无人机多光谱与热红外数据，在农业应用中，如何监测小麦土壤水分
无人机多光谱与热红外数据，在农业应用中，如何监测小麦土壤水分
土壤水分是影响农作物生长的关键因素。传统的土壤水分监测方法存在诸多局限性，而无人机遥感技术因其高分辨率、机动性强和时效性高等优点，为土壤水分监测提供了新的解决方案。本文基于无人机多光谱与热红外数据，通过构建土壤水分反演模型，探讨了不同植被覆盖度参数对模型精度的影响，为实现精准农业提供了技术支持。
土壤水分是农田旱涝的指示因子，只有土壤水分适宜，作物才能保持良好的生长态势，从而实现作物产量及经济效益的最大化。因此，土壤水分监测对保障农作物的生长发育、促进精准灌溉技术的实施以及推进农业经济发展均有积极的作用。
传统土壤水分测定方法如烘干法、电阻法等具有较高的精度，但需要消耗大量的人力物力而且检测的时效性不高、在空间上缺乏连续性。遥感监测方法获取区域地表土壤水分的速度快，在空间上具有连续性。
根据遥感平台的不同可将遥感技术分为卫星遥感和无人机遥感，卫星遥感的观测面积大，但精度低、易受外部条件影响。
相比于卫星遥感，无人机遥感具有分辨率高、机动性强、时效性高等优点，且可以搭载多光谱、高光谱、热红外等多种传感器。
基于无人机遥感进行土壤水分反演能够为卫星土壤水分产品的真实性检验奠定基础，并可以通过升尺度等方法补充卫星遥感所缺少的高精度数据，实现大尺度、高精度的土壤水分监测，具有极大的应用价值。
在土壤水分反演模型中引入植被覆盖度能在一定程度上提高模型精度，因此，本文利用无人机热红外及多光谱数据，选取TVDI与PDI2种干旱指数，引入7种植被指数估算的植被覆盖度，基于随机森林算法(RF)分别构建土壤水分反演模型。
同时，建立综合TVDI与PDI指数的土壤水分反演模型TP模型为对照组。
以期提高土壤水分监测精度，探究引入不同植被覆盖度参数后模型精度的变化，并为基于卫星遥感的大尺度农田土壤水分监测提供一定的参考。
材料与方法
实验区概况：本文选取河南省驻马店市的冬小麦部分种植区为实验区，位置如图1所示。
数据处理：无人机多光谱摄像机采集的原始数据为若干张TIFF格式的实验区局部遥感影像。
在全自动无人机影像处理软件Pix4Dmapper中导入辐射标定板拍摄图像、实验区局部影像，并选择AgMultispectral模板、设置输出坐标系，即可自动进行辐射校正，生成10张完整的实验区反射率影像，分别对应无人机多光谱摄像机的10个波段。
无人机热红外原始数据也为局部的TIFF格式图像，经Pix4Dmapper软件处理可以得到实验区完整的热红外影像，并由式(1)进行换算，得到相应的地表温度:
式中:DNt为热红外数据的DN值。
实测数据采集及处理：土壤水分数据与无人机数据同步采集，采集深度为010cm和1020cm(深度区间为左闭右开)。
土壤含水量通过烘干法测定，并将获得的土壤重量含水量转换为土壤体积含水量，其表达式为
式中:ω为土壤重量含水量;ρb为土壤容重，单位为g/cm3。
研究方法：温度植被干旱指数基于归一化植被指数NDVI与地表温度的特征空间进行计算。
然而，在植被覆盖度高的地区，NDVI极易出现饱和的现象。这是因为NDVI是根据植被对红光和近红光的反射率不同建立的公式，但对二者比值进行了非线性变换，导致高值部分被抑制。
相比之下，增强型植被指数EVI的计算并未涉及该比值，不存在容易饱和的缺陷，经实验证实相较于基于NDVI构建的TVDIN，基于EVI构建的TVDIE与土壤含水量的拟合结果更好。
因此，本文基于EVI-Ts特征空间构建TVDI，其表达式如下:
式中:Tmin为特征空间湿边;a、b为湿边系数;Tmax为特征空间干边;c、d为干边系数;Rnir、Rred、Rblue分别为近红光、红光、蓝光波段的反射率，本文中，Rnir、Rred、Rblue分别对应B10、B5、B2波段。
垂直干旱指数：PDI在Rnir-Rred光谱特征空间中，近红外波段反射率与红光波段反射率呈现出一条由近于原点发射的“土壤基线”，特征空间内任意一点到土壤基线的垂线的距离即为垂直干旱指数PDI。
其表达式为
式中:M和I分别为土壤基线的斜率和截距。
植被覆盖度：fvVI植被覆盖度是表征植被茂密程度、生长态势的指标。
植被指数能够反映植被的生长状况，因此，可以利用植被指数估算植被覆盖度，公式如下:
式中:VI为植被指数;VImax和VImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。
为探究不同植被覆盖度参数对模型精度的影响，选择7种植被指数估算植被覆盖度，并建立相应模型，计算式见表1。
随机森林回归：随机森林(RF)是一种从训练集中有放回的进行多次随机抽样的机器学习算法，如图2所示，其基本结构为若干个相互独立的决策树，每个决策树都有不同的训练结果，以所有决策树的均值作为最终的回归结果。
RF基于随机抽样和随机特征选择构建决策树，增加了决策树的多样性，能够大幅降低过拟合风险，更好地模拟多维变量之间的非线性关系。
采用决定系数R2、均方根误差RMSE、平均绝对误差MAE和均方误差MSE验证模型精度。
评价指标的计算公式如下:
式中:Ai为第i个预测值;Ai(为第i个实测值;Ai为预测值的平均值。
结果与分析
温度植被干旱指数：TVDI提取相同EVI下的最高温度和最低温度，建立实验区EVI与地物表面温度的特征空间。
如图3所示，二者呈明显的梯形关系，随着EVI逐渐增大，最高温度呈显著的下降趋势，特征干边斜率较大;而最低温度基本保持不变，特征湿边斜率较小，且干边拟合效果优于湿边。
垂直干旱指数：PDIRnir-Rred光谱特征空间中土壤基线的提取结果如图4所示，根据式(8)即可计算实验区的PDI。
描述性统计：模型建模集与验证集的比例为7∶3。土壤体积含水量的描述性统计结果见图5。
010cm深度下，全集、建模集、验证集的均值分别为0.451、0.452和0.447，标准差分别为0.071、0.073和0.066。1020cm深度下，全集、建模集、验证集的均值分别为0.459、0.457和0.461，标准差分别为0.063、0.064和0.063。
总体上看，全集与建模集的统计结果较为相近。
模型构建：本文基于随机森林算法，通过调整输入的自变量因子构建8种土壤水分反演模型，各模型的参数设置均如表2所示。
此外，为便于分析，根据模型中的自变量因子对模型进行命名，各模型的名称、包含的自变量因子及其特征重要性见表3。
特征重要性描述了因子对模型的贡献程度，在所有模型中，TVDI的特征重要性高于PDI，说明TVDI在模型中的贡献更大。
而PDI与植被覆盖度的特征重要性关系存在变化，在大部分模型中植被覆盖度的贡献度大于PDI。
为了更清晰地对比不同植被覆盖度参数的特征重要性关系，建立包含TVDI、PDI和7种fvVI参数的模型TPFv，其特征重要性如表4所示。
在7种fvVI中，010cm深度下，特征重要性最高的是fvRVI，为0.14，最低的是fvMSAVI，为0.05;1020cm深度下最高的是fvEVI，为0.17，最低的是fvMSAVI，为0.04。
综合观察2种深度的结果，fvEVI的特征重要性最高，均达到了0.10以上;而fvMSAVI的特征重要性最低，均不超过0.05。
模型精度评价：模型的精度评价结果见表5。
010cm深度下，8种模型的R2按从大到小排列为:TPOSAVI、TPmSRI、TPNDVI、TPEVI、TPRVI、TPSAVI、TPMSAVI、TP;1020cm深度下，8种模型的R2按从大到小排列为:TPOSAVI、TPRVI、TPNDVI、TPSAVI、TPmSRI、TPEVI、TPMSAVI、TP。
综合考虑4种评价指标，7种引入植被覆盖度的模型精度均较TP模型的精度有一定程度的提升。
其中，最优模型为TPOSAVI，在010cm和1020cm深度下其R2分别为0.749、0.828，较TP模型分别提高0.143、0.158，RMSE降低0.6%、0.8%，MAE降低0.7%、0.6%，MSE降低0.6%、0.6%。
此外，大部分模型在1020cm深度下的精度高于010cm，且TPOSAVI在该深度下的R2明显高于其他模型;RMSE、MAE、MSE低于其他模型，表明该模型的相关性强、偏差小、精度高。
反演结果最差的模型为TPMSAVI，在2种深度下，其R2较TP模型分别提高0.005、0.033，RMSE升高0.1%、降低0.4%，MAE降低0.6%、0.1%，MSE降低0.1%、0.2%。
综上所述，TPOSAVI模型的拟合效果最好，精度最高，能较为准确地反映土壤的含水量状况。因此，本文选择TPOSAVI模型对实验区的土壤水分空间分布情况进行分析。
空间分布：实验区的土壤水分空间分布情况见图6。
总体来看，土壤水分较大，湿度较高，与数据采集前实验区曾进行灌溉的实际情况相符。010cm深度下，土壤水分呈现出西高东低的特征，而1020cm深度下土壤水分的空间分布则没有明显规律，仅东北侧土壤含水量稍高。
农田土壤水分面积统计结果见表6。
其分布特点与实测土壤水分全集的描述性统计结果有一定的相似性，010cm深度下，土壤水分集中分布在40%50%，占总面积的39.6%;1020cm深度下，土壤水分仍集中分布在40%50%，占总面积的37.9%。
此外，部分区域010cm的土壤水分较大，而另一部分区域1020cm的土壤水分较大。这种差异可能是由于实验区内不同区域近期灌溉的时间、程度不同，因此水分的蒸发、下渗等情况存在差异，导致2种深度下土壤水分的大小关系出现波动，且呈现出空间分布特点不一致的情况。
随机森林算法是一种集成学习的思想，它基于有放回的随机抽样来获得数据输入决策树，并通过所有决策树的均值生成最终的输出结果，能很好地模拟相关参数与土壤水分之间复杂的非线性关系。
本文在两个干旱指数的基础上引入了由不同植被指数估算的植被覆盖度，基于随机森林算法建立土壤水分反演模型。
研究结果表明，引入植被覆盖度的模型精度均高于未引入植被覆盖度的TP模型精度，说明引入植被覆盖度能有效提高土壤水分反演模型的精度。
7种引入植被覆盖度的模型中，通过对四种评价指标的综合考量得到最优的模型为TPOSAVI。
由于通过植被指数估算的植被覆盖度与真实植被覆盖度的偏差大小可能会影响模型的精度，OSAVI是基于SAVI考虑了冠层背景调整因子的标准值所构建的植被指数，对超过50%的冠层覆盖率具有更高的敏感性，在高植被覆盖度地区估算植被覆盖度时精度较高，拟合效果较好。
因此，TPOSAVI的精度高于其他模型。后续研究可以结合植被覆盖度实测数据，分析估算覆盖度与实测覆盖度之间的偏差对模型精度的影响。
TVDI的特征重要性高于PDI，其原因可能为：本文采用更适用于高植被覆盖度区域的梯形EVI-Ts特征空间计算TVDI，而PDI更适宜裸土及低植被地区的土壤水分监测。
实验区植被覆盖度高的区域较多，因而更适用于高植被覆盖度区域土壤水分监测的TVDI重要性更高。
TP、TPSAVI、TPRVI、TPOSAVI、TPmSRI、TPMSAVI、TPNDVI在1020cm深度下的表现优于010cm，说明模型在深层土壤水分监测方面可能有一定的应用潜力。
受实测数据限制，本文仅对010cm及1020cm2种深度下模型的监测能力进行对比分析，后续研究应测量更深层的土壤水分数据，探究模型对不同深度下土壤水分的监测能力。
结语
通过对8种土壤水分反演模型的精度评价指标进行对比分析，发现引入植被覆盖度的7种模型的精度高于未引入植被覆盖度的TP模型。引入植被覆盖度能有效提高模型的精度。
综合考虑4种评价指标，最优模型TPOSAVI较TP模型有较大的提升，在010cm和1020cm深度下，R2较TP分别提高0.143、0.158，RMSE降低0.6百分点、0.8百分点，MAE降低0.7百分点、0.6百分点，MSE降低0.6百分点、0.6百分点。
对于本实验区，同一种模型在不同深度下的适用性不同，大部分模型对更深层的土壤水分反演具有更高的精度。
本文原文来自网易