu)深度反演,而其它3個(gè)深度SVM模型的反演精度也有明顯幅度的提高。升尺度修正后GF-1衛(wèi)星數(shù)據(jù)下部分深度SVM模型的反演精度R2最大能提高近0.176,RMSE對(duì)應(yīng)升尺度修正前有較為明顯的降低,表明該升尺度法能提高GF-1衛(wèi)星遙感對(duì)土壤含水率的反演精度。

表5 重采樣法下不同深度土壤含水率的支持向量機(jī) 模型精度Tab.5 Precision of SVM model of soil moisture content at different depths by resampling method

2.3 基于TsHARP升尺度法的不同深度土壤含水率反演模型

由2.1、2.2節(jié)可知,深度40～60 cm下各土壤水分反演模型的建模效果明顯較其它深度差,不適宜進(jìn)行土壤水分反演。實(shí)際上,隨著土層深度的增加,遙感作用于地表的能力逐漸下降,越深處的土壤水分反演顯然不合理甚至是錯(cuò)誤的。因此,在本節(jié)TsHARP升尺度法中只進(jìn)行深度0～20 cm、20～40 cm、0～40 cm及0～60 cm土壤含水率反演模型的建立與分析。

2.3.1多元線性回歸模型

由表6可知,與升尺度修正前相比,各深度模型的反演精度有較為明顯的提高,除0～20 cm MLR模型外,其它3種深度模型R2整體從0.4左右提升至0.5以上。其中,0～20 cm MLR模型驗(yàn)證集的R2較升尺度修正前提升0.141,0～60 cm MLR模型建模集的R2較升尺度修正前提升0.213,提升幅度明顯。升尺度修正后的各深度MLR模型的RMSE整體有所降低,說(shuō)明該升尺度法在提高GF-1衛(wèi)星遙感對(duì)土壤水分的反演精度可行。

表6 TsHARP升尺度法下不同深度土壤含水率的 多元線性回歸模型精度Tab.6 Precision of MLR model of soil moisture content at different depths by TsHARP scale-up method

2.3.2BP神經(jīng)網(wǎng)絡(luò)模型

由表7可知,除0～40 cm BPNN模型外,其它3種深度模型的反演精度R2整體達(dá)到0.7以上,較升尺度修正前顯著提高,RMSE整體下降明顯。其中升尺度修正后的0～60 cm BPNN模型的R2最高提升至0.829,RMSE最低降至0.015%,降幅達(dá)到40%,為最優(yōu)反演。與2.3.1節(jié)MLR模型相比,各深度BPNN模型的反演效果有著顯著的改善,明顯優(yōu)于多元線性回歸算法,說(shuō)明運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建趨勢(shì)面可行, TsHARP升尺度法的優(yōu)勢(shì)能得以較好地展現(xiàn)。

表7 TsHARP升尺度法下不同深度土壤含水率的 BP神經(jīng)網(wǎng)絡(luò)模型精度Tab.7 Precision of BPNN model of soil moisture content at different depths by TsHARP scale-up method

2.3.3支持向量機(jī)模型

由表8可知,升尺度修正后4種深度SVM模型的R2達(dá)到0.6以上,與升尺度修正前相比有明顯提高;除20～40 cm SVM模型驗(yàn)證集外,其它深度模型的RMSE均對(duì)應(yīng)升尺度修正前明顯降低。其中,0～20 cm、0～40 cm和0～60 cm SVM模型R2較升尺度修正前提升最明顯。與2.3.2節(jié)基于BP神經(jīng)網(wǎng)絡(luò)算法的TsHARP升尺度法在提高反演模型精度上所得結(jié)論相似,運(yùn)用支持向量機(jī)的機(jī)器學(xué)習(xí)算法構(gòu)造趨勢(shì)面能有效發(fā)揮TsHARP升尺度法的效果以提高模型反演精度。

表8 TsHARP升尺度法下不同深度土壤含水率的 支持向量機(jī)模型精度Tab.8 Precision of SVM model of soil moisture content at different depths by TsHARP scale-up method

2.4 升尺度反演模型綜合評(píng)價(jià)

由于基于TsHARP升尺度法的修正后GF-1衛(wèi)星數(shù)據(jù)下只進(jìn)行了深度0～20 cm、20～40 cm、0～40 cm和 0～60 cm土壤含水率的反演,故以下主要對(duì)比這4種不同深度在基于重采樣和TsHARP升尺度法的修正后GF-1衛(wèi)星數(shù)據(jù)下構(gòu)建的土壤含水率反演模型。將兩種升尺度方法下采用不同算法構(gòu)建的不同深度土壤含水率反演模型的評(píng)價(jià)指標(biāo)R2繪制成柱形圖,以直觀對(duì)比不同深度不同模型的反演精度,結(jié)果如圖3所示。

圖3 基于兩種升尺度法的不同深度下土壤含水率反演模型對(duì)比Fig.3 Comparison of soil moisture inversion models at different depths based on two scale-up methods

由圖3可知,重采樣升尺度法下SVM模型的反演精度最高,而MLR模型整體略?xún)?yōu)于BPNN模型,即精度由高到低依次為SVM、MLR、BPNN;TsHARP升尺度方法下采用BPNN和SVM兩種機(jī)器學(xué)習(xí)算法構(gòu)建的反演模型均優(yōu)于MLR算法,而B(niǎo)PNN算法又整體優(yōu)于SVM算法,即精度由高到低依次為BPNN、SVM、MLR。

采用機(jī)器學(xué)習(xí)算法的TsHARP升尺度法構(gòu)建的反演模型精度較高且明顯優(yōu)于基于多元線性回歸算法,TsHARP升尺度法下反演模型的R2可達(dá)0.7以上,說(shuō)明采用BPNN和SVM算法構(gòu)造趨勢(shì)面進(jìn)行升尺度轉(zhuǎn)換可行。

對(duì)于基于多元線性回歸算法的重采樣和TsHARP升尺度法中,兩種不同升尺度法下的不同深度MLR模型的反演精度整體相差不大,而TsHARP升尺度法下的4種不同深度BPNN和SVM模型的反演精度R2均明顯高于基于重采樣升尺度法(重采樣升尺度法下反演模型最大R2約為0.57),說(shuō)明TsHARP升尺度法整體上優(yōu)于重采樣升尺度法。

2.5 沙壕渠灌域土壤含水率反演

由上述可知,TsHARP升尺度法下0～60 cm BPNN模型的反演效果最好,故選用該模型反演河套灌區(qū)內(nèi)整個(gè)沙壕渠的土壤含水率空間分布情況,結(jié)果如圖4所示。

圖4 沙壕渠土壤含水率反演結(jié)果Fig.4 Inversion result of soil moisture content in Shahaoqu

由圖4可知,土壤含水率在0～10%、10%～15%、15%～20%和大于20%分別約占整個(gè)沙壕渠研究區(qū)的15%、38%、24%和23%,根據(jù)內(nèi)蒙古土壤墑情類(lèi)型及其含水率等級(jí)指標(biāo)[30],認(rèn)為土壤含水率低于15%時(shí)便出現(xiàn)干旱,而沙壕渠灌域約有53%的區(qū)域的土壤含水率低于15%(主要分布在中部、西北部和南部),說(shuō)明整個(gè)沙壕渠灌域較為干旱缺水,這與該區(qū)域處于西北內(nèi)陸干旱半干旱區(qū)、整體缺乏水資源的實(shí)際情況相符。同時(shí)也可以看到沙壕渠土壤含水率高于15%的區(qū)域占比約47%,其原因可能是7月下旬氣溫較高,作物需水量較大,灌區(qū)進(jìn)行了較多次的人為引水灌溉以保證作物生長(zhǎng)發(fā)育所需的水分,故該時(shí)間段內(nèi)作物種植區(qū)域的土壤水分含量能維持在一定水平。

3 討論

本文旨在分析升尺度修正前后GF-1衛(wèi)星遙感數(shù)據(jù)源下不同波段及光譜指數(shù)與不同深度土壤含水率之間的統(tǒng)計(jì)關(guān)系,建立土壤水分反演模型,為灌區(qū)進(jìn)行農(nóng)業(yè)生產(chǎn)及干旱監(jiān)測(cè)提供依據(jù)。一般而言,受限于遙感平臺(tái),僅基于單一的低、中等分辨率的衛(wèi)星遙感在大尺度范圍上反演表層土壤水分和鹽分的能力較為有限。如張智韜等[9]利用GF-1衛(wèi)星遙感反演沙壕渠灌域農(nóng)田表層土壤鹽分,其構(gòu)建的反演模型的精度R2在0.14～0.31之間。姚一飛等[17]利用GF-1衛(wèi)星遙感對(duì)河套灌區(qū)不同土層深度農(nóng)田土壤水分進(jìn)行了反演,反演模型的R2大多位于0.4上下,部分深度反演模型的最大R2為采用機(jī)器學(xué)習(xí)算法構(gòu)建所得,R2達(dá)到0.5左右,RMSE在0.025%上下。而本研究通過(guò)采用重采樣和TsHARP升尺度法將無(wú)人機(jī)遙感數(shù)據(jù)上推以修正GF-1衛(wèi)星遙感數(shù)據(jù),構(gòu)建不同土壤深度下無(wú)人機(jī)-衛(wèi)星升尺度土壤水分反演模型,顯著提高了衛(wèi)星遙感在大尺度范圍上對(duì)地表表層土壤水分的反演精度。其中,在TsHARP升尺度法中,相對(duì)基于傳統(tǒng)的多元線性回歸算法,將目前應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種機(jī)器學(xué)習(xí)算法進(jìn)行趨勢(shì)面的構(gòu)造,不同深度反演模型的R2整體由0.4提高至0.7以上,RMSE整體由0.025%降低至0.015%,大幅度提高了GF-1衛(wèi)星對(duì)表層土壤水分的監(jiān)測(cè)精度。由此可見(jiàn),通過(guò)采用較低成本的無(wú)人機(jī)遙感工具輔助協(xié)同衛(wèi)星遙感并進(jìn)行合理的尺度轉(zhuǎn)換,能有效提高衛(wèi)星遙感在大尺度上對(duì)地表地物信息的監(jiān)測(cè),從而解決單一衛(wèi)星遙感在大尺度范圍監(jiān)測(cè)地物信息精度不高的問(wèn)題,具有一定的研究意義和實(shí)際應(yīng)用價(jià)值。

本研究中,土壤深度0～60 cm和0～40 cm下的反演效果整體優(yōu)于其它3種深度,其中0～60 cm略?xún)?yōu)于0～40 cm,深度0～20 cm和20～40 cm次之,深度40～60 cm反演效果最差,其原因主要是7月末為作物(葵花、玉米等)苗期結(jié)束、拔節(jié)期伊始時(shí)節(jié),作物的大部分根系已向下伸展至深度60 cm,此時(shí)作物根系主要在距地表土壤深度0～50 cm下進(jìn)行水分的吸收[31],在深度0～40 cm和0～60 cm處的根系對(duì)土壤水分更為敏感[32],從而表現(xiàn)出最佳的反演效果;而0～20 cm淺表層處的土壤水分容易受到太陽(yáng)輻射、降水、風(fēng)速等外界自然條件變化影響,在短時(shí)間內(nèi)土壤水分難以維持一個(gè)相對(duì)穩(wěn)定的狀態(tài),其在土壤樣本采集試驗(yàn)與衛(wèi)星成像間隔期間土壤水分已發(fā)生了變化,一定程度上失去了影響成像時(shí)刻的真實(shí)土壤水分。如張智韜等[33]基于TM5和TM7數(shù)據(jù),采用歸一化土壤濕度指數(shù)監(jiān)測(cè)寶雞峽二支渠灌區(qū)不同深度土壤含水率,得出的最佳監(jiān)測(cè)深度為0～40 cm和0～60 cm,優(yōu)于0～20 cm和0～10 cm;屈創(chuàng)[34]基于LandsatETM+和ASTER兩種不同遙感數(shù)據(jù),采用溫度植被干旱指數(shù)法反演白龍江流域不同深度土壤水分,也得出深度0～40 cm和0～60 cm的反演精度高于0～20 cm的結(jié)論(野外實(shí)測(cè)土壤水分時(shí)間和衛(wèi)星成像時(shí)刻間隔7 d);姚一飛等[17]基于GF-1衛(wèi)星遙感對(duì)河套灌區(qū)不同土層深度農(nóng)田土壤水分進(jìn)行反演,同樣得到土壤深度0～40 cm和0～60 cm的反演效果優(yōu)于淺層 0～20 cm 的相似結(jié)論(野外實(shí)測(cè)土壤水分與衛(wèi)星成像時(shí)刻存在間隔)。因此,在今后的研究中應(yīng)盡量保證野外實(shí)測(cè)資料與遙感影像成像時(shí)間的同步,以減少影像成像時(shí)刻土壤含水率的真值丟失,從而提高淺層土壤水分的反演精度。

本研究仍存在一些不足,需要進(jìn)一步深入探索。如光譜指數(shù)的選擇是否最佳以及未采用另一種或多種變量篩選方法進(jìn)行對(duì)比,所得的各深度最優(yōu)變量組合實(shí)際上未必最優(yōu)。此外,所建模型算法也僅是對(duì)波段及光譜指數(shù)與土壤含水率之間進(jìn)行數(shù)量上的相關(guān)統(tǒng)計(jì)分析,這兩者之間是否存在其它內(nèi)在機(jī)理等聯(lián)系仍有待探索[35],未來(lái)可著重在這方面上進(jìn)行深入研究。內(nèi)蒙古河套灌區(qū)作為本文的研究區(qū),土壤鹽漬化問(wèn)題較為突出,而水分中常常含有各種鹽分,且二者之間的運(yùn)移[36-37]、交互等作用復(fù)雜[38],需要從物理學(xué)、化學(xué)機(jī)制以及數(shù)學(xué)模型等進(jìn)一步分析鹽分的影響并采取合理的方法進(jìn)行剔除,故本研究所得結(jié)論的普適性還有待進(jìn)一步探索。重采樣和TsHARP升尺度法各有其特點(diǎn)和優(yōu)勢(shì),未來(lái)可根據(jù)實(shí)際情況考慮將兩種升尺度方法結(jié)合,以實(shí)現(xiàn)更為全面、合理的升尺度研究。

4 結(jié)論

(1)基于兩種升尺度方法下的各深度MLR、BPNN和SVM模型的R2均較修正前較明顯提高,各模型的RMSE均對(duì)應(yīng)升尺度修正前明顯降低。其中,重采樣升尺度法在土壤深度0～60 cm下采用SVM模型最優(yōu),R2達(dá)到0.571,RMSE為0.022%;TsHARP升尺度法在土壤深度0～60 cm下采用BPNN模型最優(yōu),R2達(dá)到0.829,RMSE為0.015%。

(2)重采樣升尺度法在不同土壤深度下模型整體精度由高到低依次為SVM模型、MLR模型、BPNN模型,TsHARP升尺度法在不同土壤深度下模型整體精度由高到低依次為BPNN模型、SVM模型、MLR模型,5種不同深度土壤下反演效果由高到低依次為0～60 cm、0～40 cm、0～20 cm、20～40 cm、40～60 cm。

(3)與升尺度修正前對(duì)應(yīng)土壤深度模型對(duì)比,兩種升尺度方法均能明顯提高衛(wèi)星遙感對(duì)土壤含水率的反演精度,但TsHARP升尺度法整體優(yōu)于重采樣法;重采樣法的R2由0.413提升至0.571,RMSE由0.026%降至0.022%(降幅15.4%);TsHARP升尺度法的R2由0.428提升至0.829,RMSE由0.025%降至0.015%(降幅40.0%)。