王敬哲 丁建麗 馬軒凱 葛翔宇 劉博華 梁 靜

(1.新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院， 烏魯木齊 830046； 2.新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室， 烏魯木齊 830046；3.新疆聯(lián)海創(chuàng)智信息科技有限公司， 烏魯木齊 830011)

0 引言

土壤含水率(Soil moisture content, SMC)是土壤的重要物理參量，也是土壤團(tuán)粒結(jié)構(gòu)及養(yǎng)分狀況的關(guān)鍵制約因素[1-3]。SMC影響土壤理化生理過程，且是影響全球生態(tài)環(huán)境、水文和氣候變化模式的關(guān)鍵變量[4]。了解確切的農(nóng)田SMC狀況，可以更為有效地管理農(nóng)田灌溉系統(tǒng)，在作物生長的關(guān)鍵階段有針對性地改善土壤狀況，以提高農(nóng)作物的產(chǎn)量和質(zhì)量[5-6]。SMC是限制區(qū)域綠洲內(nèi)部作物生長的主要因子，近年來逐漸增強(qiáng)的人類活動(dòng)導(dǎo)致了區(qū)域性的SMC失衡，并加劇了綠洲內(nèi)部的土壤鹽漬化[7-9]。因此，獲取精確的土壤SMC信息，對于作物長勢監(jiān)測、估產(chǎn)、合理的灌溉決策及土壤干旱程度的監(jiān)測具有重要意義。

遙感技術(shù)尤其是高光譜技術(shù)的迅猛發(fā)展使得大尺度、高效率獲取SMC信息成為可能，國內(nèi)外研究學(xué)者也開展了大量有益探索[10-13]。其中，植被冠層光譜可以反映植被的長勢狀況及健康程度，植物在不同土壤水分脅迫條件下其光譜特性也會(huì)隨之改變。陳文倩等[14]基于原位獲取的植被反射率數(shù)據(jù)，構(gòu)建了干旱區(qū)綠洲SMC與植被光譜指數(shù)之間的估算模型，表明利用植被光譜特性對干旱區(qū)SMC進(jìn)行數(shù)據(jù)挖掘是可取的。而光譜指數(shù)通過光譜波段之間簡單的組合，即可建立指數(shù)與相應(yīng)地物參量間的相關(guān)關(guān)系，并進(jìn)行高光譜定量估算，成為近年來的研究熱點(diǎn)[15-18]。STAGAKIS等[19]基于多期遙感影像對比了傳統(tǒng)的光化學(xué)反射指數(shù)(Photochemical reflectance index)PRIR570和修正后的PRIR515對柑橘園的水分脅迫狀況估算精度的對比，并進(jìn)行了空間制圖。ZHOU等[20]利用已有的13種植被指數(shù)對水稻產(chǎn)量進(jìn)行了估算，指出基于800 nm與720 nm波段的反射率數(shù)據(jù)所建立的歸一化植被指數(shù)具有最好的效果。但這些光譜指數(shù)主要基于原始光譜反射率所構(gòu)建，未經(jīng)預(yù)處理的原始數(shù)據(jù)僅反映了單純的光譜信息，難以進(jìn)行深入挖掘。而高光譜數(shù)據(jù)的預(yù)處理可以在一定程度上消除外界噪聲、增強(qiáng)光譜特征、改善非線性關(guān)系，進(jìn)而提高地物參量估算模型的精度[21-22]。

基于此，本研究選取新疆阜康綠洲小塊農(nóng)田為研究對象，基于無人機(jī)(Unmanned aerial vehicle, UAV)平臺(tái)搭載的高光譜傳感器獲取的影像數(shù)據(jù)，探索不同預(yù)處理下的光譜指數(shù)與SMC的關(guān)系，并在此基礎(chǔ)上構(gòu)建干旱區(qū)綠洲農(nóng)田SMC高光譜定量估算模型，以期提高區(qū)域SMC的估算精度，為土壤含水率狀況遙感監(jiān)測提供新思路，并為干旱地區(qū)精準(zhǔn)農(nóng)業(yè)的進(jìn)一步發(fā)展提供科學(xué)參考。

1 研究區(qū)概況

所選取的田塊設(shè)置在新疆維吾爾自治區(qū)阜康市(87°51′15″E，44°21′14″N)。該區(qū)地處阜康綠洲和北緣的古爾班通古特沙漠的過渡地帶，屬典型的溫帶大陸性荒漠氣候，多年平均降水量不足200 mm且分布不均；年平均氣溫約為7.1℃;年無霜期可達(dá)175 d，熟制一般為一年一熟[23]。區(qū)域主要土壤類型為灌溉灰漠土與灌耕土，其有機(jī)質(zhì)含量相對較低(質(zhì)量分?jǐn)?shù)1.2%～1.5%)，田塊內(nèi)種植的作物為冬小麥[24]。

2 材料與方法

2.1 UAV遙感數(shù)據(jù)獲取

選取的飛行平臺(tái)為DJI Matrice 600 Pro (深圳市大疆創(chuàng)新科技有限公司)六旋翼無人機(jī)，利用搭載的Headwall公司Nano-Hyperspec高光譜傳感器獲取區(qū)域的高光譜成像數(shù)據(jù)(圖1)。Nano-Hyperspec機(jī)載高光譜成像光譜儀的波段范圍為400～1 000 nm，光譜分辨率為6 nm，重采樣間隔為2.2 nm，包含270個(gè)光譜通道和640個(gè)空間通道，具備VIS-NIR (Visible and near infrared red) 區(qū)間內(nèi)全畫幅成像的特點(diǎn)，同時(shí)集成了GPS與IMU (Inertial measurement unit) 模塊，可同步獲取UAV的實(shí)時(shí)姿態(tài)信息。100 m航高下，焦距為12 mm的Nano-Hyperspec傳感器可獲取640像素×480像素的高光譜影像，空間分辨率約為4 cm。野外作業(yè)前5 d內(nèi)無降水與人工干擾，以確保數(shù)據(jù)的客觀性。于2018年4月17日(冬小麥返青期)進(jìn)行了UAV遙感數(shù)據(jù)的獲取，高光譜影像的采集于北京時(shí)間15:00在田間上空進(jìn)行，天氣晴朗無風(fēng)，視野良好。起飛前對傳感器進(jìn)行暗電流校正及白板校正，數(shù)據(jù)采集完成后利用Hyperspec Ⅲ及Headwall Spectral View軟件完成數(shù)據(jù)后處理及正射校正。

圖1 無人機(jī)平臺(tái)及機(jī)載高光譜傳感器Fig.1 UAV platform and airborne imaging hyperspectral sensor

圖2 采樣點(diǎn)分布圖及UAV作業(yè)現(xiàn)場Fig.2 Distribution of sampling sites and application scene of UAV over cropland

2.2 SMC數(shù)據(jù)獲取

土壤樣品的采集與UAV空中作業(yè)同步開展，在農(nóng)田內(nèi)均勻取70個(gè)采樣小區(qū)(0.5 m×0.5 m)并利用GPS記錄每個(gè)采樣區(qū)域的位置(圖2)。各點(diǎn)土壤樣品圍繞小麥植株采用四點(diǎn)法混合采集，取樣深度為0～10 cm，并用鋁盒對土壤樣品進(jìn)行密封保存。實(shí)驗(yàn)室處理時(shí)，鋁盒樣品采用室內(nèi)干燥法(105℃恒溫箱，48 h)得到70個(gè)樣點(diǎn)SMC數(shù)據(jù)，用于SMC高光譜定量估算模型的構(gòu)建與精度驗(yàn)證。樣本劃分基于Kennard-Stone (K-S)算法進(jìn)行，選取50個(gè)樣點(diǎn)作為建模集，20個(gè)樣點(diǎn)作為驗(yàn)證集。

2.3 數(shù)據(jù)處理及指數(shù)構(gòu)建

高光譜數(shù)據(jù)預(yù)處理對深度挖掘光譜數(shù)據(jù)進(jìn)而改善建模精度至關(guān)重要[25]。光譜儀主要由光電轉(zhuǎn)換、傳輸和處理系統(tǒng)組成。其內(nèi)部的每個(gè)模塊都不同程度地產(chǎn)生噪聲，而真實(shí)的地物光譜信息都不可避免地受到噪聲的影響，需要對其進(jìn)行檢測并去除[13]。因此，本研究在Matlab R2012a環(huán)境下基于Savitzky-Golay (SG)濾波器對高光譜影像進(jìn)行了平滑(2階多項(xiàng)式+5點(diǎn)移動(dòng)平均)。

一階微分(First derivative, FD)、吸光度(Absorbance, Abs)、連續(xù)統(tǒng)去除 (Continuum removal, CR)等處理方法是當(dāng)前光譜分析領(lǐng)域行之有效的預(yù)處理方法，可以在一定程度上消除背景噪聲，增強(qiáng)光譜吸收與反射特征[22,26]。有效的預(yù)處理有助于捕捉光譜數(shù)據(jù)中細(xì)微的差異，提高地表參數(shù)的估計(jì)精度?；诖?，在獲得經(jīng)過SG平滑的高光譜影像后，基于IDL+ENVI平臺(tái)對原始數(shù)據(jù)進(jìn)行FD、Abs、CR預(yù)處理并提取每個(gè)采樣小區(qū)的平均光譜數(shù)據(jù)，為后續(xù)光譜指數(shù)與SMC模型的構(gòu)建奠定基礎(chǔ)。

光譜指數(shù)法可以有效地篩選出已有高光譜數(shù)據(jù)中的最佳波段組合，它不僅可以消除環(huán)境背景噪聲，同時(shí)相較于單一波段具備更明顯的敏感性。為了充分挖掘光譜數(shù)據(jù)，在前人研究基礎(chǔ)上選取差值指數(shù)(Difference index, DI)、比值指數(shù)(Ratio index, RI)、歸一化指數(shù) (Normalization index, NDI)及垂直植被指數(shù) (Perpendicular vegetation index, PVI) 4種光譜指數(shù)，用于估算SMC的最佳波段[13,27]。指數(shù)的數(shù)學(xué)表達(dá)式為

DI(Ri,Rj)=Ri-Rj

(1)

RI(Ri,Rj)=Ri/Rj

(2)

NDI(Ri,Rj)=(Ri-Rj)/(Ri+Rj)

(3)

(4)

式中Ri、Rj——高光譜傳感器工作波段范圍(400～1 000 nm)內(nèi)任意獲取的第i波段及第j波段的光譜反射率

光譜指數(shù)與SMC的擬合關(guān)系采用相關(guān)系數(shù)R及決定系數(shù)R2進(jìn)行評價(jià)，兩者間的相關(guān)性等值圖及最優(yōu)指數(shù)的遴選使用Matlab R2012a完成。

2.4 模型的建立及驗(yàn)證

基于3種不同預(yù)處理方法，本研究共獲取了SG、SG-FD、CR、Abs及Abs-FD共計(jì)5種預(yù)處理后的高光譜影像，并在此基礎(chǔ)上分別進(jìn)行指數(shù)遴選。本研究的模型構(gòu)建分為兩個(gè)層面：①基于最優(yōu)指數(shù)的單一模型。②基于最優(yōu)預(yù)處理方案的綜合指數(shù)模型。通過對比各模型的均方根誤差 (Root mean square error, RMSE)、決定系數(shù) (Coefficient of determination,R2) 及相對分析誤差 (Relative prediction error, RPD) 對模型精度進(jìn)行評價(jià)及優(yōu)選。其根據(jù)RPD的分級標(biāo)準(zhǔn)：RPD小于1.40表示模型不具有定量預(yù)測能力，不可用；RPD大于等于1.40小于2.00表示模型預(yù)測效果可接受，但有待進(jìn)一步改進(jìn)；而RPD大于等于2.00表示模型的穩(wěn)健性與預(yù)測能力俱佳[22]。

圖4 不同預(yù)處理后的高光譜影像及光譜曲線 Fig.4 Hyperspectral imageries and spectral curves based on different pretreatments

3 結(jié)果與分析

3.1 SMC統(tǒng)計(jì)分析

所采集的土壤樣本的SMC平均為18.35%，標(biāo)準(zhǔn)差為4.08%。所選取的建模集(9.17%～28.22%)和驗(yàn)證集(11.08%～27.24%)的SMC平均值分別為18.31%和18.42%。由標(biāo)準(zhǔn)差(Standard deviation, SD)可知，基于K-S算法所劃分出的建模集和驗(yàn)證集均保持與SMC全樣本集相似的統(tǒng)計(jì)分布(圖3)。在確保樣本具有代表性的同時(shí)，避免了在模型構(gòu)建和驗(yàn)證中的潛在有偏估計(jì)。

圖3 樣品SMC數(shù)據(jù)的統(tǒng)計(jì)特征Fig.3 Descriptive statistical results of SMC

3.2 光譜指數(shù)與SMC相關(guān)性分析

在獲取SG、SG-FD、CR、Abs及Abs-FD共計(jì)5種預(yù)處理后的高光譜影像后，提取70個(gè)樣點(diǎn)的不同預(yù)處理后的光譜反射率數(shù)據(jù)(圖4b～4f中，紅線為均值光譜，灰色區(qū)域?yàn)闃?biāo)準(zhǔn)差區(qū)間)?；贛atlab軟件聯(lián)合400～1 000 nm范圍內(nèi)任意獲取的兩個(gè)波段計(jì)算了不同預(yù)處理方案下DI、RI、NDI和PVI與SMC的相關(guān)性，并利用相關(guān)系數(shù)(Coefficient of correlation,R)檢驗(yàn)其有效性。如表1所示，本研究所建立的20個(gè)光譜指數(shù)與SMC在0.001水平上全部通過了顯著性檢驗(yàn) (閾值為±0.380)。就未經(jīng)預(yù)處理的SG光譜數(shù)據(jù)而言，構(gòu)建的DI、RI、NDI和PVI的|R|分布范圍在0.724～0.784之間。

表1 SMC與不同預(yù)處理方案下光譜指數(shù)的相關(guān)系數(shù)Tab.1 Correlation coefficients between SMC and spectral indices based on different pretreatments

SMC對預(yù)處理過后的光譜指數(shù)展現(xiàn)出極強(qiáng)的敏感性，其中基于Abs處理的DI與PVI和CR處理的RI與NDI的|R|均不小于0.748，表現(xiàn)最為突出。由此表明，不同的預(yù)處理方案不同程度地提高了光譜指數(shù)與SMC之間的相關(guān)性，最優(yōu)指數(shù)為基于Abs預(yù)處理后的PVI (R=0.788)。圖5為SMC與上述4個(gè)最優(yōu)預(yù)處理光譜指數(shù)的決定系數(shù)二維等值圖。

圖5 SMC與最優(yōu)光譜指數(shù)的決定系數(shù)Fig.5 Coefficient of determination between SMC and four optimal spectral indices

其中，DI確定的敏感波段范圍主要位于藍(lán)光(X：400～430 nm，Y：440～460 nm)、紅光(X：400～430 nm，Y：580～760 nm)及近紅外短波區(qū) (X：970～1 000 nm，Y：440～760 nm)，在這些光譜區(qū)間SMC與DI的R2均達(dá)到了0.50以上。RI與DI確定的敏感波段范圍比較相似，主要位于藍(lán)光(X：400～430nm，Y：440～460 nm)與近紅外短波區(qū) (X：945～965 nm，Y：430～760 nm)，其R2也均達(dá)到了0.52以上，但NDI的表現(xiàn)略優(yōu)于RI。而PVI與SMC的相關(guān)性最強(qiáng)，其確定的敏感波段范圍主要位于藍(lán)光 (X：400～430 nm，Y：440～460 nm)、紅光 (X：400～430 nm，Y：580～760 nm；)及近紅外短波區(qū) (X：970～1 000 nm，Y：440～760 nm)，在這些光譜區(qū)間SMC與PVI的R2均達(dá)到了0.60以上。

經(jīng)過比對分析，共篩選出4個(gè)最優(yōu)光譜指數(shù)，其排列順序?yàn)椋夯贏bs預(yù)處理的PVI(R644, R651)，基于CR預(yù)處理的NDI(R430, R446)與RI(R430, R446)，以及基于Abs預(yù)處理的DI(R430, R446)，其R2分別為0.621、0.570、0.569和0.559。因此，上述4個(gè)光譜指數(shù)具有對SMC進(jìn)行定量估算的能力。

3.3 SMC高光譜估算模型的構(gòu)建及驗(yàn)證

本研究的模型構(gòu)建分為兩個(gè)層面：基于最優(yōu)指數(shù)的單一模型和基于最優(yōu)預(yù)處理方案的綜合指數(shù)模型。

表2 最優(yōu)光譜指數(shù)的SMC回歸模型Tab.2 Quantitative regression models of SMC using single spectral index

圖6 基于最優(yōu)PVI(R644, R651)模型的SMC估測效果Fig.6 Scatter plots of measured versus predicted SMC using optimal model based on PVI(R644, R651)

表3 基于不同預(yù)處理方案下多變量SMC模型效果Tab.3 Accuracy parameters of multivariable models based on different pretreatments

圖7 基于Abs預(yù)處理方案多變量綜合模型的SMC估測效果Fig.7 Scatter plots of measured versus predicted SMC using multivariable model based on Abs pretreatment

3.4 UAV高光譜影像監(jiān)測SMC試驗(yàn)與精度驗(yàn)證

基于IDL+ENVI平臺(tái)，利用本研究構(gòu)建的基于Abs預(yù)處理后建立的多參數(shù)模型對實(shí)驗(yàn)田塊的UAV高光譜影像進(jìn)行解算，SMC的估算結(jié)果與實(shí)測數(shù)據(jù)見圖8。為了檢驗(yàn)SMC的高光譜填圖精度，從中隨機(jī)選取1/3的采樣點(diǎn)(n=23)的田間實(shí)測數(shù)據(jù)與定量估算的結(jié)果進(jìn)行對比分析。由圖9可知，線性擬合線接近于標(biāo)準(zhǔn)1∶1線，其R2更是達(dá)到了0.88，實(shí)測與估測SMC相似度極高，且全部位于95%置信區(qū)間以內(nèi)，表明使用基于Abs模型的SMC高光譜填圖具有理想的效果。

圖8 SMC估算結(jié)果與實(shí)測數(shù)據(jù)Fig.8 Map of observed SMC and quantitative estimated SMC

圖9 高光譜填圖與實(shí)測SMC擬合效果Fig.9 Fitting effect between measured SMC and hyperspectral mapping results

4 討論

傳統(tǒng)上，SMC數(shù)據(jù)的獲取是基于TDR(Time domain reflector)、FDR (Frequency domain reflectometry)或繁復(fù)的原位工作開展的，盡管它們可以提供時(shí)間序列的觀測數(shù)據(jù)，但往往僅能監(jiān)測單獨(dú)的點(diǎn)位信息，難以反映區(qū)域尺度的空間變化[10-12]。目前，已有大量研究依據(jù)地面原位工作獲取的VIS-NIR反射光譜數(shù)據(jù)(350～2 500 nm)進(jìn)行SMC、土壤有機(jī)質(zhì)、作物葉綠素、氮素含量等農(nóng)業(yè)關(guān)鍵參數(shù)進(jìn)行定量估算；盡管估測效果較好，但這些研究在本質(zhì)上依然獲取的是獨(dú)立的點(diǎn)數(shù)據(jù)，無法獲取地物目標(biāo)進(jìn)行高光譜成像數(shù)據(jù)，難以充分發(fā)揮遙感技術(shù)的優(yōu)勢，獲取尺度上的地物參量信息[28]。而憑借其機(jī)動(dòng)性強(qiáng)、快速高效等特點(diǎn)，基于無人機(jī)UAV平臺(tái)的低空遙感成為當(dāng)今農(nóng)情精準(zhǔn)監(jiān)測的又一理想手段[29]。本研究探索了不同預(yù)處理下的光譜指數(shù)與SMC的關(guān)系，并對農(nóng)田SMC進(jìn)行了定量估算。

當(dāng)前，針對SMC定量估算的研究大多是基于裸土光譜反射數(shù)據(jù)開展的[21]。而SMC與上覆植被葉片的含水率及其光譜之間具有一定的相關(guān)性，SMC的高與低將不同程度對葉片的水分含量造成影響，最終也會(huì)進(jìn)一步導(dǎo)致其光譜特性發(fā)生一定變化[11,14,30]。根據(jù)植被的光譜信息對SMC進(jìn)行定量估算從遙感及光譜機(jī)理上是可行的。已有研究多是基于典型敏感波段或單一的光譜指數(shù)建立SMC估算模型，但這些數(shù)據(jù)內(nèi)涵的光譜信息往往存在飽和現(xiàn)象，而過多的指數(shù)則會(huì)導(dǎo)致模型過擬合現(xiàn)象[13,17]。通常情況下，全譜VIS-NIR數(shù)據(jù)不同程度上受到大氣干擾、土壤背景等因子的干擾。而本研究基于3種不同預(yù)處理方法，共獲取了SG、SG-FD、CR、Abs及Abs-FD共計(jì)5種預(yù)處理后的高光譜影像，并在此基礎(chǔ)上分別進(jìn)行指數(shù)遴選。同時(shí)，著眼于高光譜影像這一數(shù)據(jù)基礎(chǔ)，兼顧波段及一階微分窗口內(nèi)的光譜信息，深度挖掘光譜數(shù)據(jù)；探索了不同預(yù)處理方案下UAV高光譜影像及多種光譜指數(shù)估算SMC的可行性。本研究所采用的垂直型植被指數(shù)(PVI)，在兼顧遙感機(jī)理時(shí)最大程度上削弱了土壤及大氣的影響，動(dòng)態(tài)調(diào)用各波段的反射率，并較好地對植被信息進(jìn)行表征[1,27]。

對比本研究所構(gòu)建的模型的精度參數(shù)可知：在基于單以光譜指數(shù)的12個(gè)模型中，以Abs預(yù)處理下的PVI(R644, R651)模型精度最高；在4個(gè)不同預(yù)處理方案下多變量模型中，基于Abs預(yù)處理后建立的多參數(shù)模型表現(xiàn)最優(yōu)。不同預(yù)處理方案下的光譜數(shù)據(jù)較SG數(shù)據(jù)而言，構(gòu)建的DI、RI、NDI和PVI均有不同程度的提升。而多變量SMC估算模型效果在預(yù)處理消噪的基礎(chǔ)上，更為深度地挖掘了光譜信息，減少了單一變量造成的誤差；在規(guī)避過擬合現(xiàn)象的同時(shí)，提升了模型的定量估測效果。

本研究利用UAV遙感平臺(tái)搭載的高光譜成像光譜儀在獲取高空間/光譜分辨率的影像數(shù)據(jù)，充分發(fā)揮了其“圖譜合一”的優(yōu)勢并基于多種預(yù)處理方案及構(gòu)建的多種光譜指數(shù)對農(nóng)田SMC進(jìn)行了估測，取得了較為理想的精度，為土壤水分狀況天地空一體化遙感監(jiān)測提供了參考方案。然而，基于植被光譜的農(nóng)田SMC遙感估算尚未建立統(tǒng)一研究范式，植被的光譜也會(huì)受到品種、生育期、土壤營養(yǎng)狀況等因素影響。此外，由于天氣、手段等限制，本研究未能獲取多期的影像數(shù)據(jù)，所建立的SMC估算模型的泛化能力有待于進(jìn)一步驗(yàn)證。因此，后續(xù)的研究將進(jìn)一步探索SMC與土壤及上覆植被高光譜反射率的內(nèi)在聯(lián)系，并在此基礎(chǔ)上進(jìn)一步建立大樣本的植被光譜數(shù)據(jù)庫，以期為作物長勢、病蟲害等精準(zhǔn)農(nóng)業(yè)參數(shù)的定量估算與遙感監(jiān)測奠定科學(xué)基礎(chǔ)。

5 結(jié)論

(3)利用最優(yōu)模型將SMC從單一的點(diǎn)位尺度擴(kuò)展至面域尺度，實(shí)現(xiàn)了SMC的遙感監(jiān)測。其線性擬合線接近于標(biāo)準(zhǔn)1∶1線，R2為0.88，實(shí)測與估測SMC擬合效果較優(yōu)，表明使用基于Abs模型的SMC高光譜填圖具有理想的效果。