王佳兒，肖 悅，王志昊，鄭長娟，王 勇，白旭乾，2，于廣多，2，張智韜，2

（1.西北農林科技大學水利與建筑工程學院，陜西楊凌712100；2.西北農林科技大學旱區(qū)農業(yè)水土工程教育部重點實驗室，陜西楊凌712100）

0 引 言

土壤含水率是農業(yè)生產中的重要參數之一，對于提高水分生產率、指導灌溉、構建節(jié)水型農業(yè)、提高農產品質量、改進農業(yè)產業(yè)結構具有重要意義。測定土壤含水率的方法有烘干法、射線法、阻抗法、階電法、時域反射法、利用土壤傳感器等[1-5]。無人機遙感技術相比傳統(tǒng)測量方法具有應用區(qū)域更廣、精度更高、成本更低、靈活性更高、方便快捷等優(yōu)點[6-12]，利用無人機獲取多光譜信息反演土壤含水率在未來的發(fā)展空間很大，目前國內外學者也已經進行了較為深入的研究，建立了許多不同的反演模型，并就影響反演的因素進行了深入的討論，如王海峰等[13]研究了不同深度土壤含水率的敏感波段；郭交、白清源[14]等融合超寬雷達和多光譜數據，利用支持向量機模型對土壤含水率進行預測，預測結果比僅使用超寬雷達時有顯著提高；徐存東、李洪飛、谷豐佑[15]等結合ENVI 軟件利用監(jiān)督分類的五種分類器執(zhí)行分類，得到支持向量機對無人機遙感鹽堿地信息提取方法最優(yōu)；張智韜、陳俊英、陳碩博等[16-20]分別用機器學習、偏最小二乘回歸、逐步回歸和嶺回歸等方法反演含水率，并研究了多重共線性問題?？梢姛o人機遙感在監(jiān)測各種農業(yè)指標上有較好的應用前景。

前人研究表明，數據的多重共線性問題、含水率的敏感波段、反演模型的選擇等都會影響反演模型的精度，其中圖像中的土壤背景也是影響模型精度的重要因素。方雨晨、田慶久等[21,22]借助歸一化差值植被指數NDVI 證明了土壤背景會影響多光譜遙感波段的反射率；楊帥、陳俊英[23]等借助無人機的可見光和熱紅外圖像，采用RGRI 指數法、Otsu 閾值法剔除土壤背景，進而反演不同深度土壤含水率，得到通過RGRI 指數法提取的玉米冠層溫度表現效果優(yōu)于只借助熱紅外圖像的Pstu 閾值法的結果；陳鵬飛、梁飛[24]采用光譜指數與主成分分析耦合建模的方法，來建立棉花氮濃度反演模型，說明剔除土壤背景可以提高棉花氮濃度模型反演精度?？梢娡寥辣尘皶Χ喙庾V遙感波段的反射率、棉花的氮濃度等特性產生影響。張智韜、周永財[25]等人采用改進的植被指數閾值法剔除小麥的土壤背景，建立了剔除土壤背景前后基于植被指數的土壤含水率反演模型，探究土壤背景對含水率的影響。但其所得成果對其他作物和生育期不具有普適性。本文更改了作物種類、生育期，以及剔除土壤背景和建模的方法，希望能對該研究成果進行一個延伸性的討論。

本文以4種水分梯度處理下的灌漿期玉米為研究對象，應用大疆經緯M600 Pro 無人機搭載Micro-MCA 鏡頭獲取高分辨率多光譜影像，采用監(jiān)督分類剔除土壤背景，在此基礎上利用剔除土壤背景前后的光譜反射率與土壤含水率建立一元線性回歸模型、逐步回歸模型、偏最小二乘回歸模型、嶺回歸模型等監(jiān)測模型，觀察剔除土壤背景對不同深度土壤含水率反演效果的影響，并比較剔除土壤背景這一操作是否可以提高無人機多光譜遙感反演玉米根域土壤含水率的精度。

1 材料和方法

1.1 研究區(qū)概況

本文的田間試驗地位于陜西省楊凌區(qū)西北農林科技大學中國旱區(qū)節(jié)水農業(yè)研究院（34°20′N，108°24′E，海拔525 m）。試驗地土壤為中壤土，土壤干容重1.44 g/cm3，全氮質量比0.82 g/kg，有機質質量比13.3 g/kg，土壤pH 值8.1。該試驗地屬于暖溫帶季風半濕潤氣候，年平均降雨量為640 mm，降雨主要集中在7-9月。

1.2 試驗材料與設計

以華農138夏玉米為研究對象，試驗小區(qū)采用完全隨機設計，設置4組水分處理上限，分別為50%田間持水量（以下簡稱田持）、65%田持、80%田持、95%田持，并設置3次重復，共計12 個小區(qū)。其中50%田持、65%田持、80%田持、95%田持分別用T1、T2、T3、T4表示。圖中小區(qū)編號如T1-1，表示50%田持水分處理的1個重復，其余編號類似不再贅述。如圖1 所示。本試驗播種時間為2020年6月14日并于2020年8月24日、8月25日、8月27日、8月28日、8月29日進行試驗，此時玉米正處于灌漿期。每個小區(qū)面積設置為16 m2，管理措施同高產大田。為保證灌水均勻，采用滴灌的形式嚴格控制試驗小區(qū)的灌水量。

圖1 試驗地小區(qū)概況Fig.1 General situation of experimental plot

1.3 獲取玉米冠層多光譜遙感影像

采用Micro-MCA 多光譜傳感器（每個波段配備1.3 M 像素，每張圖像分辨率為1280 像素×1024 像素）獲取試驗區(qū)域影像。該多光譜相機具有體積小、質量輕且可遠程觸發(fā)的特點，能夠理想地搭載大疆經緯M600 Pro 型六旋翼無人機實現拍攝目標地物的目的。試驗時間為2020年8月24日、8月25日、8月27日、8月28日、8月29日，共采集490 nm（藍光）、550 nm（綠光）、680 nm（紅光）、720 nm（近紅外）、800 nm（近紅外）、900 nm（近紅外）6種不同波長光譜。飛行高度經多次試飛后選定為20 m，每天的拍攝時間為13∶00。每次拍攝前操控無人機飛至玉米冠層上方懸停5～10 s，待機身穩(wěn)定后進行拍攝，保證獲取的影像質量。試驗期間天氣晴朗，試驗田布置標準反射率灰布，對獲取的遙感影像進行輻射標定。

1.4 土壤含水率數據的采集與處理

根據灌漿期夏玉米根系活動層所在深度，在采集所需的光譜數據后，及時在每個試驗小區(qū)的中心位置打鉆取土。每個試驗小區(qū)取土深度分別為10 cm、20 cm 和30 cm，共3 個深度的土壤樣本。采用烘干法測定夏玉米土壤含水率(體積含水率，%)，每個深度土壤樣本共60 個。隨機抽取40 個數據用于建模，20個數據用于驗證。樣本統(tǒng)計特征如表1所示。

表1 土壤含水率的統(tǒng)計特征Tab.1 Statistical characteristics of soil moisture content

1.5 多光譜遙感影像處理與冠層光譜反射率提取

采用PixelWrench2 軟件對獲取的多光譜遙感影像進行提取、配準與合成，得到6 個波段的遙感影像。運用ENVI5.3 軟件對導入的影像進行處理，采用監(jiān)督分類識別玉米冠層及標準反射率灰布，進而提取二者的灰度值計算玉米冠層的6個波段光譜反射率。此外，直接提取試驗小區(qū)6個波段的光譜反射率，獲得未剔除土壤背景的光譜信息。

1.6 數據處理與建模評價

建立玉米6個波段光譜反射率和不同深度土壤實測含水量的4種預測模型：一元線性回歸模型、逐步回歸模型、偏最小二乘回歸模型、嶺回歸模型；并對比剔除土壤背景模型和未剔除土壤背景模型的預測精度。采用決定系數R2、均方根誤差RMSE和相對誤差RE這3 個指標評價模型預測值和實測值擬合的結果，從而評價模型的精度。若R2越趨近于1，RMSE和RE越小，說明模型精度越好。公式如下。

2 結果與分析

2.1 土壤含水率與冠層光譜相關性分析

對五天內測得的12個小區(qū)的土壤含水率以及同時獲得的6個波段光譜反射率進行相關性分析，結果見圖2。

圖2 剔除土壤背景前后的6個波段反射率與不同深度含水率的相關性矩陣圖Fig.2 Correlation matrix of reflectance at six bands and water content at different depths before and after removing soil background

未剔除土壤背景時，含水率與6個波段反射率的皮爾遜相關系數r的絕對值在0.54 到0.08 之間，且各個深度的含水率都與波段1（490 mm）的相關性最好，從30 cm 到10 cm 處的相關系數絕對值分別為0.54、0.50、0.50。深度為30 cm 處的含水率與前三個波段呈極顯著相關（p＜0.01)，與波段4（720 mm）、波段6（900 mm）呈顯著相關，與波段5（800 mm）未呈現顯著相關（p＞0.05)。深度為20 cm 處的含水率與波段1（490 mm）、波段3（680 mm）、波段6呈極顯著相關，與波段2（550 mm）呈顯著相關，與波段4、波段5 未呈現顯著相關。深度為10 cm 處的含水率與前3 個波段呈極顯著相關，與后3個波段并未呈現顯著相關。

剔除土壤背景后，各個深度的含水率與6個波段反射率的相關系數r的絕對值在0.33 到0.01 之間，整體低于未剔除背景數據，且各個深度含水率均與波段3 相關性最好，從30 cm 到10 cm 的相關系數絕對值分別為0.26、0.25、0.33。深度為30 cm 和20 cm 處的含水率與各個波段均為不顯著相關，這也是后文逐步回歸無法建模的原因。僅深度為10 cm 的含水率與前3個波段為顯著相關。

綜上所述，未剔除土壤背景的反射率與各個深度含水率的相關性和顯著性整體優(yōu)于剔除土壤背景的情況。

2.2 基于敏感波段光譜反射率的土壤含水率一元線性回歸模型構建

通過相關性分析，挑選出各個深度含水率與剔除土壤背景和未剔除土壤背景的反射率相關性最好的波段，將該波段與3個深度的含水率分別構建一元線性回歸模型。由相關性分析可知，各個深度的土壤含水率均與剔除土壤背景的波段3相關性最好，與未剔除土壤背景的波段1相關性最好。回歸結果如表2所示。

表2 基于敏感波段光譜反射率的土壤含水率一元線性回歸模型及驗證Tab.2 Linear model of soil moisture content based on spectral reflectance of sensitive band and its verification

在深度為10 cm 時，剔除土壤背景的反射率與含水率反演模型的建模集決定系數為0.11，驗證決定系數為0.12，而未剔除土壤背景反演模型的建模決定系數和驗證決定系數分別為0.25和0.25，均比剔除土壤背景反演模型要高。剔除背景反演模型的均方根誤差RMSE和相對誤差RE都比未剔除土壤背景反演模型小，但是建模集決定系數影響更大，所以認為在深度10 cm處，未剔除土壤背景反演模型的建模效果更好。

在深度為20 cm 時，未剔除土壤背景反演模型的建模決定系數和驗證決定系數比剔除土壤背景反演模型高得多，同時RMSE和RE都比剔除背景反演模型的小，所以可以得出在深度為20 cm 時，未剔除土壤背景反演模型的建模效果更好。深度為30 cm 的情況與深度為20 cm 的情況類似，得出結論，未剔除土壤背景模型更好。

2.3 不同深度土壤含水率逐步回歸模型的構建

在SPSS軟件中構建逐步回歸模型，其結果如表3所示。

從表3 可以看出，深度為10 cm 處的含水率與未剔除土壤背景波段反射率反演模型的建模集決定系數為0.33，驗證集決定系數為0.36，均高于剔除背景反演模型的相應值。同時，剔除背景的反演模型均方根誤差（RMSE）及相對誤差（RE）比未剔除背景反演模型的要高，故可以得到深度為10 cm 時未剔除背景反演模型更好。由2.1分析可知，深度為20 cm 和30 cm處含水率均無法與剔除背景反射率建模，而未剔除背景的反演模型可以建模，由此得出在深度為20 cm 和30 cm 處未剔除土壤背景的逐步回歸反演模型更好。

表3 不同深度土壤含水率逐步回歸模型及驗證Tab.3 Stepwise regression model of soil moisture content at different depths and its verification

2.4 不同深度土壤含水率嶺回歸模型的構建

在SPSS 軟件中對深度10 cm、20 cm 和30 cm 的土壤含水率分別構建了嶺回歸反演模型。表4是模型構建的情況。

表4 不同深度土壤含水率嶺回歸模型及驗證Tab.4 Ridge regression model of soil water content based on spectral reflectance of six bands and its validation

從表4 可以看出，在深度10 cm 時，未剔除土壤背景反演模型的建模決定系數和驗證集決定系數均高于同深度下的剔除背景反演模型，剔除背景模型的均方根誤差（RMSE）和相對誤差（RE）比未剔除背景反演模型高，故得出深度為10 cm時未剔除土壤背景反演模型更好。深度為20 cm 時，剔除背景模型的RMSE和RE均比未剔除背景模型小，但相差不多，而剔除背景模型的驗證集決定系數和建模集決定系數均比未剔除背景模型反演模型小，且驗證集決定系數相差極大，分別為0.07 和0.21，故認深度為20 cm 時未剔除背景反演模型更好。深度為30 m的情況與20 cm處情況類似，依舊認為未剔除背景反演模型更好。

2.5 不同深度土壤含水率偏最小二乘回歸模型的構建

本文的偏最小二乘回歸通過SPSS 軟件實現[26]，具體回歸結果見表5。

表5 不同深度土壤含水率偏最小二乘回歸模型及驗證Tab.5 Partial least squares regression model of soil water content based on spectral reflectance of six bands and its validation

從表5 可以看出，深度為10 cm 時，未剔除土壤背景反演模型的建模集決定系數和驗證集決定系數分別為0.33 和0.35，均高于剔除背景反演模型，剔除背景模型的RMSE和RE相比較小，但驗證決定系數影響更大，故認為10 cm 處未剔除背景反演模型更優(yōu)。深度為20 cm 和30 cm 時，各個統(tǒng)計參數都顯示未剔除背景反演模型更好。綜上所述，對于偏最小二乘回歸模型來說，未剔除背景反演模型更好。

2.6 基于無人機多光譜信息的土壤含水率最優(yōu)反演模型

由前文分析可知，4種回歸方法得到的未剔除土壤背景反演模型均優(yōu)于剔除土壤背景反演模型。為了進一步對比選擇最優(yōu)反演模型，將4種模型的統(tǒng)計參數列于表6。

由表6 可知，在深度為10 cm 時，一元線性回歸反演模型里剔除土壤背景所帶來的影響最大，未剔除土壤背景的反演模型建模集決定系數比剔除時大0.14，驗證集決定系數大0.13，雖然剔除背景反演模型的RMSE和RE比未剔除背景反演模型小，但是差距不大，可忽略不計。偏最小二乘回歸反演模型是剔除土壤背景所帶來影響最小的回歸模型，未剔除土壤背景的反演模型建模集決定系數比剔除時大0.05，驗證集決定系數大0.16，但剔除背景反演模型的RMSE和RE都比未剔除背景反演模型小，分別相差0.11和0.92，說明剔除土壤背景反演模型的誤差更小，但是模型擬合度不如未剔除背景的模型好。

表6 土壤含水率的不同建模效果對比Tab.6 Comparison of different modeling effects of soil moisture content

在深度為20 cm 時，逐步回歸反演模型剔除土壤背景所帶來的影響最大，因為剔除土壤背景的反射率的6個波段與含水率都不顯著，在進行逐步回歸時沒有變量輸入，無法得到回歸結果。嶺回歸反演模型剔除土壤背景所帶來的影響最小，其中建模集決定系數相差0.10，驗證集決定系數相差0.14，并且剔除土壤背景的反演模型誤差小于未剔除背景反演模型。

在深度為30 cm 時，逐步回歸反演模型剔除土壤背景所帶來的影響最大，理由與20 cm 時相同。嶺回歸反演模型剔除土壤背景所帶來的影響最小，其中建模集決定系數相差0.18，驗證集決定系數相差0.15，并且剔除土壤背景的反演模型誤差小于未剔除背景反演模型。

在各個深度，未剔除背景的偏最小二乘回歸的反演模型建模集決定系數和驗證集決定系數都顯著優(yōu)于剔除土壤背景的反演模型，僅部分情況下剔除土壤背景模型的RMSE和RE會小于未剔除背景時的模型，但由于誤差之間的差距小于建模決定系數之間的差距，故依舊認為未剔除背景的偏最小二乘回歸反演模型為各個深度下的最優(yōu)模型，剔除土壤背景在一定情況下可以提高反演模型的精度。但不論在哪個深度，剔除土壤背景均會顯著降低逐步回歸反演模型的精度。

3 討 論

土壤含水率是影響作物生長的關鍵因素，利用遙感技術快速獲得土壤含水率對于農業(yè)生產具有重要意義。當光照、溫度等條件變化不大時，土壤含水量成為影響植物生長的主要因素，尤其是在作物受到水分脅迫時，作物的反射率波段會立刻出現明顯變化，該變化可以由無人機遙感監(jiān)測系統(tǒng)捕獲。無人機遙感平臺結合多光譜相機組成的遙感監(jiān)測系統(tǒng)相比于傳統(tǒng)的衛(wèi)星遙感，在靈活度、測量精度等方面都有著明顯優(yōu)勢。前人研究得出無人機的高分辨率多光譜圖像可能會受到土壤背景的干擾，導致根域土壤含水率的監(jiān)測精度普遍偏低。于是本文更改了作物的種類、生育期、剔除土壤背景的方法以及評價方式，得到的結論與前人相悖。

在重新檢查數據提取的方法與過程、確認無誤后，歸納出原因有如下幾點：

（1）灌漿期玉米葉片部分發(fā)黃，與土壤顏色接近，在剔除土壤背景時可能失去了部分植物冠層反射率數據。

（2）拍攝時間為13∶00，此時試驗田右下部有大片陰影，對部分植物冠層和土壤進行了遮擋，可能對植物冠層反射率的提取產生影響。

（3）植物受到水分虧缺時，其冠層紅外光譜反射率會呈現明顯變化，但這一變化的時間難以控制，不同作物的變化時間存在差異。

（4）本實驗中的作物、生育期、剔除土壤背景的方法、模型評價方法與前人均不同，而含水率的反演模型會因作物的種類、生育期、氣候以及所使用的監(jiān)測儀器而異。本文所得的反演模型也僅限于本次測量結果，模型在其他作物、其他生育期以及其他地區(qū)的適用性還有待進一步探索。

4 結 論

（1）剔除土壤背景后數據的相關性和回歸模型的精度始終比未剔除土壤背景數據的相關性和模型精度差，說明剔除灌漿期玉米的土壤背景并不能提高高分辨率無人機多光譜對土壤水分的監(jiān)測精度。

（2）未剔除土壤背景的偏最小二乘回歸模型在各個深度均為最優(yōu)反演模型。

（3）深度為10 cm 時，剔除土壤背景對一元線性回歸反演模型影響最大，偏最小二乘回歸反演模型影響最小。深度為20 cm 和30 cm 時，剔除土壤背景均對逐步回歸的影響最大，嶺回歸最小。