王海峰，張智韜，付秋萍，陳碩博，邊 江，崔 婷(.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，陜西 楊凌 7200；2.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實驗室，陜西 楊凌 7200； .新疆農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，烏魯木齊 80052)

0 引 言

土壤含水率是森林、草原和農(nóng)田等生態(tài)系統(tǒng)研究的重要內(nèi)容，而我國灌溉用水量約占總用水量的80%以上，但有效利用指數(shù)僅為40%，在相當(dāng)一部分地區(qū)，仍采用大田漫灌的灌溉方式，造成了水資源嚴(yán)重浪費。從20世紀(jì)90年代以來提出的以“增加農(nóng)產(chǎn)品總量、調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、改善農(nóng)產(chǎn)品品質(zhì)、提高資源利用率和減小環(huán)境污染”為目的的精準(zhǔn)農(nóng)業(yè)，對農(nóng)田墑情監(jiān)測技術(shù)提出了新的要求[1,2]。然而，一些傳統(tǒng)的土壤含水率測定方法，如烘干法稱重法過程復(fù)雜，費時費力；電測法操作簡便并可定點連續(xù)監(jiān)測，但無法大面積測定。因此，研究一種簡單、快速、準(zhǔn)確的大范圍測定土壤含水率的方法非常重要。土壤反射率是由土壤的組成成分及其結(jié)構(gòu)的內(nèi)在散射和吸收性質(zhì)決定的，并且主要隨土壤粗糙度和水分含量而變化[3]。近些年來，基于土壤的光譜反射特性對水分含量實現(xiàn)反演的遙感技術(shù)迅速發(fā)展，利用遙感數(shù)據(jù)大面積測定土壤含水率的研究已成為國內(nèi)外研究的重點和熱點[4]。一些專家學(xué)者通過不同的參數(shù)來表征土壤水分，Lambin等[5]提出利用地表溫度和歸一化植被指數(shù)(NDVI)的比值來動態(tài)監(jiān)測地表干旱程度。鄭小坡等[6]針對反演土壤含水量受土壤類型影響較大的問題，提出并構(gòu)建歸一化光譜斜率吸收指數(shù)(NSSAI)來提高裸土土壤含水量的反演精度。夏權(quán)等[7]通過計算增強型植被指數(shù)(EVI)，較好反演了不同耕層的土壤水分。張智韜等[8]利用TM5和TM7波段數(shù)據(jù)構(gòu)建歸一化土壤濕度指數(shù)(NDSMI)，建立了遙感影像對土壤含水率的監(jiān)測模型，反演精度達(dá)到80%以上。也有許多學(xué)者研究了土壤水分與反射率的關(guān)系，Bowers等[9]對一系列的土壤進(jìn)行了光譜反射率的測量，顯示隨著土壤水分的增加，土壤反射率降低。Etienne等[10]建立了土壤光譜與含水率之間的關(guān)系模型，得出波長約為68 cm的P波段對土壤水分的監(jiān)測效果最佳。劉偉東和Baret[11]的研究表明濕度小于田間持水量時，土壤濕度與反射率之間呈現(xiàn)較好的指數(shù)相關(guān)關(guān)系。劉煥軍等[12]對黑土土壤水分光譜通過光譜分析方法與統(tǒng)計分析方法，得出土壤含水量與光譜反射率之間是指數(shù)或線性關(guān)系。宋韜等[13]通過尋找并建立單一敏感波段與土壤水分的一元回歸模型，實現(xiàn)了對土壤水分的快速準(zhǔn)確檢測。陳禎[14]提出一種隨土壤體積質(zhì)量變化而相伴變化的土壤體積含水率與歸一化減土反射率之間的指數(shù)曲線模型，消除了土壤類型對土壤含水量反演的影響。孫越君等[15]采用爬山算法對實測光譜數(shù)據(jù)進(jìn)行優(yōu)化，建立了土壤水分與光譜反射率數(shù)據(jù)的經(jīng)驗公式，反演效果比較理想。這些研究成果一定程度上簡化了土壤含水率的測定方法，但仍無法避免“時效性差、成本高、操作較復(fù)雜”等缺點。

本研究借助簡便、快捷的無人機平臺，搭載多光譜相機獲取不同土壤含水率六個波段處的光譜反射值，尋找出光譜對于土壤含水率的敏感波段，建立了基于單個敏感波段的數(shù)學(xué)模型來反演土壤含水率，并對方程進(jìn)行驗證。目的是尋求一種可以快速準(zhǔn)確地監(jiān)測土壤含水率的方法。

1 材料與方法

1.1 儀器設(shè)備

試驗使用大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯M600多旋翼無人機，搭載美國Tetracam公司生產(chǎn)的Micro-MCA多光譜相機作為遙感數(shù)據(jù)采集平臺，如圖1所示。機載傳感器主要參數(shù)見表1。數(shù)據(jù)分析軟件采用SPSS22.0和DPS7.05。

圖1 無人機及機載傳感器Fig.1 Unmanned aerial vehicle and airborne sensor

表1 Micro-MCA多光譜相機主要參數(shù)Tab.1 Main parameters of Micro-MCA multispectral camera

1.2 樣本采集與制備

試驗土壤采集自楊凌渭河三級階地，在0～30 cm均勻采樣后用塑料袋密封帶回實驗室供試。將土樣自然風(fēng)干后適當(dāng)磨細(xì)，過2 mm孔徑篩，然后裝入直徑約16 cm，高度約11 cm的花盆中，配成質(zhì)量含水率θp為3%～30%、梯度約為3%、高度分別為5和10 cm的樣品共60個。將土樣密封放置一段時間，使水分在土壤中充分?jǐn)U散。同時取部分剩余土樣進(jìn)行理化性質(zhì)分析得土壤容重為1.36 g/cm3，pH值7.46，有機質(zhì)含量10 g/kg，含鹽量0.52 g/kg。

1.3 土壤光譜的測量

試驗在2017年3月29日、3月30日、3月31日進(jìn)行，三天內(nèi)天氣狀況良好。試驗地點位于西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室的灌溉試驗站。試驗時間為下午三點，無人機拍攝高度選定為6 m，每次拍攝前操控?zé)o人機飛至土樣上方懸停5～10 s，待機身穩(wěn)定后進(jìn)行拍攝，保證獲取圖像的質(zhì)量。采集光譜前用標(biāo)準(zhǔn)白板(反射率100%)進(jìn)行標(biāo)定，共采集六種不同波長的土樣光譜：490 nm(藍(lán)光)、550 nm(綠光)、680 nm(紅光)、720 nm(近紅外)、800 nm(近紅外)、900 nm(近紅外)。為保證光譜數(shù)據(jù)具有代表性，每次試驗均進(jìn)行3～4次拍攝，并計算其平均值作為土壤樣本最終的光譜反射率數(shù)據(jù)。在相機自帶的軟件PixelWrench2中對遙感圖像進(jìn)行預(yù)處理，在ENVI5.1軟件中提取反射率數(shù)據(jù)。

1.4 土壤含水率的測量

每次試驗拍攝完成后，立即通過稱重法來計算每一個花盆土樣的整體質(zhì)量含水率θw。稱重后取每個花盆土樣適量的表層土帶回實驗室，用烘干法測得表層土質(zhì)量含水率θm。

1.5 統(tǒng)計分析

因為本次試驗共進(jìn)行了3 d，所以兩種高度的土樣試驗數(shù)據(jù)均為90個，隨機選取2/3的樣本(n=60)為建模集，1/3的樣本(n=30)為驗證集。對于模型的精度評定采用擬合度R2作為評價指標(biāo)，R2越接近1，說明回歸方程對樣本數(shù)據(jù)點的擬合優(yōu)度越高；反之，R2越接近0，擬合優(yōu)度越低。預(yù)測效果通過預(yù)測相關(guān)系數(shù)r、預(yù)測均方根誤差RMSEP和相對分析誤差RPD3個參數(shù)來檢驗，計算公式見公式(1)～式(3)。預(yù)測相關(guān)系數(shù)r越大，預(yù)測均方根誤差RMSEP越小，相對分析誤差RPD越大，表征模型的預(yù)測反演效果越好。其中，當(dāng)相對分析誤差在2.5以上時，表明模型具有極好的預(yù)測能力;當(dāng)相對分析誤差在2.0～2.5之間時，表明模型具有很好的定量預(yù)測能力;當(dāng)相對分析誤差在1.8～2.0之間時，表明模型具有較好的定量預(yù)測能力;當(dāng)相對分析誤差在1.4～1.8之間時，表明模型具有定量預(yù)測能力;當(dāng)相對分析誤差在1.0～1.4之間時，表明模型僅具有區(qū)別高值和低值的能力;當(dāng)相對分析誤差小于1.0時，表明模型不具備預(yù)測能力[16]。

(3)

2 試驗結(jié)果與分析

2.1 土壤含水率的敏感波段

計算各波段光譜數(shù)據(jù)與不同深度土壤含水率的相關(guān)系數(shù)，并作相關(guān)系數(shù)在P=0.01水平上的顯著性檢驗(單側(cè))，如圖2所示。從圖2中可以得出，6個波段與土壤含水率的相關(guān)系數(shù)均通過了P=0.01顯著性檢驗，并且都表現(xiàn)為顯著負(fù)相關(guān)。6個波段的光譜反射率對于不同深度土壤含水率的敏感波段是不同的：其中，5 cm深度土壤表層和整體含水率的敏感波段分別為波段1和波段6，其相關(guān)系數(shù)分別為-0.826和-0.820，10 cm深度土壤表層和整體含水率的敏感波段均為波段3，其相關(guān)系數(shù)分別為-0.762和-0.604。選用各深度土壤含水率對應(yīng)的敏感波段建立土壤水分一元回歸模型。

圖2 不同深度的土樣與各波段反射率相關(guān)系數(shù)圖Fig.2 Correlation coefficients between different depths of soil samples and reflectance of different bands

2.2 一元回歸模型的建立

用建模集中的樣本與對應(yīng)的敏感波段建立不同的一元回歸模型，分別嘗試建立了線性回歸模型、指數(shù)回歸模型、對數(shù)回歸模型、乘冪回歸模型、二次多項式回歸模型。對模型進(jìn)行相關(guān)性分析和F顯著性檢驗，結(jié)果如表2所示。

從中可以得到，不同土壤含水率與對應(yīng)的敏感波段建立的一元回歸模型中，二次多項式回歸模型的擬合度R2是最高的，擬合度R2分別達(dá)到0.947、0.763、0.831、0.566，除了在反演10 cm深度土壤整體含水率時的相關(guān)性一般外(0.5≤R2<0.7)，對其他深度土壤含水率的反演均有較強的相關(guān)性(R2≥0.7)。而在剩余的4種一元一次回歸模型中，對數(shù)模型的擬合度最高，擬合度R2分別達(dá)到0.794、0.702、0.664和0.434，但只有在反演5 cm深度土壤表層和整體含水率時可以達(dá)到較強的相關(guān)性。在不同土壤含水率下對兩種回歸模型比較得出，二次回歸模型較對數(shù)回歸模型的擬合度R2分別可以提高19.27%、8.81%、25.18%和30.33%。其余三種模型之間無明顯的優(yōu)劣區(qū)分。通過不同含水率對應(yīng)的敏感波段所建立的回歸模型均具有統(tǒng)計學(xué)意義(P<0.01)。

表2 基于敏感波段的一元回歸模型Tab.2 The single regression models based on sensitive bands

注：Y為土壤質(zhì)量含水率；X1、X3和X6分別為敏感波段1、3、6的反射率。

2.3 模型驗證分析

為了檢驗?zāi)Ｐ偷念A(yù)測效果，將驗證集中的光譜數(shù)據(jù)帶入模型中，然后將模型預(yù)測值與實測值做相關(guān)分析，求出二者的擬合回歸方程。從中選取擬合結(jié)果較好的一元二次回歸模型和一元對數(shù)回歸模型進(jìn)行預(yù)測，其預(yù)測檢驗結(jié)果如圖3、圖4所示。

圖3 一元對數(shù)回歸模型預(yù)測值與實測值的散點圖Fig.3 Scatter plots of predicted and measured values of one element logistic regression models

圖4 一元二次回歸模型預(yù)測值與實測值的散點圖Fig.4 Scatter plots of predicted and measured values of one element quadratic regression model

從圖3、圖4中可以發(fā)現(xiàn)，模型的預(yù)測相關(guān)系數(shù)r與建模時的擬合度R相比沒有發(fā)生大的浮動，說明模型并未發(fā)生“過擬合”現(xiàn)象，并且模型的“魯棒性”較好[17]。其中，一元二次回歸模型的預(yù)測相關(guān)系數(shù)r分別達(dá)到0.9297、0.854 2、0.929 6、0.699 4，較對數(shù)回歸模型分別高出4.39%、1.41%、19.82%、13.56%，從中可以看出一元二次回歸模型對10 cm深度土壤含水率的預(yù)測效果優(yōu)勢更明顯。預(yù)測均方根誤差RMSEP均在允許范圍內(nèi)(0.1以下)，但一元二次回歸模型的預(yù)測均方根誤差較小，預(yù)測精度較高。對相對分析誤差比較發(fā)現(xiàn)，對于表層土壤含水率的反演，一元二次回歸模型具有很好的預(yù)測能力(RPD>2.0)，對數(shù)回歸模型只有在5 cm深度土壤表層含水率反演中有很好的預(yù)測能力。對于5 cm深度整體土壤含水率的反演，一元二次回歸模型具有較好的預(yù)測能力，而對數(shù)回歸模型僅具有定量預(yù)測能力。對于10 cm深度整體土壤含水率，兩種回歸模型都只有區(qū)別高低值的能力，說明模型難以對較深土壤(>5 cm)的含水率進(jìn)行反演預(yù)測。

3 結(jié) 語

(1)通過相關(guān)系數(shù)法可以尋找出多光譜對于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。

(2)利用單一敏感波段建立與土壤含水率不同的一元回歸模型。分析得出，一元二次回歸模型具有最佳的擬合優(yōu)度，并通過驗證得出該模型對于較淺的土壤表層含水率有很好的預(yù)測能力。一元對數(shù)回歸模型的擬合度次之，對于土壤表層含水率也具有較好的預(yù)測能力。

(3)由于現(xiàn)有的可見光-近紅外波段對土壤的穿透性較差，故利用單一敏感波段建立的一元回歸模型反演效果隨土壤深度的增加急劇下降，所以該模型僅可以較好地實現(xiàn)對5 cm深度以內(nèi)土壤含水率的反演。對深層土壤含水率的反演研究，仍需進(jìn)一步探索。

(4)由于一元回歸模型在實際應(yīng)用中的方便快捷性，所以本試驗研究成果為今后利用無人機多光譜遙感實現(xiàn)區(qū)域尺度土壤表層墑情的大范圍、快速監(jiān)測具有重要意義。

[1] 朱新國, 林方存, 高湖濱. 墑情監(jiān)測研究進(jìn)展綜述[J]. 節(jié)水灌溉, 2011,53(11):53-55.

[2] 李福強, 張恒嘉, 王玉才, 等. 我國精準(zhǔn)灌溉技術(shù)研究進(jìn)展[J]. 中國水運(下半月), 2017,17(4):145-148.

[3] 劉偉東. 高光譜遙感土壤信息提取與挖掘研究[D]. 北京：中國科學(xué)院研究生院(遙感應(yīng)用研究所), 2002.

[4] 李小濤, 黃詩峰, 宋小寧, 等. 衛(wèi)星遙感結(jié)合地面觀測數(shù)據(jù)的土壤墑情監(jiān)測分析系統(tǒng)[J]. 水利學(xué)報, 2013,44(z1):116-120.

[5]LAMBINEF,EHRLICHD.Thesurfacetemperature-vegetationindexspaceforlandcoverandland-coverchangeanalysis[J].InternationalJournalofRemoteSensing, 1996,17(3):463-487.

[6] 鄭小坡, 孫越君, 秦其明, 等. 基于可見光-短波紅外波譜反射率的裸土土壤含水量反演建模[J]. 光譜學(xué)與光譜分析, 2015,35(8):2 113-2 118.

[7] 夏 權(quán), 夏 萍, 陳黎卿, 等. 基于多光譜遙感的土壤含水量定量監(jiān)測與分析[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報, 2015,42(3):439-443.

[8] 張智韜, 李援農(nóng), 楊江濤, 等. 遙感監(jiān)測土壤含水率模型及精度分析[J]. 農(nóng)業(yè)工程學(xué)報, 2008,24(8):152-156.

[9]BOWERSSA,HANKSRJ.Reflectionofradiantenergyfromsoil[J].SoilScience, 1965,100(3):130-138.

[10]ETIENNEM,HENRID.Modelingsoilmoisture-reflectance[J].RemoteSensingofEnvironment, 2000,76:173-180.

[11] 劉偉東. 高光譜遙感土壤濕度信息提取研究[J]. 土壤學(xué)報, 2004,41(5):700-706.

[12] 劉煥軍, 張 柏, 宋開山, 等. 黑土土壤水分光譜響應(yīng)特征與模型[J]. 中國科學(xué)院研究生院學(xué)報, 2008,25(4):503-509.

[13] 宋 韜, 鮑一丹, 何 勇. 利用光譜數(shù)據(jù)快速檢測土壤含水量的方法研究[J]. 光譜學(xué)與光譜分析, 2009,29(3):675-677.

[14] 陳 禎. 不同土壤含水率、體積質(zhì)量及光譜反射率的關(guān)系模型[J]. 農(nóng)業(yè)工程學(xué)報, 2012,28(4):76-81.

[15] 孫越君, 鄭小坡, 秦其明, 等. 不同質(zhì)量含水量的土壤反射率光譜模擬模型[J]. 光譜學(xué)與光譜分析, 2015,35(8):2 236-2 240.

[16] 張秋霞, 張合兵, 張會娟, 等. 糧食主產(chǎn)區(qū)耕地土壤重金屬高光譜綜合反演模型[J]. 農(nóng)業(yè)機械學(xué)報, 2017,48(3):148-155.

[17] 賈俊平, 何曉群, 金勇進(jìn). 統(tǒng)計學(xué)[M].4版. 北京：中國人民大學(xué)出版社, 2009.