葛翔宇， 丁建麗*， 王敬哲， 孫慧蘭， 朱志強(qiáng)

1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院， 新疆 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， 新疆 烏魯木齊 830046 3. 新疆大學(xué)智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室， 新疆 烏魯木齊 830046 4. 深圳大學(xué)海岸帶地理環(huán)境監(jiān)測(cè)自然資源部重點(diǎn)實(shí)驗(yàn)室， 廣東 深圳 518060 5. 新疆師范大學(xué)地理科學(xué)與旅游學(xué)院， 新疆 烏魯木齊 830054 6. 北京化工大學(xué)材料科學(xué)與工程學(xué)院， 北京 100029

引 言

土壤含水量(soil moisture content， SMC)影響土壤的理化過(guò)程， 參與全球生態(tài)、 環(huán)境、 水溫和氣候變化模式[1]。 同時(shí)， SMC是約束土壤養(yǎng)分狀況的關(guān)鍵因素, 是影響精準(zhǔn)農(nóng)業(yè)發(fā)展的首要因素[2]。 綠洲農(nóng)業(yè)承載著新疆維吾爾自治區(qū)的第一產(chǎn)業(yè)， 近年來(lái)的人類活動(dòng)加劇干旱區(qū)內(nèi)墑情失衡， 使綠洲生態(tài)環(huán)境暴露在干旱與鹽漬化災(zāi)害中[3]。 在實(shí)施可持續(xù)土壤管理實(shí)踐和精準(zhǔn)農(nóng)業(yè)時(shí)， 了解SMC的空間分布對(duì)于確定土壤墑情監(jiān)測(cè)和土壤水鹽運(yùn)移的區(qū)域至關(guān)重要。 因此， 快速易行的獲取SMC數(shù)據(jù)對(duì)農(nóng)業(yè)監(jiān)測(cè)、 產(chǎn)量估算以及合理灌溉具有必要的現(xiàn)實(shí)意義。

近十年來(lái)遙感技術(shù)的迅猛發(fā)展， 在地表觀測(cè)的各領(lǐng)域得到了廣泛應(yīng)用[3-4]。 其中無(wú)人機(jī)(unmanned aerial vehicle， UAV)遙感技術(shù)的推廣， 使得大尺度、 高效率地獲取SMC信息成為可能[4]。 縱觀相關(guān)研究的探索， 光學(xué)遙感能有效監(jiān)測(cè)地物參量， 其中植被冠層可反映植被的生長(zhǎng)狀況和健康狀況， 其光譜特征在不同土壤水分脅迫條件下表現(xiàn)出差異[5-6]。 因此， 使用UAV衍生的高光譜植被數(shù)據(jù)可作為準(zhǔn)確評(píng)估SMC的替代方案。 然而高光譜會(huì)產(chǎn)生信息冗余和背景噪聲等問(wèn)題[7]。 光譜指數(shù)可以解決在高光譜定量估算研究中的類似問(wèn)題， 易檢測(cè)到敏感波長(zhǎng)并且進(jìn)一步增強(qiáng)目標(biāo)的特定屬性和光譜特性之間的相關(guān)性[8]。 通過(guò)冠層光譜指數(shù)模型， 討論受到水脅迫的各類參數(shù)與SMC具有良好相關(guān)性[9]。 然而， 未經(jīng)預(yù)處理的數(shù)據(jù)是幾種復(fù)合信號(hào)與各種重疊數(shù)據(jù)的組合， 很難實(shí)現(xiàn)深度數(shù)據(jù)挖掘。 為彌補(bǔ)這一不足， 引入預(yù)處理來(lái)消除部分外部噪聲， 增強(qiáng)非線性關(guān)系并提高地表參數(shù)估計(jì)模型的準(zhǔn)確性。

1 實(shí)驗(yàn)部分

1.1 數(shù)據(jù)采集

采用DJI Matrice600 PRO?六旋翼UAV， 搭載Nano-Hyperspec?高光譜傳感器。 高光譜傳感器的波段范圍為400～1 000 nm， 光譜分辨率為6 nm， 重采樣間隔為2.2 nm。 采集時(shí)間為2018年4月17日15：00， 并對(duì)傳感器進(jìn)行暗電流校正及光譜定標(biāo)。 后期利用Hyperspec Ⅲ及Headwall SpectralView軟件處理校正。 布設(shè)70個(gè)50 cm×50 cm樣方， 四點(diǎn)采樣封裝于鋁盒， 并用GPS保存各點(diǎn)坐標(biāo)， 后期在室內(nèi)利用烘干法(105 ℃的恒溫箱， 48 h)測(cè)定SMC。

圖1 采樣點(diǎn)分布、 高光譜傳感器說(shuō)明及UAV野外作業(yè)

1.2 數(shù)據(jù)預(yù)處理

在MATLAB R2016b環(huán)境中基于Savitzky-Golay(SG)濾波器平滑了高光譜圖像。 以SG平滑的高光譜圖像為基礎(chǔ)影像(R)， 基于IDL + ENVI平臺(tái)對(duì)原始數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)(FDR)， 二階導(dǎo)數(shù)(SDR)， 連續(xù)體去除(CR)、 吸光度(A)、 吸光度一階(FDA)和吸光度二階(SDA)6種預(yù)處理方案。

1.3 適宜光譜指數(shù)構(gòu)建

為了充分利用光譜數(shù)據(jù)， 根據(jù)以往的研究選擇差值型指數(shù)(DI)， 比值型指數(shù)(RI)， 歸一化型指數(shù)(NDI)和垂直型指數(shù)(PI)。 其中， PI的常數(shù)項(xiàng)是根據(jù)高光譜影像提取的土壤線的系數(shù)y=0.440 1x+0.330 8， 土壤線方程為。 4個(gè)光譜指數(shù)的數(shù)學(xué)表達(dá)式如式(1)—式(4)

DI(Ri，Rj)=Ri-Rj

(1)

RI(Ri，Rj)=Ri/Rj

(2)

NDI(Ri，Rj)=(Ri-Rj)/(Ri+Rj)

(3)

(4)

其中Ri和Rj是在高光譜傳感器的工作范圍內(nèi)(400～1 000 nm)任意獲得的i和j的光譜反射率。 使用MATLAB R2016b實(shí)現(xiàn)指數(shù)與SMC的相關(guān)性及指數(shù)的波段組合。

1.4 模型的構(gòu)建與評(píng)價(jià)

RF回歸是較常見(jiàn)的機(jī)器學(xué)習(xí)算法之一， 具有理想的估計(jì)能力， 特別是對(duì)于高維數(shù)據(jù)集[9]。 它也是一種基于分類回歸樹(shù)(CART)的集成學(xué)習(xí)算法。 該算法關(guān)鍵參數(shù)有決策樹(shù)的數(shù)量ntree(設(shè)置ntree=500)和節(jié)點(diǎn)數(shù)mtry(mtry=10， 即總變量數(shù)的1/3)。 GBRT是針對(duì)回歸和分類問(wèn)題的機(jī)器學(xué)習(xí)技術(shù)[12]。 每次迭代都適合對(duì)前一次遺留的殘差的決定， 然后通過(guò)組合樹(shù)來(lái)完成預(yù)測(cè)。 考慮到同RF和XGBoost進(jìn)行比較， 相關(guān)參數(shù)與XGBoost保持一致。

XGBoost是一個(gè)可擴(kuò)展且靈活梯度增強(qiáng)的優(yōu)化實(shí)現(xiàn)， 有關(guān)XGBoost的詳細(xì)說(shuō)明， 請(qǐng)參閱文獻(xiàn)[13]。 為確定最優(yōu)迭代次數(shù)， 防止過(guò)擬合， 選用交叉驗(yàn)證的方法， 設(shè)定nfold=3， 測(cè)試結(jié)果如圖2所示， 當(dāng)?shù)螖?shù)(nround)>300時(shí)驗(yàn)證集的精確度將不再提高， 為了便于同RF算法公平對(duì)比， 故本文選擇nround=500作為模型參數(shù)。 (其他參數(shù)設(shè)置： 學(xué)習(xí)速率(eta)=0.01， 每棵樹(shù)的最大深度(max_depth)=10)。

納入標(biāo)準(zhǔn)：①年齡18歲及以上的近視和散光患者；②球鏡度＞-6.00 D，柱鏡度＜ 2.00 D；③屈光度數(shù)穩(wěn)定2年以上，每年變化＜0.5 D；④角膜地形圖檢查正常；⑤軟性角膜接觸鏡停戴1～2周，硬性角膜接觸鏡停戴3～4周，角膜塑形鏡停戴3個(gè)月以上。

圖2 XGBoost最優(yōu)迭代次數(shù)選擇

上述3個(gè)模型基于R 3.5.0平臺(tái)實(shí)現(xiàn)。 為了量化3種集成學(xué)習(xí)估算模型的性能， 使用以下指標(biāo)評(píng)估模型的效果[7]： 確定系數(shù)(R2)， 均方根誤差(RMSE)和相對(duì)百分比偏差(RPD)。

2 結(jié)果與討論

2.1 SMC及光譜特征

樣本劃分基于聯(lián)合x-y距離 (simple set portioning based on jointx-ydistance， SPXY)[14]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。 全集、 建模集和驗(yàn)證集具有以下描述性統(tǒng)計(jì)結(jié)果(圖3)： 全集SMC的均值(Mean)為24.446%， 標(biāo)準(zhǔn)差(SD)為5.408%。 建模集(12.23%～37.63%)的Mean和驗(yàn)證集(14.95%～35.62%)的Mean分別為24.499%和24.374%。 SD和Mean相似表明建模集和驗(yàn)證集與全集SMC保持類似的統(tǒng)計(jì)分布， 在確保代表性樣本的同時(shí)盡可能縮減了建模集和驗(yàn)證集中存在偏差的估計(jì)。

圖3 SMC樣本劃分及其描述性統(tǒng)計(jì)

UAV高光譜影像進(jìn)行了R和FDR， SDR， CR， A， FDA和SDA共6種預(yù)處理， 結(jié)果如圖4， 紅線代表平均光譜， 灰色區(qū)域代表平均光譜加減標(biāo)準(zhǔn)差。 隨著導(dǎo)數(shù)的階數(shù)增加， 處理后的光譜的強(qiáng)度也會(huì)降低， 而A和CR增強(qiáng)了某些區(qū)域的光譜， 尤其突顯了紅邊信息。

2.2 適宜光譜指數(shù)構(gòu)建

為了可視化表達(dá)SMC和光譜指數(shù)(DI， RI， NDI和PI)之間的相關(guān)性， 通過(guò)二維相關(guān)圖來(lái)表達(dá)(圖5)。 圖5色柱表示SMC與光譜指數(shù)之間的相關(guān)系數(shù)的平方(r2)，x軸和y軸表示400～1 000 nm的波段。 暗紅色描繪了SMC和光譜指數(shù)之間的高r2。 為了更好地描述， 下面中將r2轉(zhuǎn)換為相關(guān)系數(shù)的絕對(duì)值(|r|)。

如表1所示， 使用SMC建立的28個(gè)光譜指數(shù)均通過(guò)0.01水平的顯著性檢驗(yàn)(閾值為±0.380)， 其中相關(guān)性最高的4個(gè)光譜指數(shù)DI， RI， NDI和PI的|r|分布范圍為0.475～0.773。 在不同預(yù)處理方案下， 光譜指數(shù)也表現(xiàn)出明顯差異。 其中， R_PI， A_PI， CR_NDI和CR_RI都在0.75以上， 這四個(gè)指數(shù)的效果比較顯著。 基于FDR， SDR和SDA的3種預(yù)處理方案構(gòu)建的光譜指數(shù)效果較差。 不同的預(yù)處理方案可以不同程度地改善光譜指數(shù)與SMC之間的相關(guān)性， 最優(yōu)光譜指數(shù)為A_PI(|r|=0.773)。

2.3 構(gòu)建模型與評(píng)價(jià)

圖4 基于UAV高光譜影像的預(yù)處理結(jié)果

圖5 SMC與最優(yōu)光譜指數(shù)的r2圖

Table 1 |r| between SMC and spectral indices based on different pretreatments

預(yù)處理光譜指數(shù)|r|預(yù)處理光譜指數(shù)|r|預(yù)處理光譜指數(shù)|r|預(yù)處理光譜指數(shù)|r|RDI(R479, R619)0.724NDI(R431, R446)0.748RI(R431, R446)0.747PI(R446, R471)0.772FDRDI(R435, R746)0.662NDI(R702, R726)0.674RI(R702, R724)0.668PI(R435, R744)0.693SDRDI(R710, R753)0.551NDI(R417, R753)0.487RI(R444, R895)0.475PI(R653, R753)0.554CRDI(R400, R446)0.737NDI(R431, R446)0.755RI(R431, R446)0.755PI(R446, R466)0.746ADI(R431, R446)0.748NDI(R431, R619)0.725RI(R461, R619)0.720PI(R446, R471)0.773FDADI(R435, R744)0.742NDI(R513, R726)0.616RI(R420, R726)0.624PI(R435, R713)0.738SDADI(R579, R753)0.577NDI(R677, R753)0.561RI(R440, R446)0.424PI(R753, R946)0.569

表2 不同SMC預(yù)測(cè)模型建模效果

Table 2 Calibration and validation results for SMC estimation based on different modeling strategies

模型建模集驗(yàn)證集R2calRMSECR2valRMSEPRPDGBRT0.8972.4190.8872.1032.002RF0.8921.9930.9052.0582.109XGBoost0.9252.1980.9261.9432.556

圖6 不同模型的驗(yàn)證結(jié)果

此外， 集成學(xué)習(xí)能通過(guò)重要性來(lái)演繹各膺選變量對(duì)模型結(jié)果的影響[12]。 如圖7所示， 選取了前12個(gè)變量經(jīng)行重要性表達(dá)， A_PI指數(shù)在3種模型中均位列第一， 可見(jiàn)A_PI指數(shù)的在與SMC非線性關(guān)系中的重要性。 在4類適宜光譜指數(shù)(DI， RI， NDI和PI)中， 由于PI在構(gòu)建指數(shù)時(shí)考慮到土壤背景對(duì)植被光譜的干擾， 故而指數(shù)的效果在眾多指數(shù)中名列前茅。 DI， NDI和RI指數(shù)效果與前人研究具有相似性[5]， 相較而言， PI對(duì)UAV高光譜影像消除背景噪聲方面略勝一籌。

簡(jiǎn)單光譜指數(shù)僅考慮光譜與物體之間的相互作用， 而不考慮反射光譜之間的相互作用[9]。 由于受到高光譜傳感器所限， 主要光譜集中在400～1 000 nm。 農(nóng)田植被覆蓋度高， 難以直接通過(guò)土壤光譜信息進(jìn)行估算。 由于干旱區(qū)農(nóng)業(yè)植物在不同程度的水分脅迫下， 作物冠層葉綠素隨干旱程度波動(dòng)， 故而土壤水分含量與葉綠素之間存在強(qiáng)烈的正相關(guān)關(guān)系。 基于實(shí)際效用考慮， 充分利用植被冠層光譜信息作為媒介， 間接監(jiān)測(cè)土壤含水量。 根據(jù)適宜光譜指數(shù)所得到的波段組合(表1)較集中的處于420， 440， 460和700 nm附近。 420～460 nm附近是葉綠素、 類胡蘿卜素和水分的強(qiáng)吸收帶[5]， 由此佐證了指數(shù)構(gòu)建的合理性。 本研究中確定的信息光譜帶和區(qū)域可為傳感器的光譜通道設(shè)計(jì)提供參考， 以監(jiān)測(cè)干旱區(qū)的農(nóng)業(yè)土壤墑情。

利用6種預(yù)處理方式(FDR， SDR， CR， A， FDA和SDA)對(duì)UAV高光譜影像的處理達(dá)到了一定效果。 由于一維光譜表達(dá)的局限性， 引入由Noda[16]開(kāi)發(fā)二維同步相關(guān)光譜， 以便檢測(cè)到更多難以在一維光譜中發(fā)現(xiàn)的光譜信息。 顯然在圖8中， 這些二維同步光譜圖的對(duì)角線上存在一些自相關(guān)峰。 他們是證明兩者間對(duì)外部擾動(dòng)有協(xié)同響應(yīng)。 對(duì)比不同預(yù)處理下的自相關(guān)峰， 一階導(dǎo)數(shù)和二階導(dǎo)數(shù)雖能剔除大量無(wú)關(guān)信息， 并確定更小范圍的自相關(guān)峰， 但同時(shí)也損失了更多協(xié)同響應(yīng)的光譜信息。 在R， CR和A中比較， R對(duì)光譜信息表達(dá)能力不如CR； A方案的光譜信息表達(dá)最佳。 在A中， 出現(xiàn)四個(gè)自相關(guān)峰， 分別位于450 nm附近， 670 nm附近， 740 nm附近以及980 nm附近， 說(shuō)明在四個(gè)區(qū)域植被光譜發(fā)生顯著變化。 這與前文光譜指數(shù)合理性的結(jié)果相似， 在證明預(yù)處理效果的同時(shí)， 佐證了本文光譜指數(shù)的響應(yīng)機(jī)制。

圖7 不同集成學(xué)習(xí)的變量重要性

圖8 不同預(yù)處理方案的二維同步相關(guān)圖

圖9 SMC空間數(shù)字制圖

機(jī)器學(xué)習(xí)算法被廣泛地應(yīng)用在地表屬性的估算中， XGBoost估算SMC模型也在空譜結(jié)合的空間數(shù)字制圖中得到較好的結(jié)果(圖9)， 圖9(a)與(b)表現(xiàn)出相似的空間分布特征， 殘差最大為4.347%。 這表明該模型可以很好的對(duì)SMC可視化表達(dá)。

利用UAV高光譜影像數(shù)據(jù)， 在不同SMC估算模型下， 收獲理想的估算結(jié)果， 在“星-空-地”遙感系統(tǒng)應(yīng)用中嘗試一種可替代方案， 并為低空遙感監(jiān)測(cè)土壤墑情進(jìn)行了有益探索。 因條件所限， 未能根據(jù)植被物候及土壤養(yǎng)分進(jìn)行多時(shí)相影像數(shù)據(jù)采集， 所建立的SMC的機(jī)器學(xué)習(xí)估算模型遷移能力需進(jìn)一步完善。 因此， 進(jìn)一步的科研工作將著手于時(shí)間和區(qū)域尺度的SMC與植被光譜的研究， 為應(yīng)對(duì)日益惡化干旱區(qū)生態(tài)環(huán)境提供精準(zhǔn)農(nóng)業(yè)的技術(shù)指導(dǎo)， 為相關(guān)部門提供作物長(zhǎng)勢(shì)監(jiān)測(cè)、 估算產(chǎn)量、 合理灌溉及旱情監(jiān)測(cè)的科學(xué)方案。

4 結(jié) 論