張智韜 周永財(cái) 楊 帥 譚丞軒 勞聰聰 許崇豪

(1.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(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100)

0 引言

土壤水分是作物生長(zhǎng)發(fā)育的重要條件，也是指導(dǎo)灌溉的理論依據(jù)。土壤水分包括表層土壤水分(保持在10 cm以上的土壤中)和根域土壤水分(保持在10 cm以下的土壤中)[1]。表層土壤水分是解決地面與大氣之間水分和能量交換的關(guān)鍵組成部分，而作物生長(zhǎng)發(fā)育的水分主要來源于根域土壤[2]。土壤含水率測(cè)定方法有干燥法、土壤濕度傳感器測(cè)量法、土壤水量平衡法和遙感技術(shù)測(cè)量法等。傳統(tǒng)的干燥法一直被用作土壤含水率測(cè)定的標(biāo)準(zhǔn)技術(shù)方法，但是該方法相對(duì)耗時(shí)、耗力，且具有破壞性；土壤濕度傳感器測(cè)量法和土壤水量平衡法則存在設(shè)備成本高、準(zhǔn)確性差等缺點(diǎn)[3]；而無人機(jī)遙感技術(shù)具有操作靈活、時(shí)空分辨率較高等優(yōu)點(diǎn)，為快速無損測(cè)定土壤含水率提供了可能[4-5]。

早期利用熱紅外遙感與現(xiàn)場(chǎng)測(cè)量相結(jié)合的方法測(cè)量或定量估算土壤含水率，并且將光學(xué)、熱紅外遙感技術(shù)和微波傳感器相結(jié)合，同樣為大規(guī)模監(jiān)測(cè)土壤含水率提供了可能[6-9]。盡管目前已取得了一些研究成果[10-11]，但主要是反演表層土壤含水率，利用高分辨率的無人機(jī)多光譜遙感數(shù)據(jù)對(duì)作物覆蓋下根域土壤含水率的研究很少。

研究表明，根域土壤含水率對(duì)作物生理狀態(tài)影響很大，理論上可以通過作物冠層反射率或植被指數(shù)間接測(cè)定根域土壤含水率[12-14]。由于高分辨率無人機(jī)多光譜圖像受到土壤背景的干擾，導(dǎo)致根域土壤含水率的監(jiān)測(cè)精度普遍較低。因此，有學(xué)者對(duì)降低土壤背景的干擾進(jìn)行了研究[15-17]。盡管在剔除土壤背景研究上有了很大的改進(jìn)，但土壤線和各種指數(shù)仍然對(duì)土壤背景和覆蓋度變化有一定的敏感性[18-19]。采用植被指數(shù)可以在最大程度上剔除土壤背景，而植被指數(shù)閾值法是基于植被指數(shù)有效識(shí)別作物與非作物像元之間的閾值，通過閾值劃分來剔除土壤背景，而應(yīng)用植被指數(shù)閾值法剔除土壤背景的關(guān)鍵是確定土壤與作物之間的植被指數(shù)閾值。

本文以4種水分處理下的拔節(jié)期冬小麥為研究對(duì)象，利用無人機(jī)搭載多光譜傳感器獲取高分辨率多光譜圖像，采用改進(jìn)的植被指數(shù)閾值法快速確定多光譜圖像中土壤與冬小麥的植被指數(shù)閾值，以實(shí)現(xiàn)土壤背景的剔除，研究不同土壤含水率和作物陰影對(duì)土壤背景剔除精度的影響，以及土壤背景對(duì)提取冬小麥冠層反射率的影響，利用剔除土壤背景和未剔除土壤背景的植被指數(shù)與土壤含水率建立關(guān)系模型，探究剔除土壤背景對(duì)冬小麥根域土壤含水率反演精度的影響。

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)地位于陜西省楊凌示范區(qū)西北農(nóng)林科技大學(xué)的中國旱區(qū)節(jié)水農(nóng)業(yè)研究院(34°17′42.17″N, 108°4′20″E，海拔525 m)。該地區(qū)年平均降雨量635 mm，且主要集中在7—9月，屬于暖溫帶季風(fēng)半濕潤(rùn)氣候區(qū)，試驗(yàn)地深度0～60 cm的土壤類型為中壤土，平均田間持水率為26%，凋萎系數(shù)為8.6%(均為質(zhì)量含水率)，土壤干容重1.44 g/cm3，土壤pH值為8.1，有機(jī)質(zhì)質(zhì)量比為13.3 g/kg，總氮質(zhì)量比為0.82 g/kg，試驗(yàn)地概況如圖1所示。

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)小區(qū)布設(shè)采用完全隨機(jī)設(shè)計(jì)，如圖1b所示，設(shè)置4個(gè)水分處理，灌水上限分別為T1(50%田間持水量)、T2(65%田間持水量)、T3(80%田間持水量)和T4(對(duì)照組，95%田間持水量)，每個(gè)水分處理3個(gè)重復(fù)，如小區(qū)編號(hào)T1-1代表T1水分處理的第1個(gè)重復(fù)，共計(jì)12個(gè)小區(qū)。試驗(yàn)地播種前施氮肥和磷肥各240 kg/hm2作為基肥，冬小麥品種選用的是陜西中部地區(qū)推廣的小偃22，播種時(shí)間為2018年10月15日，每個(gè)小區(qū)設(shè)置為4 m×4 m，種植行距為0.25 m，播種密度為100萬株/hm2。本研究于2019年3月24、25、28、31日進(jìn)行試驗(yàn)，24日為灌水處理前的對(duì)照試驗(yàn)，25、28、31日為灌水處理后的試驗(yàn)。此時(shí)冬小麥正處于拔節(jié)期，天氣晴朗，而且試驗(yàn)期間對(duì)每個(gè)小區(qū)都配有移動(dòng)式遮雨棚，防止降雨干擾。

1.3 無人機(jī)多光譜遙感數(shù)據(jù)采集

試驗(yàn)期間，使用大疆創(chuàng)新公司(DJI)生產(chǎn)的經(jīng)緯M600型六旋翼無人機(jī)搭載多光譜傳感器獲取冬小麥冠層多光譜圖像。如圖2所示，多光譜傳感器為Tetracam公司生產(chǎn)的Micro-MCA型多光譜相機(jī)(簡(jiǎn)稱μ-MCA)。μ-MCA多光譜相機(jī)有490、550、680、720、800、900 nm共6個(gè)波長(zhǎng)的光譜采集通道，能夠搭載于M600型六旋翼無人機(jī)。試驗(yàn)期間每日采集5次多光譜影像(采集時(shí)間為09：00、11:00、13:00、15:00和17:00)，無人機(jī)飛行高度為15 m，多光譜相機(jī)鏡頭垂直向下，對(duì)應(yīng)的地面分辨率為0.8 cm，并利用放置在試驗(yàn)田間的白色參考板(100%反射參考目標(biāo))進(jìn)行影像的輻射校正。

1.4 地面數(shù)據(jù)采集與處理

試驗(yàn)期間，在每日13:00光譜數(shù)據(jù)采集完成后，及時(shí)在每個(gè)水分處理小區(qū)的中心區(qū)域打鉆取土，根據(jù)拔節(jié)期冬小麥根系活動(dòng)層所在深度，每個(gè)小區(qū)取土深度分別為0～10 cm、10～20 cm、20～30 cm和30～40 cm，共4個(gè)深度的土壤樣本，并采用干燥法測(cè)定4個(gè)深度下的冬小麥土壤含水率(體積含水率，%)，每個(gè)深度土壤樣本共48個(gè)。隨機(jī)抽取3/4數(shù)據(jù)用于建模，1/4數(shù)據(jù)用于驗(yàn)證，對(duì)4個(gè)深度土壤含水率的樣本進(jìn)行統(tǒng)計(jì)分析，樣本統(tǒng)計(jì)特征如表1所示。在拔節(jié)期冬小麥試驗(yàn)結(jié)束后(2019年3月31日)對(duì)每個(gè)小區(qū)中間區(qū)域的冬小麥取樣，并用干燥法測(cè)定冬小麥的植株含水率(相對(duì)含水率，%)。

1.5 數(shù)據(jù)分析

1.5.1土壤背景剔除

基于無人機(jī)多光譜圖像的波段范圍，選擇植被指數(shù)DWSI[20]、NGRDI[21]、NDVI[22]、EXG[23]、OSAVI[24]、RDVI[25]和MSR[26]來剔除土壤背景并用于反演土壤含水率。使用PixelWrench2對(duì)μ-MCA多光譜相機(jī)采集的原始圖像進(jìn)行預(yù)處理，并用軟件ENVI 5.3對(duì)預(yù)處理后的各個(gè)小區(qū)的多光譜圖像進(jìn)行波段運(yùn)算，得到多種植被指數(shù)的灰度圖像。為實(shí)現(xiàn)準(zhǔn)確、自動(dòng)的植被檢測(cè)，以及正確的分割參數(shù)，需要一種簡(jiǎn)便、高效的方法來尋找設(shè)置植被與裸地之間斷點(diǎn)的植被指數(shù)閾值，而植被指數(shù)閾值法[27]可以有效確定作物與土壤像元之間的閾值。本文利用改進(jìn)的植被指數(shù)閾值法將OTSU算法和高斯濾波結(jié)合，假設(shè)圖像包含兩類像素(土壤和植被)，然后基于最小化組合傳播(類內(nèi)方差)和高斯濾波線性減噪過程，可以快速確定多光譜圖像中作物與土壤像元之間的閾值。在Python 3.6.3中運(yùn)行該算法得到小區(qū)的各種植被指數(shù)閾值，在ENVI軟件中通過植被指數(shù)閾值對(duì)各個(gè)小區(qū)多光譜圖像的冬小麥和土壤進(jìn)行掩膜處理，實(shí)現(xiàn)土壤背景的剔除。

表1 土壤含水率的描述性統(tǒng)計(jì)分析Tab.1 Descriptive statistical analysis of SWC

1.5.2土壤含水率反演及精度評(píng)價(jià)

利用混淆矩陣精度驗(yàn)證法評(píng)價(jià)植被指數(shù)閾值法的分類精度，評(píng)價(jià)指標(biāo)為Kappa系數(shù)和總體精度[28]。用分類精度最高的植被指數(shù)剔除土壤，并通過該植被指數(shù)確定的閾值來提取冬小麥冠層反射率，分析土壤背景中土壤含水率變化和陰影干擾對(duì)反射率的影響，進(jìn)一步判別植被指數(shù)用于剔除土壤背景的準(zhǔn)確性。

用未剔除土壤和剔除土壤的反射率計(jì)算不同植被指數(shù)，通過這些植被指數(shù)反演不同深度的土壤含水率，以7個(gè)植被指數(shù)為自變量和土壤含水率為因變量建立線性模型，比較剔除土壤背景前后模型的決定系數(shù)(R2)和均方根誤差(RMSE)，分析土壤背景對(duì)反演土壤含水率的影響。R2越接近1，RMSE越接近0，則該反演模型的精度和準(zhǔn)確性越好[11,29]。

2 結(jié)果與分析

2.1 土壤背景對(duì)植被指數(shù)閾值法分類精度的影響

基于1.5節(jié)描述的數(shù)據(jù)處理過程，應(yīng)用7種植被指數(shù)處理不同時(shí)刻(09:00、11:00、13:00、15:00和17:00)獲取的冬小麥多光譜圖像，分析作物陰影對(duì)植被指數(shù)閾值法剔除背景的影響。通過7個(gè)植被指數(shù)剔除背景后，進(jìn)行精度評(píng)價(jià)得到的Kappa系數(shù)及圖像分類精度如圖3所示。

由圖3可看出，利用植被指數(shù)閾值法進(jìn)行分類的拔節(jié)期冬小麥多光譜圖像效果較好，總體精度和Kappa系數(shù)整體呈正態(tài)分布。其中RDVI對(duì)冬小麥多光譜圖像的分類精度最高，在所有圖像的分類結(jié)果中總體精度達(dá)到了91.35%，大部分都集中于97.25%，而且Kappa系數(shù)均在0.83以上，均值為0.91。而基于植被指數(shù)NDVI和OSAVI的分類效果也相對(duì)較好，Kappa系數(shù)整體都大于0.7，總體精度也都在88.59%以上。但是基于EXG、NRGDI和DWSI這3種植被指數(shù)分類效果相對(duì)較差，總體精度都出現(xiàn)80%甚至低于80%的情況，而且對(duì)應(yīng)的Kappa系數(shù)出現(xiàn)了低于0.6的情況。由于太陽高度角的變化，導(dǎo)致09:00、11:00、15:00和17:00采集多光譜數(shù)據(jù)時(shí)的太陽沒有完全正射冬小麥冠層，造成土壤背景中不只有裸土，還存在較多冬小麥投影到土壤中的陰影，這使得土壤存在陽光直射的裸土和有陰影的土壤。所以，為避免作物陰影的干擾，對(duì)24、25、28、31日13:00(此時(shí)陽光正射試驗(yàn)地冬小麥冠層)的冬小麥多光譜圖像進(jìn)行分類，分析土壤含水率變化對(duì)植被指數(shù)與閾值法剔除背景的影響，得到的精度評(píng)價(jià)結(jié)果如圖4所示。

從圖4可以發(fā)現(xiàn)，RDVI的分類效果依然最好，總體精度達(dá)到91.32%以上，Kappa系數(shù)都在0.85以上。NDVI和OSAVI的分類精度相似，僅比RDVI略低一點(diǎn)。DWSI、NGRDI和EXG的分類效果依然較差，但是基于植被指數(shù)NGRDI在土壤含水率變化下的圖像分類效果明顯高于作物陰影干擾下的圖像分類效果，總體精度普遍都在96.23%左右，但是也會(huì)出現(xiàn)分類精度降低的情況。

造成這種現(xiàn)象的原因可能是計(jì)算DWSI、EXG和NGRDI這3個(gè)植被指數(shù)的中心波長(zhǎng)(490、550、680 nm)都在可見光波段，冬小麥和土壤背景之間的反射率差別較小，而在近紅外波段(中心波長(zhǎng)為720、800、900 nm)二者之間的反射率差別較大[20,30]。NDVI和OSAVI基于冬小麥和土壤在紅色、近紅外波段反射率的變化差異，通過歸一化擴(kuò)大土壤與冬小麥差異，同時(shí)最小化了光照強(qiáng)度變化的影響，增強(qiáng)了對(duì)冬小麥的識(shí)別能力, 但它們對(duì)土壤亮度敏感。而RDVI有效消除了土壤反射率的影響，更好地適應(yīng)于不同水分處理導(dǎo)致覆蓋度差異懸殊的試驗(yàn)區(qū)域，使得對(duì)冬小麥的識(shí)別能力更強(qiáng)[31]。因此含有近紅外波段的植被指數(shù)在一定程度上更能響應(yīng)冬小麥生長(zhǎng)環(huán)境的變化，使對(duì)應(yīng)的分類精度更高。

2.2 土壤背景對(duì)提取冬小麥冠層反射率的影響

土壤背景中土壤含水率變化和裸土上的冬小麥陰影會(huì)導(dǎo)致土壤亮度發(fā)生變化，同時(shí)也對(duì)提取的冬小麥冠層反射率有很大影響。

2.2.1不同土壤含水率對(duì)提取冬小麥冠層反射率的影響

盡管植被指數(shù)RDVI的分類精度最好，但是同一類型的土壤在不同含水率下的光譜反射率變化差異較大，這導(dǎo)致了用植被指數(shù)閾值法確定的閾值受土壤含水率變化的影響較大，這也會(huì)影響提取冠層反射率。為避免陰影和土壤水分變化的交互影響，本研究以13:00獲取的冬小麥多光譜圖像為研究對(duì)象，圖5給出了試驗(yàn)期間植被指數(shù)閾值法確定13:00多光譜圖像的RDVI閾值與不同深度土壤含水率的相關(guān)性矩陣圖。

圖5相關(guān)性矩陣圖表明，在水分處理前后基于RDVI確定的閾值和土壤含水率均呈正相關(guān)，并與0～10 cm的土壤含水率相關(guān)性均最高，而與10 cm以下的土壤含水率相關(guān)性普遍較低。其中水分處理前的24日閾值與深度0～10 cm的土壤含水率相關(guān)性最高(r=0.914)，而水分處理后的25、28、31日閾值與深度0～10 cm土壤含水率的相關(guān)性呈減小趨勢(shì)，深度30～40 cm的土壤含水率與RDVI閾值的相關(guān)性表現(xiàn)出同樣的變化趨勢(shì)，10～20 cm和20～30 cm深度的土壤含水率與閾值之間的相關(guān)性變化不大。這表明0～10 cm處土壤含水率對(duì)植被指數(shù)閾值法確定作物與土壤像元之間的閾值影響最大，而水分處理導(dǎo)致土壤含水率與閾值之間的相關(guān)性降低，這對(duì)提取冬小麥冠層反射率影響較大。

圖6所示(圖中b1～b6分別表示中心波長(zhǎng)為490、550、680、720、800、900 nm的光譜反射率，下同)為水分處理前后基于RDVI閾值提取的冬小麥冠層反射率。T1處理的冬小麥由于土壤含水率沒有變化，因此冠層波段反射率變化很微弱。而其他處理下的冬小麥冠層反射率變化較明顯，T2處理的冬小麥冠層反射率表現(xiàn)為突降，隨后逐漸增大，T3、T4處理的冠層反射率表現(xiàn)為突增，在25日反射率又下降，直至31日才開始增大，整體呈“波浪”形狀。而反射率的變化主要是近紅外波段，可見光波段的反射率幾乎沒有變化，顯然，在近紅外波段(b4、b5和b6)的反射率受土壤含水率變化的影響更明顯，而在可見光波段(b1、b2和b3)的反射率變化對(duì)土壤含水率變化幾乎沒影響。

2.2.2作物陰影對(duì)提取冬小麥冠層反射率的影響

由于不同時(shí)間點(diǎn)的多光譜圖像對(duì)應(yīng)的太陽高度角有差異，這往往會(huì)導(dǎo)致裸土出現(xiàn)冬小麥陰影，尤其在09：00和17：00時(shí)試驗(yàn)小區(qū)的裸土上幾乎完全是冬小麥陰影，在11：00和15：00則有一半的土壤含有陰影，僅在13：00才幾乎沒有陰影。如果不考慮陰影的影響，就會(huì)降低從遙感圖像中研究冬小麥冠層特征及其變化檢測(cè)的準(zhǔn)確性。所以在這項(xiàng)研究中，使用分類精度最高的植被指數(shù)RDVI對(duì)5個(gè)時(shí)刻的多光譜圖像進(jìn)行閾值分類，探討冬小麥陰影對(duì)閾值法確定閾值的影響。圖7反映了在滿足高分類精度時(shí)確定的冠層閾值與采集圖像時(shí)刻的變化關(guān)系。

結(jié)果表明，隨著采樣時(shí)間的變化，4個(gè)水分處理確定的閾值都呈“V”狀，在13：00確定的閾值始終低于另外4個(gè)時(shí)間點(diǎn)確定的閾值，而且在13:00各個(gè)小區(qū)多光譜圖像確定的閾值也更加集中。結(jié)合13:00的太陽高度角最大，11:00和15:00的太陽高度角次之，而09:00和17:00太陽高度角最低[32]，發(fā)現(xiàn)隨著太陽高度角的降低，閾值明顯增大，而且誤差也較大。并且在總體上，不同時(shí)間點(diǎn)的閾值變化范圍很大，這可能是T3和T4處理的試驗(yàn)小區(qū)土壤含水率高，在太陽高度角變化時(shí)，作物蒸散發(fā)變化比較大，使得冬小麥冠層與土壤之間的閾值變化明顯。

由于閾值受太陽高度角的影響，導(dǎo)致提取的冠層反射率同樣發(fā)生變化，如圖8所示。顯然閾值變化趨勢(shì)與冬小麥的冠層波段反射率變化趨勢(shì)基本一致，都呈“V”狀，T3、T4處理的冬小麥表現(xiàn)為13：00反射率最低，但是T1-1、T1-2和T1-3的波段反射率低谷都出現(xiàn)在11：00，而T2處理下，冬小麥反射率的低谷出現(xiàn)時(shí)間也都有向11：00靠近的趨勢(shì)，這可能是由于T1和T2處理的冬小麥處于水分虧缺狀態(tài)，作物覆蓋度比較低的影響。然而，僅在近紅外波段(b4、b5和b6)的反射率出現(xiàn)波動(dòng)，而可見光波段(b1、b2和b3)的反射率幾乎沒有變化。這表明作物陰影對(duì)近紅外波段的反射率影響很大，對(duì)可見光波段的反射率影響很小。

2.3 土壤背景對(duì)冬小麥根域土壤含水率反演的影響

如2.2節(jié)所述，冬小麥冠層在13：00時(shí)刻獲取的反射率有效降低了陰影的干擾，而且對(duì)土壤含水率的差異最敏感，表2為剔除土壤背景前后的各種植被指數(shù)與實(shí)測(cè)的土壤含水率之間的線性反演模型。結(jié)果表明，本文所考慮的植被指數(shù)與不同深度的含水率存在較高的顯著相關(guān)性?？傮w上，剔除土壤背景后的植被指數(shù)與土壤含水率反演效果明顯比未剔除土壤背景好，并且與其他植被指數(shù)相比，在相同的顯著性水平下，NGRDI在不同深度的土壤含水率反演模型最優(yōu)，而且在反演10～20 cm的決定系數(shù)最高，深度30～40 cm的決定系數(shù)最低。但是，RDVI和OSAVI與土壤含水率的相關(guān)性最不顯著，雖然RDVI和OSAVI被認(rèn)為能有效估算植被葉綠素的含量，但是在短期的水分處理下，冬小麥的葉綠素受到土壤水分影響很少，所以通過RDVI和OSAVI間接反演不同深度的土壤含水率效果較差。

根據(jù)表2的線性建模分析，以植被指數(shù)NGRDI研究土壤背景對(duì)不同深度根域土壤含水率反演的影響(圖9)。結(jié)合表2和圖9可以看出，剔除土壤背景后，對(duì)深度0～10 cm、10～20 cm和20～30 cm的土壤含水率反演模型的決定系數(shù)都達(dá)到了0.6以上，其中10～20 cm的決定系數(shù)最高，均方根誤差RMSE最小，為2.0%。同樣包含土壤背景的植被指數(shù)在10～20 cm反演效果最好，但是含土壤背景反演模型的決定系數(shù)始終比不含土壤背景的低。通過圖9反映包含土壤和不含土壤背景計(jì)算的NGRDI分布情況，可以看出含土壤背景計(jì)算的NGRDI普遍比不含土壤背景的小，而且出現(xiàn)較多負(fù)值的情況。說明土壤背景的存在，使計(jì)算的植被指數(shù)包含了與土壤含水率無關(guān)的噪聲，增大了植被指數(shù)反演土壤含水率的誤差，導(dǎo)致含土壤背景的NGRDI對(duì)土壤含水率反演效果變差。

通過基于NGRDI反演土壤含水率的實(shí)測(cè)值與預(yù)測(cè)值比較，可以看出剔除土壤的模型遠(yuǎn)比未剔除土壤背景的擬合效果好，如圖10所示，決定系數(shù)均大于0.6，斜率更加接近1，并且對(duì)深度10～20 cm土壤含水率的反演模型擬合效果最優(yōu)，R2為0.787，RMSE為2.1%。所以，與其他植被指數(shù)相比，NGRDI更適用于不同深度土壤含水率的反演。

3 討論

植被指數(shù)閾值法是基于植被指數(shù)[33]具有識(shí)別作物與非作物像元的優(yōu)勢(shì)，文獻(xiàn)[34]提出一種從時(shí)間序列影像的植被指數(shù)直方圖曲線中獲取植被指數(shù)閾值的方法，但該方法需要多時(shí)相的對(duì)同一地塊的觀測(cè)影像；文獻(xiàn)[20]利用監(jiān)督分類統(tǒng)計(jì)土壤與冬小麥的植被指數(shù)統(tǒng)計(jì)直方圖，以直方圖的交點(diǎn)作為分類閾值的方式進(jìn)行植被覆蓋度的提取，但是監(jiān)督分類精度對(duì)確定閾值影響較大，而改進(jìn)的植被指數(shù)閾值法結(jié)合OTSU算法和高斯濾波降噪處理，可以直接對(duì)高分辨率多光譜圖像進(jìn)行植被指數(shù)閾值確定。但植被指數(shù)閾值法剔除背景的效果與選擇的植被指數(shù)密切相關(guān)，若植被指數(shù)對(duì)作物或者土壤的區(qū)分效果明顯，則剔除背景精度高。在選擇的7種植被指數(shù)剔除土壤和陰影背景的精度分析中，發(fā)現(xiàn)RDVI剔除土壤背景的精度最高。與其他植被指數(shù)相比，RDVI有效結(jié)合了NDVI和DVI兩種指數(shù)的優(yōu)勢(shì)[26]，其中DVI是一種差值植被指數(shù)，在植被覆蓋度低時(shí)對(duì)植被檢測(cè)效果好，而NDVI對(duì)土壤亮度比較敏感，較適用于植被覆蓋度高的作物檢測(cè)[34]。所以RDVI對(duì)不同覆蓋度下的冬小麥識(shí)別效果較好，能夠更好地剔除背景，提高冠層反射率的準(zhǔn)確性。

盡管剔除土壤背景有效地提高了獲取冠層反射率的準(zhǔn)確性，但由于光的多重散射效應(yīng)，傳感器在接受植被反射的波段信號(hào)時(shí)，也同時(shí)接收了來自土壤等背景的反射信號(hào)，因此冠層反射率是對(duì)土壤背景和葉片/植物生理化學(xué)等綜合信息的響應(yīng)[35]。雖然多重散射增強(qiáng)了對(duì)葉片生化信息的反射信號(hào)[36]，但是植物或葉層對(duì)光的散射具有高度的各向異性[37]，因此它也被認(rèn)為是噪聲源，這也是導(dǎo)致冠層反射率反演土壤含水率存在誤差的主要原因[29]。所以本研究通過構(gòu)建光譜指數(shù)反演冬小麥根域土壤含水率，經(jīng)過剔除土壤背景前后對(duì)土壤含水率的反演分析，表層土壤含水率的反演效果低于10～20 cm處的。結(jié)合冬小麥植株含水率與不同深度土壤含水率的相關(guān)關(guān)系分析(圖11)，同樣發(fā)現(xiàn)植株含水率與深度10～20 cm的土壤含水率相關(guān)性最好。因此剔除土壤背景后，植被指數(shù)NGRDI在深度10～20 cm的土壤含水率反演效果最佳，而在其他深度的反演效果較差。

剔除背景有效提高了反演冬小麥土壤含水率的精度，尤其是在深度10～20 cm土壤含水率的反演效果最好，這也可能是該深度為拔節(jié)期冬小麥根系主要活動(dòng)層的原因[38]，后續(xù)的研究可根據(jù)需要結(jié)合冬小麥的根系信息準(zhǔn)確監(jiān)測(cè)作物根域土壤含水率。本文僅研究拔節(jié)期冬小麥的深度0～40 cm的土壤含水率，對(duì)更深層的根域土壤含水率反演有待進(jìn)一步研究，而植被指數(shù)閾值法在冬小麥的其他生育期或者其他植物上的運(yùn)用效果有待進(jìn)一步探索。

4 結(jié)論

(1)利用改進(jìn)的植被指數(shù)閾值法得到冬小麥冠層與土壤像元分界的最優(yōu)閾值，通過閾值分割、剔除土壤和陰影背景，以獲取拔節(jié)期冬小麥的冠層反射率。經(jīng)對(duì)比驗(yàn)證，RDVI更適用于拔節(jié)期冬小麥土壤背景的剔除，其總體精度都在91.32%以上，并且RDVI確定的閾值與深度0～10 cm的土壤含水率相關(guān)性顯著。因此RDVI能夠及時(shí)響應(yīng)土壤含水率的變化，有效提高了植被指數(shù)閾值法的分類精度。

(2)土壤背景對(duì)近紅外波段的反射率影響較大，對(duì)可見光波段的反射率影響較小，而基于反射率構(gòu)建的植被指數(shù)對(duì)深度10～20 cm的土壤含水率反演效果較好，其中NGRDI反演深度10～20 cm的冬小麥根域土壤含水率效果最好，其建模集R2和RMSE分別為0.739和2.0%，驗(yàn)證集R2和RMSE分別為0.787和2.1%。

(3)未剔除土壤背景的植被指數(shù)反演效果始終比剔除土壤背景的反演效果差，采用NGRDI對(duì)比剔除土壤背景前后的根域土壤含水率反演效果可知，未剔除土壤背景的植被指數(shù)NGRDI值比剔除土壤背景的更小、更離散，這導(dǎo)致NGRDI反演根域土壤含水率的精度降低。因此在應(yīng)用無人機(jī)進(jìn)行多光譜遙感反演冬小麥根域土壤含水率時(shí)應(yīng)該考慮土壤背景的影響。