無人機多光譜遙感反演抽穗期冬小麥土壤含水率研究

陳碩博，陳俊英，張智韜，邊 江，王禹楓，石樹蘭

(1.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100；2.西北農林科技大學旱區農業水土工程教育部重點實驗室，陜西 楊凌 712100)

農田土壤水分直接影響到作物生長的水、肥、氣、熱等狀況，與作物生長關系最為密切[1]。及時準確監測作物的田間土壤水分是實現精準灌溉的關鍵。近些年來，利用遙感數據大面積測定農田土壤水分已成為國內外研究的重點和熱點[2-6]。但目前衛星遙感數據的時間、空間分辨率較低，較難滿足新形勢下精準灌溉的需要。而無人機遙感具有獲取影像速度快、分辨率高等優點，可以迅速而準確地完成一定區域內的農情監測任務[7-9]。

國外學者在農用無人機遙感方面起步較早，并已取得了顯著的成果。Berni等[10]利用無人機搭載熱紅外和多光譜傳感器來獲取作物冠層溫度和植被指數進而反演葉面積指數、葉綠素濃度和水分脅迫取得了良好的效果；Hassanesfahani等[11]利用機載多光譜相機獲得的高分辨率遙感影像結合人工神經網絡算法，較好地反演了土壤表層水分含量。國內在近幾年來，利用無人機遙感技術在農情監測和信息提取方面亦取得了較多的成果。田明璐等[12, 13]使用多旋翼無人機搭載高光譜相機獲取高光譜影像反演棉花葉面積指數和葉綠素含量；韓文霆等[14]使用無人機獲取了玉米拔節期的可見光圖像，提取其種植信息；裴浩杰等[15]使用高光譜相機與無人機系統組成的遙感監測系統建立了冬小麥長勢無人機遙感監測模型。以上研究大多基于無人機遙感圖像提取的作物冠層信息與地面測得的冠層結構參數建立反演模型，而間接反演土壤水分卻鮮有研究。

本文以關中地區冬小麥為研究對象，通過無人機載六波段多光譜相機獲取冬小麥冠層反射率信息，嘗試與實時的田間土壤含水率建立一元及多元統計模型并進行驗證，以期為冬小麥田間土壤水分監測提供新的研究手段。

1 材料與方法

1.1 研究區概況

田間試驗于2017年4月24-30日在陜西楊凌西北農林科技大學旱區農業水土工程教育部重點實驗室試驗田(34°17′N，108°04′E，海拔521 m)進行。試驗區域屬暖濕帶季風半濕潤氣候區，年均日照時數2 163 h，無霜期210 d，多年平均氣溫12.5 ℃，年均降水量630 mm，年均蒸發量1 500 mm。試驗田土壤為中壤土，田間持水率為24%(質量含水率)，土壤干容重1.40 g/cm3，0～20 cm土層土壤pH為8.14，有機碳含量8.20 g/kg，全氮含量0.62 g/kg。

1.2 試驗設計

本試驗供試冬小麥品種為關中地區主栽品種之一的小偃22，施肥水平與該地區大田施肥水平一致。于2016年10月15日播種，采用條播種植，2017年6月7日成熟收獲。以不同的灌水定額和播種行距作為試驗因素，分為4個灌水時期:分蘗期、返青期、拔節期、抽穗期。設置4個灌溉水平，分別為田間持水量的45%、60%、75%和90%。設置2個播種行距，分別為寬行距(45 cm)，窄行距(20 cm)。每個試驗小區面積5 m×4.5 m，具體試驗處理見表1。

1.3 數據采集

(1)無人機平臺與遙感傳感器。遙感平臺為大疆創新公司生產的經緯M600六旋翼無人機，遙感影像獲取使用的傳感器為Micro-MCA多光譜相機(簡稱MCA)。MCA由美國Tetracam公司生產，具有質量輕、體積小及遠程觸發的特點，非常適合在中小型無人機上進行搭載及拍攝。該相機有6個鏡頭，分別對應6個波段，波長分別為490 nm(藍光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)。

表1 冬小麥試驗處理Tab.1 Experimental treatments of winter wheat

(2)作物冠層光譜的獲取。無人機遙感影像于2017年4月24-30日在田間采集，采集時刻為中午12∶00左右，天氣晴朗無風，視野良好。此時冬小麥生長正處于抽穗期，生長旺盛，具有一定的代表性[16, 17]。無人機飛行高度為30 m，鏡頭垂直向下，地面分辨率約為1.6 cm。獲取無人機遙感影像前，在試驗區域內布置標準白板進行輻射標定，從而獲取小麥冠層光譜反射率。用多光譜相機自帶的軟件Pixel Wrench2對遙感圖像進行預處理，在ENVI 5.3軟件中提取反射率數據，數據分析借助于IBM SPSS Statistics 21。

(3)土壤水分數據獲取。使用EM50(Decagon Devices, Inc.USA)土壤水分數據采集器測定土壤含水率，EM50連接有5個探頭，埋設在小區中央，深度分別為10、20、30、40、60 cm。數據采集器設置為每0.5 h記錄數據一次。每個物候期內用土鉆采集與傳感器埋深相同的土樣，用烘干法測定土壤含水率，對EM50數據進行標定。

1.4 數據處理

本次試驗一共進行7 d，其中5 d數據用于建模，另外2 d數據用于驗證。數據處理分寬行、窄行和寬窄行3種情況分別進行討論。寬行與窄行各有4個小區，每個小區采樣4次，所以寬行和窄行各有80個建模樣本和32個驗證樣本，而寬窄行則有160個建模樣本和64個驗證樣本。

以研究區域內的8號小區為參考點，采用遙感影像數據與參考點影像數據的差值進行研究。8個小區的六波段反射率與土壤含水率分別與參考點作差值處理，得到不同波段的差值反射率(DR)與不同深度的差值土壤含水率(DSM)。DRb、DRg、DRr、DRre、DRn1、DRn2分別表示藍光波段、綠光波段、紅光波段、紅邊位置、近紅外波段1與近紅外波段2處的差值反射率。

分寬行距、窄行距及寬窄行對不同波段DR與不同深度DSM進行相關性分析，選取2者極顯著相關且相關系數r>0.8的波段與深度，建立單波段DR與DSM的線性模型并驗證；選取極顯著相關的波段與深度，建立多波段DR與DSM的多元線性回歸模型并驗證。對于模型的精度評定采用R2作為評價指標，R2越接近1，說明回歸方程對樣本數據點的擬合優度越高；反之，R2越接近0，擬合優度越低。預測效果通過驗證R2、預測均方根誤差RMSEP2個參數來檢驗。驗證R2越大，預測均方根誤差RMSEP越小，表征模型的預測反演效果越好[18, 19]。計算公式如下：

(1)

(2)

2 結果與分析

2.1 土壤含水率敏感波段選取

8個小區的六波段光譜反射率與土壤含水率分別與參考點作差值處理，得到不同波段的差值反射率(DR)與不同深度的差值土壤含水率(DSM)，進而分析各個波長位置處冬小麥冠層光譜差值反射率(DR)與不同深度土壤差值含水率(DSM)之間的相關關系，結果見表2。

表2 不同波段的差值反射率(DR)與不同深度差值土壤含水率(DSM)的相關系數Tab.2 Correlation coefficients between difference of reflectivity (DR) in different bands and difference of soil moisture content (DSM) at different depths

注： *表示在 0.05 水平上顯著； **表示在 0.01 水平上極顯著。

從表2中可以看出，在窄行距中，只有土壤深度是20～60 cm，波長為680 nm時，DSM與DRr不顯著相關，其他情況下，2者均極顯著相關，但相關系數均較小；在寬行距中，0～10 cm的DSM與各個波段的DR均不顯著相關，680 nm時，0～30 cm的DSM與DRr不顯著相關，其他情況下2者均極顯著相關；在寬窄行中，除680 nm時，0～30 cm的DSM與DRr不顯著相關外，其他均極顯著相關，但相關性亦不強。通過以上對比分析，從中選取DSM和DR極顯著相關且r>0.8的6組數據進行單波段一元擬合與驗證，對比選取最優模型；再用多元線性回歸的方法對DSM與6個波段均極顯著相關的DR進行擬合與驗證，對比選取最優模型。

2.2 一元線性模型的建立與驗證

在寬行距、窄行距和寬窄行3種情況下，只有寬行距中0～20 cm土壤深度的DSM與DRb、DRg、DRre，0～40 cm土壤深度的DSM與DRn1、DRn2，0～60 cm土壤深度的DSM與DRn1的相關系數大于0.8，分別建立起2者的一元線性關系，結果匯總見表3。

表3 基于敏感波段的一元線性模型Tab.3 The single linear models based on sensitive bands

通過比較發現，當土壤深度是0～20 cm時，與DSM敏感的3個波段的建模R2分別達到了0.684、0.727、0.764；當土壤深度是0～40 cm時，與DSM敏感的2個波段的建模R2分別為0.781、0.708；當土壤深度是0～60 cm時，建模R2為0.678。

為了驗證表3中6個模型的預測效果，將驗證集中的DR代入模型計算得預測DSM，通過對預測值和實測值進行相關性分析，繪制2者之間的1∶1關系圖，結果見圖1。

圖1 各深度一元線性模型預測DSM與實測DSM比較Fig.1 Comparison of predicted DSM with measured DSM at different depths in the single linear models

由圖1比較可以看出，6組模型的驗證R2分別達到了0.603、0.690、0.769、0.823、0.763、0.685，其中模型4的R2最大，而RMSEp最小，只有0.026，說明在0～40 cm土壤深度下，利用波長為800 nm作為敏感波段建立的模型最優。在冬小麥抽穗期內，次生根達到最大值，而次生根比初生根粗壯，并且有較多的分支和根毛，是吸收水分的主要部位[20]，80%以上的次生根分布于0～40 cm土層內，土壤水分的變化可以通過小麥冠層的變化反映出來，這就證明了該模型的可靠性。由于深度越大，土壤含水率變化越不明顯，所以0～60 cm的DSM實測值幾乎無明顯變化。因為預測DSM與敏感波段的DR是一元線性關系，所以當DR變化時，預測DSM也有相應的變化。因此出現了圖1(f)中的實測值與預測值“一對多”的現象。

2.3 多元線性回歸模型的建立與驗證

在窄行距、寬行距及寬窄行3種條件下，在5種土壤深度下，分別建立不同深度DSM與6個波段DR的多元線性回歸模型共計15個。對各個模型的回歸系數進行t檢驗后，剔除回歸系數不顯著的自變量，篩選出6個模型，匯入表4。

由表4可以看出，在窄行距0～10 cm土壤深度下建立的三元回歸模型的R2達到了0.702，回歸系數顯著的只有藍波段和2個近紅外波段。在寬行距4組深度下均可建立多元回歸模型，其中0～20 cm土壤深度下建立的三元回歸模型的R2達到了0.890，回歸系數顯著的有紅邊波段和2個近紅外波段；0～30 cm土壤深度下R2為0.712，顯著的波段僅為2個近紅外波段；0～40 cm深度下R2達到了0.904，這與一元線性模型得到的結論相同，顯著的波段有4個，分別為藍波段、紅波段與2個近紅外波段；0～60 cm深度下R2為0.769，顯著的波段同樣為2個近紅外波段。寬窄行0～20 cm土壤深度下建立了二元回歸模型，R2為0.753，顯著波段為綠波段和紅邊波段。

表4 剔除回歸系數不顯著的多元線性回歸模型Tab.4 Multivariate linear regression models with significant regression coefficients

為了驗證不同行距6組模型的預測效果，將驗證集中的DR代入模型計算得預測DSM，通過對預測值和實測值進行相關性分析，繪制2者之間的1∶1關系圖，結果見圖2。

通過圖2對比發現，模型12的驗證R2僅有0.437，是6個模型中的最小值，而RMSEp為0.062，是6個模型中的最大值。寬行距0～40 cm土壤深度下建立的模型10驗證R2達到了0.920，為6個模型中的最大值，RMSEp僅為0.016。其次為模型8，驗證R2為0.853，但RMSEp為0.034。窄行距0～10 cm土壤深度下建立的模型7，亦取得了較好的效果。綜合比較6個模型，得出模型10的預測效果最佳。這與一元線性模型得出了類似的結論，說明在寬行距下0～40 cm土壤深度為監測冬小麥抽穗期土壤水分的最佳深度。

3 結 論

圖2 多元回歸模型預測DSM與實測DSM比較Fig.2 Comparison of predicted DSM with measured DSM in multivariate linear regression models

(1)通過相關性分析可以提取多光譜對土壤含水率的敏感波段，不同深度土壤含水率的敏感波段不同，不同行距土壤含水率的敏感波段亦不相同。

(2)抽穗期冬小麥的土壤水分反演，以寬行距中0～40 cm土壤深度下建立的模型最優。一元模型中，以波長為800 nm的近紅外波段為自變量建立的模型最優；多元模型中，四元回歸模型的建模R2和驗證R2均達到了0.9以上，RMSEp僅為0.016，是進行抽穗期冬小麥土壤水分估算的最優模型。

(3)在冬小麥抽穗期所建立的模型反演根域土壤含水率具有較高的精度，但冬小麥其他物候期土壤水分的反演還有待進一步研究。研究成果可以為抽穗期冬小麥的精準灌溉提供一定的理論依據，同時也為無人機遙感的應用提供了新的思路。

：

[1] 汪志農. 灌溉排水工程學[M]. 2版. 北京：中國農業出版社, 2009.

[2] 張智韜, 陳俊英, 劉俊民, 等. TM6對遙感主成分分析監測土壤含水率的影響[J]. 節水灌溉, 2010,(4):16-19.

[3] 張智韜, 李援農, 楊江濤, 等. 遙感監測土壤含水率模型及精度分析[J]. 農業工程學報, 2008,(8):152-156.

[4] George P, Petropoulos G I. Surface soil moisture retrievals from remote sensing[J]. Physics and Chemistry of the Earth, 2015,83-84:36-56.

[5] Hatanaka T N A N R. Estimation of available moisture holding capacity of upland soils using Landsat TM data[J]. Soil Science and Plant Nutrition, 1995,41(3):577-586.

[6] James Cashiona V L D B. Microwave remote sensing of soil moisture evaluation[J]. Journal of Hydrology, 2005,307(1-4):242-253.

[7] 劉建剛, 趙春江, 楊貴軍, 等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業工程學報, 2016,(24):98-106.

[8] 李德仁, 李 明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報(信息科學版), 2014,(5):505-513.

[9] 李勇志, 支曉棟, 唐海龍, 等. 無人機遙感技術在農業中的發展與應用[J]. 安徽農業科學, 2015,(25):350-351.

[10] Berni J A J, Zarco-Tejada P J, Suarez L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009,47(3):722-738.

[11] Hassanesfahani L, Torresrua A, Jensen A, et al. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J]. Remote Sensing, 2015,7(3):2 627-2 646.

[12] 田明璐, 班松濤, 常慶瑞, 等. 基于低空無人機成像光譜儀影像估算棉花葉面積指數[J]. 農業工程學報, 2016,(21):102-108.

[13] 田明璐, 班松濤, 常慶瑞, 等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J]. 農業機械學報, 2016,(11):285-293.

[14] 韓文霆, 李 廣, 苑夢嬋, 等. 基于無人機遙感技術的玉米種植信息提取方法研究[J]. 農業機械學報, 2017,(1):139-147.

[15] 裴浩杰, 馮海寬, 李長春, 等. 基于綜合指標的冬小麥長勢無人機遙感監測[J]. 農業工程學報, 2017,(20):74-82.

[16] 徐莉平, 劉 鈺, 張建豐, 等. 冬小麥抽穗期土壤水分對生理指標影響的試驗研究[J]. 水資源與水工程學報, 2013,(3):23-25.

[17] 李衛國, 王紀華, 趙春江, 等. 冬小麥抽穗期長勢遙感監測的初步研究[J]. 江蘇農業學報, 2007,(5):499-500.

[18] Loague K, Green R E. Statistical and graphical methods for evaluating solute transport models: overview and application[J]. Journal of Contaminant Hydrology, 1991,7(1-2):51-73.

[19] Willmott C J. Some comments on the evaluation of model performance[J]. Bulletin of the American Meteorological Society, 1982,63(11):1 309-1 369.

[20] 于振文. 作物栽培學各論：北方本[M]. 2版. 北京: 中國農業出版社, 2013.