許 將，徐凱磊，翟 鑠，藏宇晨

（中煤航測(cè)遙感集團(tuán)有限公司，陜西西安 710199）

0 引言

土壤水分含量是描述地氣能量變換和水循環(huán)的重要因素，也是研究地表植被生長(zhǎng)發(fā)育條件的關(guān)鍵變量［1］。由于高光譜影像數(shù)據(jù)難以獲取，目前土壤水分高光譜遙感監(jiān)測(cè)方法多數(shù)是建立實(shí)測(cè)土壤光譜反射率及其數(shù)學(xué)變換形式與土壤水分?jǐn)?shù)學(xué)關(guān)系進(jìn)行定量反演監(jiān)測(cè)［2-5］。隨著無(wú)人機(jī)平臺(tái)及無(wú)人機(jī)載高光譜成像設(shè)備的研發(fā)，解決了高光譜影像數(shù)據(jù)獲取的問(wèn)題。由于影像數(shù)據(jù)獲取的是地表的信息，多數(shù)存在植被覆蓋土壤信息的情況，而植被覆蓋下的土壤水分遙感監(jiān)測(cè)一直是遙感技術(shù)研究的熱點(diǎn)和難點(diǎn)。劉萬(wàn)俠、周鵬等均基于雷達(dá)數(shù)據(jù)，利用水-云模型去除植被影響，建立不同極化后向散射系數(shù)與土壤含水量之間的關(guān)系，開展各自研究區(qū)土壤水分遙感監(jiān)測(cè)研究工作［6-7］；詹志明等分析土壤水分在ETM＋的Nir-Red 光譜特征空間的分布規(guī)律，提出了基于Nir-Red 光譜特征空間的土壤水分監(jiān)測(cè)模型［8］，吳春雷等則是在光譜特征分析基礎(chǔ)上，提出了PDI 改進(jìn)指數(shù)植被調(diào)整垂直干旱指數(shù)（VAPDI）對(duì)研究區(qū)進(jìn)行土壤水分監(jiān)測(cè)［1］；此外還有許多專家學(xué)者利用植被指數(shù)和溫度干旱植被指數(shù)開展植被覆蓋區(qū)土壤水分遙感監(jiān)測(cè)研究。

綜上所述，目前利用植被光譜特征開展土壤水分高光譜遙感監(jiān)測(cè)研究工作尚少，而將地面研究成果與航天/空遙感數(shù)據(jù)相結(jié)合，實(shí)現(xiàn)遙感監(jiān)測(cè)天-地一體化的研究工作就更少。本文利用大疆M600 PRO 無(wú)人機(jī)搭載Gaiasky-mini 高光譜成像采集系統(tǒng)，獲取兵團(tuán)農(nóng)六師共青團(tuán)農(nóng)場(chǎng)現(xiàn)代農(nóng)業(yè)園區(qū)示范園整塊棉田高光譜遙感影像數(shù)據(jù)，并同步開展地面采樣測(cè)試工作，分析土壤含水量與棉花葉片光譜特征關(guān)系，構(gòu)建地面實(shí)測(cè)光譜曲線土壤水分監(jiān)測(cè)模型，開展無(wú)人機(jī)高光譜數(shù)據(jù)模型優(yōu)化研究工作，為無(wú)人機(jī)高光譜遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用提供思路和方法。

1 材料與方法

1.1 研究區(qū)概況

共青團(tuán)農(nóng)場(chǎng)地處天山北麓，準(zhǔn)噶爾盆地南緣，昌吉州境內(nèi)，三屯河流域下游。農(nóng)場(chǎng)地處歐亞大陸腹地，屬溫帶半荒漠氣候，干旱少雨，無(wú)霜期短，日照充足，晝夜溫差大，光熱資源豐富?，F(xiàn)代農(nóng)業(yè)園區(qū)位于共青團(tuán)農(nóng)場(chǎng)東片西部，甘莫公路兩側(cè)，南北長(zhǎng)7.50km，東西寬6.60km，面積45.4 km2（圖1）。

圖1 研究區(qū)地理位置Figure 1 Geographical position of study area

1.2 高光譜數(shù)據(jù)采集及預(yù)處理

1.2.1 無(wú)人機(jī)高光譜數(shù)據(jù)采集

2022 年9 月利用無(wú)人機(jī)搭載高光譜成像儀，獲取了兵團(tuán)農(nóng)六師共青團(tuán)農(nóng)場(chǎng)現(xiàn)代農(nóng)業(yè)園區(qū)示范園整塊棉田無(wú)人機(jī)高光譜影像數(shù)據(jù)，飛行期間天氣晴朗無(wú)云，飛行時(shí)間為中午13：00—15：00，航向重疊度60%，旁向重疊度40%。

1.2.2 地面高光譜數(shù)據(jù)采集

土壤和葉片反射率測(cè)定采用ASD FieldSpec4 光譜儀在室內(nèi)進(jìn)行采集，光譜采集時(shí)，將樣品放置于黑色平板上，采用8°視場(chǎng)角探頭，探頭置于樣品表面20cm 的垂直上方，先對(duì)白板進(jìn)行校正，獲取絕對(duì)反射率，并在保證目標(biāo)與參考白板之間對(duì)應(yīng)相同的光照條件下，每個(gè)樣品采集5次，取平均值作為該樣品的光譜曲線。

1.2.3 光譜數(shù)據(jù)預(yù)處理

為了消除光譜曲線噪音可能引起的誤差，利用ENVI 軟件自帶Boxcar Average 進(jìn)行光譜平滑處理。為了減少物理環(huán)境因素的影響，提高光譜靈敏度，對(duì)平滑后的光譜進(jìn)行一階微分、倒數(shù)對(duì)數(shù)一階微分變換，用于遙感分析建模。

1.3 模型構(gòu)建與檢驗(yàn)

偏最小二乘回歸方法（PLSR）是Wold 和Albano于1983 年提出的一種新型的多元統(tǒng)計(jì)分析方法。它集多元線性回歸分析、主成分分析和典型相關(guān)分析的基本功能為一體，可以較好地解決以往用普通多元線性回歸分析方法無(wú)法解決的問(wèn)題［9］。特別是當(dāng)自變量集合內(nèi)部存在較高程度的相關(guān)性時(shí)，其結(jié)論比普通多元回歸更加可靠。它通過(guò)提取概括原數(shù)據(jù)信息的綜合變量（新成分），建立新變量與因變量的回歸關(guān)系，最后再表達(dá)成原變量的回歸方程。

PLSR 算法建模的思想是給出一對(duì)數(shù)據(jù)矩陣X和Y，X為輸入自變量矩陣，Y為輸出因變量矩陣［10］，形式如下：

其中：n是樣本數(shù)；p和q分別代表自變量和因變量的個(gè)數(shù)。該算法大體可以分為以下3個(gè)步驟：

1）將數(shù)據(jù)矩陣X 和Y 標(biāo)準(zhǔn)化處理得到E0和F0。E0為矩陣X 經(jīng)過(guò)標(biāo)準(zhǔn)化后的矩陣，F(xiàn)0為矩陣Y 經(jīng)過(guò)標(biāo)準(zhǔn)化后的矩陣。

式（2）為標(biāo)準(zhǔn)化處理公式，其中是xj的均值；Sxj是xj的標(biāo)準(zhǔn)差；是yj的均值；Syj是yj的標(biāo)準(zhǔn)差；x＊ij是xij經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的值，yi＊j是yij經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的值，標(biāo)準(zhǔn)化矩陣形式如式（3）所示。

2）提取E0和F0的主成分t1和u1，式（4）為主成分的基本形式和計(jì)算方法，其中w1和c1分別為E0和F0的第一個(gè)軸，此處要求t1和u1能夠很好地代表數(shù)據(jù)矩陣X 和Y 中的變異信息，式（5）為其約束條件，其中Cov（t1，u1）、Var（t1）、Var（u1）、r（t1，u1）分別代表t1和u1的協(xié)方差、方差和相關(guān)度，s.t.表示約定條件。推導(dǎo)可得w1是矩陣ET0F0FT0E0最大特征值對(duì)應(yīng)的特征向量，c1是矩陣FT0E0ET0F0最大特征值對(duì)應(yīng)的特征向量。

3）構(gòu)建回歸方程。如若達(dá)到精度，算法結(jié)束；否則就利用X 和Y 被t1解釋后的殘余信息進(jìn)行第二輪成分提取，循環(huán)至方程精度最高時(shí)為止。假設(shè)最終提取了m 個(gè)成分t1，t2，…，tm，則PLSR 就是通過(guò)施行yk對(duì)t1，t2，…，tm的回歸，其中k= 1，2，…，q然后再表達(dá)成yk關(guān)于原自變量x1，x2，…，xp的回歸方程。

將25 個(gè)樣本隨機(jī)選取18 個(gè)樣本用來(lái)構(gòu)建模型，7 個(gè)用來(lái)驗(yàn)證模型。模型精度通過(guò)決定系數(shù)（R2）、均方根誤差（RMSE）兩個(gè)參數(shù)進(jìn)行檢驗(yàn)，模型的決定系數(shù)介于0～1，決定系數(shù)越大，模型精度越高，均方根誤差越小，模型預(yù)測(cè)能力越強(qiáng)，精度越高。

2 結(jié)果分析

2.1 地面棉花葉片光譜特征及其與土壤含水量與相關(guān)性分析

土壤含水量與葉片反射率相關(guān)性曲線在550nm及750nm 附近呈反射峰，相關(guān)系數(shù)絕對(duì)最大值為0.41；葉片反射率經(jīng)過(guò)不同形式數(shù)學(xué)變換后，與土壤含水量的相關(guān)性有了一定提高，兩種變換結(jié)果與土壤含水量的相關(guān)性曲線形態(tài)鏡像相似，存在兩個(gè)負(fù)相關(guān)和兩個(gè)正相關(guān)波段區(qū)間，其中，土壤含水量與反射率一階微分相關(guān)系數(shù)絕對(duì)最大值為0.69，與反射率倒數(shù)對(duì)數(shù)之一階微分相關(guān)系數(shù)絕對(duì)最大值為0.68。植被指數(shù)是植被光譜特征重要表現(xiàn)形式，利用植被光譜特征進(jìn)行波段組合，將計(jì)算獲得的不同植被指數(shù)與土壤含水量進(jìn)行相關(guān)性分析，表明土壤含水量與常規(guī)植被指數(shù)存在明顯的正相關(guān)性。且與500～670nm 范圍內(nèi)反射率變化趨勢(shì)存在更高的相關(guān)性，在該波段范圍內(nèi)構(gòu)建的比值植被指數(shù)與土壤含水量相關(guān)系數(shù)達(dá)0.80。

2.2 地面高光譜數(shù)據(jù)土壤含水量反演模型構(gòu)建和檢驗(yàn)

依據(jù)土壤含水量與植被光譜特征相關(guān)性分析結(jié)果，選擇反射率變換形式與土壤含水量相關(guān)系數(shù)絕對(duì)最大值對(duì)應(yīng)的波段、常規(guī)歸一化植被指數(shù)（NDVI）、修正的土壤調(diào)節(jié)植被指數(shù)（OSAVI）、歸一化植被指數(shù)（NDVI（620670））、比值植被指數(shù)（SR（620/670））構(gòu)建土壤水分線性回歸模型（表1），利用驗(yàn)證樣本對(duì)模型進(jìn)行檢驗(yàn)，如表2、圖2 所示，新構(gòu)建植被指數(shù)構(gòu)建的模型精度優(yōu)于常規(guī)植被指數(shù)及反射率變換形式所構(gòu)建的模型；所有模型驗(yàn)證結(jié)果顯示驗(yàn)證樣本接近1∶1 線，個(gè)別驗(yàn)證樣品偏離1∶1 線。

表1 地面高光譜數(shù)據(jù)土壤含水量回歸模型Table 1 Regression model of soil moisture content from ground hyperspectral data

表2 無(wú)人機(jī)高光譜數(shù)據(jù)土壤含水量回歸模型Table 2 Regression model of soil moisture content from UAV hyperspectral data

圖2 地面高光譜土壤含水量回歸模型驗(yàn)證結(jié)果Figure 2 Results of soil moisture regression model validation from ground hyperspectral data

由于光譜數(shù)據(jù)各波段以及波段組合存在高度相關(guān)性，且建模樣本點(diǎn)相對(duì)較少，故將土壤含水量作為因變量，選擇線性回歸模型中的光譜指標(biāo)作為自變量，利用SIMCA-P 軟件構(gòu)建土壤含水量的偏最小二乘回歸模型［11］，結(jié)合表2、圖2，偏最小二乘回歸模型建模集和驗(yàn)證集的決定系數(shù)和均方根誤差指標(biāo)均優(yōu)于線性回歸模型，驗(yàn)證樣本與1∶1 線接近程度最高。

2.3 基于無(wú)人機(jī)高光譜數(shù)據(jù)土壤含水量反演模型構(gòu)建和檢驗(yàn)

采集25 個(gè)調(diào)查點(diǎn)對(duì)應(yīng)的無(wú)人機(jī)高光譜影像上光譜曲線數(shù)據(jù)，兼顧模型優(yōu)化校正目的，計(jì)算光譜反射率及其數(shù)學(xué)變換結(jié)果以及NDVI、OSAVI、NDVI（620/670）、SR（620670）植被指數(shù)，分析上述光譜指標(biāo)與土壤含水量相關(guān)性，結(jié)果表明：土壤含水量與高光譜影像數(shù)據(jù)植被指數(shù)呈正相關(guān)，與常規(guī)植被指數(shù)OSAVI 的相關(guān)性達(dá)0.68，與新構(gòu)建比值植被指數(shù)SR（620/670）達(dá)0.72，這與地面光譜數(shù)據(jù)分析結(jié)果較一致；而高光譜影像數(shù)據(jù)光譜反射率及其數(shù)學(xué)變換結(jié)果與土壤含水量相關(guān)性分析結(jié)果與地面實(shí)測(cè)光譜數(shù)據(jù)分析結(jié)果存在較大差異，整體相關(guān)性均有所降低，且相關(guān)性最高對(duì)應(yīng)的波段位置較實(shí)測(cè)光譜數(shù)據(jù)發(fā)生變化，說(shuō)明兩種數(shù)據(jù)源在光譜特征細(xì)節(jié)上存在差異。依據(jù)高光譜影像數(shù)據(jù)與土壤含水量相關(guān)性分析結(jié)果，選擇植被指數(shù)構(gòu)建無(wú)人機(jī)高光譜數(shù)據(jù)土壤含水量線性回歸、偏最小二乘模型，并利用驗(yàn)證樣本對(duì)模型進(jìn)行檢驗(yàn)。驗(yàn)證結(jié)果顯示，常規(guī)植被指數(shù)NDVI 模型驗(yàn)證樣本偏離1∶1 線程度最高，其他模型驗(yàn)證樣本偏離1∶1 線程度接近。結(jié)合表1、表2 和圖2、圖3，認(rèn)為無(wú)人機(jī)高光譜數(shù)據(jù)構(gòu)建土壤含水量模型精度較地面高光譜數(shù)據(jù)構(gòu)建模型精度差。

圖3 無(wú)人機(jī)高光譜土壤含水量回歸模型驗(yàn)證結(jié)果Figure 3 Results of soil moisture regression model validation from UAV hyperspectral data

2.4 無(wú)人機(jī)高光譜數(shù)據(jù)土壤含水量模型優(yōu)化校正

為了實(shí)現(xiàn)地面研究成果與航天/空遙感數(shù)據(jù)相結(jié)合，提高無(wú)人機(jī)高光譜模型精度，利用地面光譜數(shù)據(jù)對(duì)無(wú)人機(jī)高光譜數(shù)據(jù)模型成果進(jìn)行優(yōu)化校正。由于兩種數(shù)據(jù)源構(gòu)建的植被指數(shù)存在高度相關(guān)性（圖4、圖5），其中，常規(guī)植被指數(shù)NDVI 和OSAVI 相關(guān)系數(shù)均為0.90，而新構(gòu)建的NDVI 和SR 相關(guān)系數(shù)均為0.86，建立兩種數(shù)據(jù)源同一植被指數(shù)之間的數(shù)學(xué)關(guān)系，將無(wú)人機(jī)高光譜數(shù)據(jù)土壤含水量模型（不包括偏最小二乘模型）進(jìn)行優(yōu)化校正。將土壤含水量實(shí)測(cè)值與各模型反演值作對(duì)比分析（圖6），各模型土壤含水量反演值與實(shí)測(cè)值分布趨勢(shì)整體一致，個(gè)別點(diǎn)存在明顯差異；地面實(shí)測(cè)高光模型反演數(shù)據(jù)與無(wú)人機(jī)高光譜模型反演數(shù)據(jù)分布趨勢(shì)一致性高于各自反演值與實(shí)測(cè)值的趨勢(shì)一致性，而無(wú)人機(jī)高光模型優(yōu)化校正后，提高了與地面高光譜模型反演值的一致性。利用驗(yàn)證集對(duì)優(yōu)化后無(wú)人機(jī)高光譜土壤含水量模型進(jìn)行驗(yàn)證，結(jié)果顯示NDVI 指數(shù)構(gòu)建模型的R2由0.55 提升到0.79，RMSE 由0.015 2 提升到0.011 7；OSAVI 指數(shù)構(gòu)建模型的R2由0.63 提升到0.67，RMSE 由0.013 8 提升到0.012 8；SR（620/670）指數(shù)構(gòu)建模型的R2由0.62 提升到0.68，RMSE由0.013 5 提升到0.011 8；NDVI（620/670）指數(shù)構(gòu)建模型的R2由0.62 提升到0.69，RMSE 由0.014 8 提升到0.011 8，說(shuō)明經(jīng)過(guò)模型優(yōu)化校正后的無(wú)人機(jī)高光譜土壤含水量反演精度得到提高。

圖4 棉田兩種數(shù)據(jù)源同一調(diào)查點(diǎn)NDVI值分布對(duì)比趨勢(shì)圖Figure 4 Comparison trend chart of NDVI value distribution at the same survey point from two data sources in cotton fields

圖5 棉田兩種數(shù)據(jù)源同一調(diào)查點(diǎn)SR值分布對(duì)比趨勢(shì)圖Figure 5 Comparison trend chart of SR value distribution at the same survey point from two data sources in cotton fields

圖6 土壤含水量實(shí)測(cè)值與各模型反演值對(duì)比分析Figure 6 Comparison between the measured data and and inversion data of different model of soil moisture

3 結(jié)論

本文基于地面高光譜數(shù)據(jù)和無(wú)人機(jī)高光譜數(shù)據(jù)，分析棉花葉片光譜特征與土壤含水量相關(guān)性，采用偏最小二乘模型法構(gòu)建土壤含水量反演模型，并實(shí)現(xiàn)無(wú)人機(jī)高光譜土壤含水量反演模型校正優(yōu)化研究，得出如下結(jié)論：

1）綜合分析不同土壤含水量棉花葉片光譜特征并計(jì)算相應(yīng)植被指數(shù)，發(fā)現(xiàn)植被指數(shù)與土壤含水量呈明顯正相關(guān)，且土壤含水量與500～670nm 范圍內(nèi)新構(gòu)建植被指數(shù)存在更高相關(guān)性。

2）基于偏最小二乘模型構(gòu)建無(wú)人機(jī)高光譜和地面光譜土壤含水量反演模型，結(jié)果顯示地面高光譜土壤含水量反演模型反演精度優(yōu)于無(wú)人機(jī)高光譜土壤含水量反演模型反演精度。

3）利用地面高光譜數(shù)據(jù)對(duì)無(wú)人機(jī)高光譜數(shù)據(jù)模型進(jìn)行優(yōu)化校正。經(jīng)驗(yàn)證，校正后無(wú)人機(jī)高光譜土壤含水量估算精度得到有效提高，彌補(bǔ)單一數(shù)據(jù)源在土壤含水量反演方面的不足。