郭 交 白清源 郭文川,3

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100；2.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0 引言

土壤含水率是農(nóng)業(yè)、生態(tài)、氣象和水文等學(xué)科的重要參數(shù)之一[1-2]，對(duì)農(nóng)作物生長(zhǎng)具有重要作用，實(shí)時(shí)監(jiān)測(cè)農(nóng)作物的含水率情況，不僅對(duì)評(píng)價(jià)農(nóng)作物健康水平有著重要意義，而且在節(jié)水灌溉、農(nóng)作物光合作用和養(yǎng)分吸收以及產(chǎn)量預(yù)測(cè)等方面都具有重要作用[3-4]。

當(dāng)前測(cè)定土壤含水率的方法，如烘干法[5]、中子法[6-7]、時(shí)域反射法(Time domain reflectometry, TDR)[8-9]、熱脈沖法[10]等，能夠較為準(zhǔn)確地進(jìn)行單個(gè)土樣或者單點(diǎn)的小尺度測(cè)定。但數(shù)據(jù)時(shí)效性較差，很難保證測(cè)量數(shù)據(jù)的同步性，而且只能用一個(gè)或幾個(gè)點(diǎn)的數(shù)據(jù)來表征大范圍面的數(shù)據(jù)，若直接用于大面積測(cè)量，則耗費(fèi)大量人力物力[11]。近年來隨著星載遙感技術(shù)的迅速發(fā)展，基于衛(wèi)星數(shù)據(jù)來反演土壤含水率已成為一種解決土壤含水率監(jiān)測(cè)問題的新方法[12-16]，但受到當(dāng)前衛(wèi)星傳感器的限制，在對(duì)局部農(nóng)田進(jìn)行反演時(shí)精度比較低，同時(shí)該方法受衛(wèi)星重訪周期和過境時(shí)天氣影響比較大，很難有效指導(dǎo)精準(zhǔn)農(nóng)業(yè)生產(chǎn)活動(dòng)[17-18]。低空掃描法是一種將雷達(dá)架設(shè)于地面一定高度處觀測(cè)一定范圍土壤含水率的方法[19-20]，這種方法操作簡(jiǎn)單，測(cè)量效率高并保持很高的精確性，比較適合于表層土壤含水率快速檢測(cè)，但傳統(tǒng)上與低空掃描法配合使用的雷達(dá)尺寸過大，測(cè)量難度和成本較高[21]。近些年來，由于超寬帶(Ultra-wide band，UWB)雷達(dá)體積小、質(zhì)量輕、穿透力強(qiáng)、抗干擾和低功耗的特性[22]，被越來越多地應(yīng)用于土壤含水率相關(guān)的研究中，而且將超寬帶雷達(dá)模塊與低空掃描法相結(jié)合，可以簡(jiǎn)化低空掃描法中土壤信號(hào)采集的難度。

一些學(xué)者利用模糊邏輯系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等手段對(duì)從超寬帶雷達(dá)測(cè)量數(shù)據(jù)中得到土壤含水率相關(guān)信息進(jìn)行了研究[23-27]，所選擇的試驗(yàn)條件都是平坦裸土。但在實(shí)際的農(nóng)田環(huán)境中，土壤上均會(huì)存在不同的植被覆蓋且土壤中石子與秸稈殘?jiān)雀蓴_較多，這些都會(huì)影響土壤含水率監(jiān)測(cè)的精度。而微波遙感不如光學(xué)遙感形象直觀，易于理解。植被的雷達(dá)后向散射與系統(tǒng)參數(shù)(波長(zhǎng)、入射角、極化方式)、植被參數(shù)以及地表參數(shù)均有關(guān),電磁波與植被之間的相互作用是比較復(fù)雜的。為了對(duì)這個(gè)復(fù)雜的過程進(jìn)行理解并提高地表參數(shù)的反演精度，研究人員通過對(duì)植被微波后向散射特性的研究，建立了各種類型的植被微波后向散射模型[28]。目前已有學(xué)者直接通過植被指數(shù)來消除植被覆蓋產(chǎn)生的影響[29]。

基于以上分析，本文以土壤含水率為研究對(duì)象，在10塊不同植被覆蓋情況的試驗(yàn)田中進(jìn)行不同土壤含水率的超寬帶回波信號(hào)采集，試驗(yàn)中土壤含水率均采用體積含水率(Variable water content，VWC)計(jì)算。通過無人機(jī)多光譜遙感獲得10塊試驗(yàn)田的多光譜圖像，進(jìn)而計(jì)算其對(duì)應(yīng)的歸一化植被指數(shù)(NDVI)，以此來消除植被覆蓋所產(chǎn)生的雷達(dá)后向散射影響。將無人機(jī)多光譜圖像與超寬帶雷達(dá)模塊(PulsOn 440, P440)的低空掃描法相結(jié)合，融合多光譜與超寬帶雷達(dá)數(shù)據(jù)，利用支持向量機(jī)(SVM)模型實(shí)現(xiàn)對(duì)不同程度植被覆蓋土壤含水率進(jìn)行分級(jí)預(yù)測(cè)。在此基礎(chǔ)上，研究對(duì)比融合多源數(shù)據(jù)與只采用超寬帶雷達(dá)回波數(shù)據(jù)的預(yù)測(cè)精度，并建立農(nóng)田尺度上最優(yōu)的土壤含水率預(yù)測(cè)模型。

1 研究區(qū)域與試驗(yàn)方法

1.1 研究區(qū)域

試驗(yàn)地點(diǎn)為陜西省咸陽(yáng)市楊凌區(qū)某處試驗(yàn)田，土壤類型為陜西省關(guān)中地區(qū)的塿土，總面積約為100 m2，總體植被覆蓋度約為42.10%，植被覆蓋高度為0～30 cm。選擇其中不同植被覆蓋的10塊試驗(yàn)地，植被覆蓋類型為雜草，每塊試驗(yàn)田的大小約為2.5 m×2.5 m。圖1a為試驗(yàn)區(qū)域總體示意圖，圖1b、1c為具體地塊試驗(yàn)過程中無人機(jī)定點(diǎn)拍攝的多光譜影像RGB波段融合后圖像。

1.2 試驗(yàn)設(shè)備

(1)超寬帶雷達(dá)模塊

選用的超寬帶雷達(dá)模塊是美國(guó)Time Domain公司的PulsOn 440單基站雷達(dá)模塊，實(shí)物圖如圖2所示。它是一種工作頻率在3.1～4.8 GHz之間的超寬帶雷達(dá)，能夠采用雙向飛行時(shí)間方式在2個(gè)以上的模塊之間進(jìn)行精確測(cè)距與通信，也可以作為單基地雷達(dá)、雙基地雷達(dá)或者多基地雷達(dá)工作。P440單基站雷達(dá)模塊功耗低，供電電壓為直流4.5～48 V，小型移動(dòng)電源就可以滿足其長(zhǎng)時(shí)間穩(wěn)定的供電需求，同時(shí)其尺寸小、質(zhì)量輕的特點(diǎn)使其便攜性很強(qiáng)，同時(shí)具有很強(qiáng)的穿透力。這些特性使其可以很好地適應(yīng)農(nóng)田間復(fù)雜的實(shí)際農(nóng)情環(huán)境，方便田間試驗(yàn)時(shí)數(shù)據(jù)的采集，完成長(zhǎng)時(shí)間高效率測(cè)量任務(wù)。

(2)雷達(dá)天線

雷達(dá)天線選用P440標(biāo)配的BroadSpec天線，實(shí)物圖如圖2所示。該天線是一種橢圓形的平面偶極子天線，通過標(biāo)準(zhǔn)SMA公接口連接到P440模塊的兩個(gè)天線端口，能夠提供全方向發(fā)射和接收模式。其時(shí)域特性和頻域特性十分穩(wěn)定，適用于P440模塊的信號(hào)傳輸要求，有效射頻帶寬范圍為3.1～5.3 GHz，天線效率約為90%。

(3)土壤含水率測(cè)定儀

使用順科達(dá)TR-6D型土壤溫濕度計(jì)測(cè)量土壤的體積含水率。TR-6D是一種便攜式土壤溫濕度測(cè)量?jī)x，具有體積小、質(zhì)量輕、能耗低的優(yōu)點(diǎn)，可以很好地適應(yīng)農(nóng)田間的復(fù)雜實(shí)際情況。含水率測(cè)量范圍為0～100%，精度為±2%。TR-6D采用接觸式的測(cè)量法，所用探針長(zhǎng)度為70 mm，垂直安裝時(shí)傳感器可測(cè)量近60 mm長(zhǎng)感應(yīng)區(qū)間的土壤體積含水率。

(4)無人機(jī)與多光譜相機(jī)

采用搭載多光譜相機(jī)的無人機(jī)獲取不同植被覆蓋情況試驗(yàn)地塊的多光譜圖像。所用無人機(jī)型號(hào)為四旋翼的大疆M100，搭載的多光譜相機(jī)為MicaSense的Red Edge五通道多光譜相機(jī)，其光譜參數(shù)如表1所示。該相機(jī)帶有光強(qiáng)傳感器和灰板，可以在無人機(jī)航拍飛行過程中矯正外界光線變化對(duì)光譜造成的影響，并對(duì)航拍影像進(jìn)行反射率矯正[30]。

表1 Red Edge的光譜參數(shù)Tab.1 Spectral parameters of Red Edge nm

1.3 試驗(yàn)方法

本文采用低空掃描法進(jìn)行土壤回波信號(hào)的采集。低空掃描法是利用分析接收的微波信號(hào)與土壤樣品含水率之間的關(guān)系來反演土壤含水率?；诘涂諕呙璺ǖ臄?shù)據(jù)測(cè)量系統(tǒng)由P440超寬帶雷達(dá)、發(fā)射天線、土壤樣品、接收天線、計(jì)算機(jī)和其余輔助裝置構(gòu)成。待測(cè)土壤區(qū)域處于發(fā)射天線和接收天線中間正下方，通過P440超寬帶雷達(dá)模塊完成回波信號(hào)的發(fā)射與接收，計(jì)算機(jī)用于回波信號(hào)的儲(chǔ)存和數(shù)據(jù)分析，如圖3所示。

1.4 試驗(yàn)步驟

(1)考慮到雷達(dá)天線耦合噪聲的影響，在采集測(cè)量過程中 P440雷達(dá)應(yīng)高于地面0.8 m以上[31]。選取周圍比較空曠的試驗(yàn)田進(jìn)行試驗(yàn)，搭建好雷達(dá)固定支架后，將P440雷達(dá)放置在距離地面1.0 m的高度位置進(jìn)行回波信號(hào)的采集，通過USB接口與計(jì)算機(jī)連接，利用MRM軟件控制回波信號(hào)數(shù)據(jù)采集的開始和停止，并將接收信號(hào)數(shù)據(jù)直接儲(chǔ)存在計(jì)算機(jī)中以便進(jìn)行后期數(shù)據(jù)處理。

(2)使用P440超寬帶雷達(dá)在10塊不同植被覆蓋情況的試驗(yàn)田中進(jìn)行不同含水率的土壤雷達(dá)回波數(shù)據(jù)采集。共采集了40個(gè)不同含水率的土壤雷達(dá)回波信號(hào)，土壤含水率區(qū)間為14.10%～28.59%，符合實(shí)際農(nóng)田土壤含水率的情況。將土壤含水率從14.01%開始按照2%的差值分為8級(jí)，其中第1級(jí)為14.01%～16.00%，第2級(jí)為16.01%～18.00%，以此類推第8級(jí)為28.01%～30.00%。每個(gè)含水率含有1 000個(gè)回波信號(hào)樣本，按照3∶1的比例將750個(gè)樣本作為訓(xùn)練集，250個(gè)樣本作為測(cè)試集。

(3)使用TR-6D型土壤溫濕度計(jì)測(cè)量土壤的體積含水率，測(cè)量區(qū)域?yàn)镻440雷達(dá)下方的1.5 m×1.5 m矩形區(qū)域。測(cè)量時(shí)選擇區(qū)域內(nèi)不同位置的12個(gè)點(diǎn)進(jìn)行測(cè)量并記錄數(shù)據(jù)，去除最低值和最高值后對(duì)10個(gè)點(diǎn)的體積含水率取平均值作為此次試驗(yàn)土壤的實(shí)際體積含水率。

(4)使用搭載多光譜相機(jī)的無人機(jī)對(duì)試驗(yàn)田進(jìn)行拍照，獲得試驗(yàn)區(qū)域的無人機(jī)多光譜遙感圖像，用于計(jì)算不同試驗(yàn)地塊對(duì)應(yīng)的植被指數(shù)。

2 數(shù)據(jù)處理

2.1 雷達(dá)回波信號(hào)提取

P440超寬帶雷達(dá)采集的回波信號(hào)中，每個(gè)回波的離散時(shí)間長(zhǎng)度為480 ns，首先需要從回波信號(hào)中提取出含有土壤含水率信息的有用信號(hào)。根據(jù)雷達(dá)波時(shí)延公式，可以得到最先接收到含有土壤表層信息的回波信號(hào)的時(shí)間，從而在所有信號(hào)中提取出含有土壤信息的回波信號(hào)的起始點(diǎn)，公式為

(1)

(2)

(3)

式中V——雷達(dá)回波信號(hào)傳播速度

R——雷達(dá)波傳播距離，取1.0 m

τ——P440的信號(hào)采樣頻率，取61 p/s

Δt——傳播時(shí)間m——時(shí)間指數(shù)

C——光速ξr——介電常數(shù)

解得m約為109，表明每個(gè)回波的離散時(shí)間長(zhǎng)度480 ns中，從109 ns起才包含有與土壤含水率有關(guān)信息，因此舍棄前108 ns，將樣本的離散時(shí)間長(zhǎng)度縮小為372 ns。雷達(dá)波在土壤中的穿透深度約為0.5 m[32]，其在土壤中的傳播速度如式(3)所示,其中土壤的介電常數(shù)介于4～40之間，由經(jīng)驗(yàn)公式可得含水率30%土壤的介電常數(shù)約為20[33]，可以通過式(3)計(jì)算出包含土壤信息的有效回波信號(hào)采樣離散時(shí)間長(zhǎng)度約為244 ns，本試驗(yàn)中取250 ns，即一個(gè)回波信號(hào)樣本中109～359 ns的離散時(shí)間長(zhǎng)度上的信息是包含土壤信息的有效回波信號(hào)。以土壤體積含水率為22.28%為例，如圖4所示。

本研究中植被覆蓋高度約為0.3 m，即雷達(dá)與植被距離約為0.7 m。根據(jù)雷達(dá)波延時(shí)公式可以計(jì)算出每個(gè)回波的離散時(shí)間長(zhǎng)度480 ns中，約從76 ns起包含有與植被有關(guān)信息。將8號(hào)試驗(yàn)田24.31%與9號(hào)試驗(yàn)田24.40%的雷達(dá)回波樣本進(jìn)行比較分析，結(jié)果如圖5所示。從圖中可以看出，約70 ns開始兩種雷達(dá)回波產(chǎn)生較為明顯的變化，這是因?yàn)椴杉睦走_(dá)回波中開始包含植被信息，與計(jì)算結(jié)果一致，后續(xù)采集到的回波中均包含植被對(duì)回波散射產(chǎn)生的噪聲信息。

2.2 雷達(dá)回波時(shí)域特征提取

由于農(nóng)田中環(huán)境比較復(fù)雜，超寬帶回波信號(hào)采集過程中噪聲比較嚴(yán)重且無法很好地直接剔除，而且UWB信號(hào)是非平穩(wěn)信號(hào)，幅值較大，信息冗余較多，若直接采用提取出來的含有土壤信息的回波信號(hào)進(jìn)行建模，消耗時(shí)間過長(zhǎng)且無法避免噪聲帶來的影響，因此本文對(duì)每一個(gè)采集的回波信號(hào)進(jìn)行時(shí)域特征提取，選用平均值、方差、最大幅值、最小幅值、峰-峰值、均方根、偏斜度、峰值因子和峭度9個(gè)時(shí)域特征。用提取出來的9個(gè)回波時(shí)域特征參數(shù)來表征原始超寬帶回波信號(hào)。

2.3 植被指數(shù)計(jì)算

根據(jù)植被的光譜特性，將多光譜相機(jī)拍攝的可見光和近紅外波段進(jìn)行組合，計(jì)算出植被指數(shù)NDVI。NDVI可以消除大部分與儀器定標(biāo)、太陽(yáng)角、地形、云陰影和大氣條件有關(guān)輻照度的變化，是目前已有的40多種植被指數(shù)中應(yīng)用最廣的一種[34-35]。

計(jì)算得出10塊試驗(yàn)田的NDVI分別為0.002 3、0.000 3、0.037 8、0.268 7、0.349 6、0.364 1、0.006 8、0.123 4、0.572 8、0.109 0，本研究中1、2、3、7號(hào)試驗(yàn)田植被覆蓋十分稀疏，4、5、6、8、9、10號(hào)試驗(yàn)田有不同程度明顯植被覆蓋。

2.4 支持向量機(jī)模型

支持向量機(jī)(Support vector machines，SVM)可用于模式分類和非線性回歸，主要思想是建立一個(gè)分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。其特點(diǎn)是使用核函數(shù)、稀疏解、邊界追蹤控制邊界和支持向量數(shù)目。SVM的計(jì)算復(fù)雜度不依賴于輸入空間的維數(shù)，同時(shí)具有良好的泛化能力，分類精度比較高。在SVM中，輸入樣本x首先通過非線性映射Φ(x)映射到一個(gè)高維的特征空間，然后在這個(gè)特征空間中建立一個(gè)線性模型來估計(jì)回歸函數(shù)，公式為

(4)

式中ω——超平面的法向量

b——超平面的截距

通過引入拉格朗日函數(shù)將約束優(yōu)化問題轉(zhuǎn)換成對(duì)偶問題，通過結(jié)對(duì)偶函數(shù)得到式(4)的解為

(5)

nsv——支持向量的個(gè)數(shù)

K(xi,x)——核函數(shù)

2.5 模型評(píng)價(jià)指標(biāo)

本文采用混淆矩陣對(duì)不同特征輸入情況下的預(yù)測(cè)結(jié)果進(jìn)行精度分析比較?；诨煜仃囉?jì)算總體精度(Overall accuracy，OA)和Kappa系數(shù)?？傮w精度和Kappa系數(shù)都可用于對(duì)比預(yù)測(cè)結(jié)果的精度，Kappa系數(shù)可以分為5組來表示不同級(jí)別的一致性：0～0.20，極低一致性；0.21～0.40，一般一致性；0.41～0.60，中等一致性；0.61～0.80，高度一致性；0.81～1.00，幾乎完全一致。

3 結(jié)果與分析

3.1 回波信號(hào)時(shí)域特征相關(guān)性分析

將超寬帶雷達(dá)回波提取到的9個(gè)時(shí)域特征分別求取平均值后按照含水率從低到高進(jìn)行繪圖，結(jié)果如圖6所示。第1組土壤回波信號(hào)實(shí)際含水率最低，第40組土壤回波信號(hào)實(shí)際含水率最高。

從圖6中可以看出，隨著土壤含水率的增加，9個(gè)回波時(shí)域特征均有不同程度起伏變化。灰色關(guān)聯(lián)分析是對(duì)一個(gè)系統(tǒng)發(fā)展變化態(tài)勢(shì)的定量描述和比較的方法，它反映了曲線間的關(guān)聯(lián)程度，通常用于分析各個(gè)因素對(duì)于結(jié)果的影響程度。本文使用灰色關(guān)聯(lián)分析對(duì)從雷達(dá)回波信號(hào)中提取出來的9個(gè)時(shí)域信號(hào)特征分別與土壤含水率進(jìn)行相關(guān)性分析，相關(guān)性從高到底排序依次為峰值因子、峭度、均方根、峰-峰值、最大幅值、偏斜度、方差、平均值、最小幅值。峰值因子與土壤含水率關(guān)聯(lián)度最高，為0.822 9，而最小幅值與含水率的關(guān)聯(lián)度最低，為0.756 2，圖6中最小幅值隨著含水率升高的變換曲線相對(duì)較平緩，波動(dòng)不明顯也可以驗(yàn)證灰色關(guān)聯(lián)分析結(jié)果的正確性。

將9個(gè)時(shí)域特征按照相關(guān)度由高到低排列，前3個(gè)特征組合為a1，即峰值因子、峭度和均方根的組合，中間3個(gè)特征組合為a2，即峰-峰值、最大幅值和方差的組合，后3個(gè)特征組合為a3，即偏斜度、平均值和最小幅值的組合。

3.2 不同特征組合的模型精度分析

根據(jù)灰色關(guān)聯(lián)分析，按照相關(guān)度從高到低，本文分別將最高的3個(gè)時(shí)域特征、6個(gè)時(shí)域特征和全部9個(gè)時(shí)域特征組合在一起作為SVM分類的輸入特征，同時(shí)加入植被指數(shù)NDVI。輸入特征組合分別為a1、a1+NDVI、a1+a2、a1+a2+NDVI、a1+a2+a3和a1+a2+a3 +NDVI，不同參數(shù)組合下SVM預(yù)測(cè)結(jié)果如表2所示，其中特征組合為a1、a1+NDVI、a1+a2+a3和a1+a2+a3 +NDVI的預(yù)測(cè)結(jié)果如圖7所示。

表2 不同特征組合下SVM模型預(yù)測(cè)結(jié)果Tab.2 Classification results of SVM model under different feature combinations

3種時(shí)域特征組合中，a1特征組合的預(yù)測(cè)效果最差，總體精度為64.88%，Kappa系數(shù)為0.594 8，最優(yōu)組合為a1+a2+a3特征組合，總體精度為95.59%，Kappa系數(shù)為0.949 2。a1+a2+a3特征組合作為特征輸入比a1特征組合的預(yù)測(cè)精度提高了30.71個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.354 4，比a1+a2特征組合的預(yù)測(cè)精度提高了21.56個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.247 6。引入植被指數(shù)NDVI后，a1+NDVI組合作為特征輸入總體精度為77.24%，Kappa系數(shù)為0.737 2。a1+a2+a3+ NDVI組合作為特征輸入總體精度為98.09%，Kappa系數(shù)為0.978 0，在6種特征輸入組合中總體精度和Kappa系數(shù)均為最高，預(yù)測(cè)效果最佳。加入NDVI后的3種不同時(shí)域特征組合分類模型比未加入NDVI的總體精度分別提高了12.36、13.57、2.50個(gè)百分點(diǎn)，Kappa系數(shù)分別提高了0.142 4、0.155 4、0.028 8，效果與未加入NDVI相比提升顯著。不同的時(shí)域特征組合結(jié)合NDVI共同作為SVM特征輸入后，總體精度和Kappa系數(shù)均有明顯提高。

3.3 不同植被覆蓋試驗(yàn)田的模型精度分析

本文中將稀疏植被覆蓋的1、2、3、7號(hào)試驗(yàn)田分為一組，將有不同程度植被覆蓋的4、5、6、8、9、10號(hào)試驗(yàn)田分為一組，對(duì)比將9個(gè)雷達(dá)回波信號(hào)時(shí)域特征作為SVM模型輸入特征時(shí)，引入植被指數(shù)NDVI對(duì)于模型精度的影響，結(jié)果如表3所示。由表3可得：

表3 不同植被覆蓋數(shù)據(jù)的模型精度Tab.3 Model accuracy of different vegetation coverage data

(1)植被覆蓋十分稀疏的試驗(yàn)田隨著太陽(yáng)自然暴曬、土壤含水率降低的同時(shí)，不同試驗(yàn)田地表存在各不相同、不同程度的龜裂情況且石塊裸露于地表。由于數(shù)據(jù)采集周期的原因，植被覆蓋稀疏的試驗(yàn)田中地表龜裂程度變化對(duì)于雷達(dá)回波影響較大。對(duì)1、2、3、7號(hào)試驗(yàn)田植被指數(shù)歸一化之后方差為0.218 6，而4、5、6、8、9、10號(hào)試驗(yàn)田植被指數(shù)歸一化之后方差為0.139 1，極其稀疏植被覆蓋的4塊地之間差別大于有明顯植被覆蓋的試驗(yàn)田，因此a1+a2+a3特征組合作為模型輸入時(shí)模型精度較差，略低于有明顯植被覆蓋的試驗(yàn)田。

(2)對(duì)于植被覆蓋十分稀疏的試驗(yàn)田，通過多光譜遙感數(shù)據(jù)獲得NDVI指數(shù)引入SVM模型中可以提高模型精度，本研究中4塊近乎稀疏植被覆蓋的試驗(yàn)田引入NDVI后土壤含水率預(yù)測(cè)精度提高了1.62個(gè)百分點(diǎn)。對(duì)于有明顯植被覆蓋的試驗(yàn)田，引入植被指數(shù)NDVI后土壤含水率預(yù)測(cè)精度提高了3.05個(gè)百分點(diǎn)。

(3)通過NDVI指數(shù)的引入，有明顯植被覆蓋試驗(yàn)田采集的數(shù)據(jù)進(jìn)行分類建模后精度提升大于稀疏植被覆蓋的試驗(yàn)田采集的數(shù)據(jù)，說明NDVI這一特征對(duì)于土壤含水率分類中植被的影響較為敏感，能夠一定程度上降低由植被覆蓋等因素所帶來的噪聲，提高模型精度。

4 結(jié)論

(1)超寬帶雷達(dá)回波信號(hào)進(jìn)行時(shí)域特征提取之后，提取的9種時(shí)域特征采用灰色關(guān)聯(lián)分析后峰值因子與土壤含水率的關(guān)聯(lián)度最高，最小幅值與土壤含水率的關(guān)聯(lián)度最低。

(2)選用超寬帶雷達(dá)回波的峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9個(gè)時(shí)域特征作為SVM模型輸入預(yù)測(cè)效果最佳，總體精度為95.59%，Kappa系數(shù)為0.949 2。

(3)引入植被指數(shù)NDVI作為SVM特征輸入后，3種不同時(shí)域特征組合的總體精度和Kappa系數(shù)都有顯著提升，9個(gè)時(shí)域特征與NDVI共同作為SVM輸入特征模型效果最佳，總體精度為98.09%，Kappa系數(shù)為0.978 0。

(4)植被指數(shù)NDVI的引入，對(duì)于有明顯植被覆蓋的情況，模型精度的提升優(yōu)于稀疏植被覆蓋情況。