剔除土壤背景对反演玉米根域土壤含水率的影响研究

王佳儿，肖 悦，王志昊，郑长娟，王 勇，白旭乾，2，于广多，2，张智韬，2

（1.西北农林科技大学水利与建筑工程学院，陕西杨凌712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌712100）

0 引 言

土壤含水率是农业生产中的重要参数之一，对于提高水分生产率、指导灌溉、构建节水型农业、提高农产品质量、改进农业产业结构具有重要意义。测定土壤含水率的方法有烘干法、射线法、阻抗法、阶电法、时域反射法、利用土壤传感器等[1-5]。无人机遥感技术相比传统测量方法具有应用区域更广、精度更高、成本更低、灵活性更高、方便快捷等优点[6-12]，利用无人机获取多光谱信息反演土壤含水率在未来的发展空间很大，目前国内外学者也已经进行了较为深入的研究，建立了许多不同的反演模型，并就影响反演的因素进行了深入的讨论，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]等融合超宽雷达和多光谱数据，利用支持向量机模型对土壤含水率进行预测，预测结果比仅使用超宽雷达时有显著提高；徐存东、李洪飞、谷丰佑[15]等结合ENVI 软件利用监督分类的五种分类器执行分类，得到支持向量机对无人机遥感盐碱地信息提取方法最优；张智韬、陈俊英、陈硕博等[16-20]分别用机器学习、偏最小二乘回归、逐步回归和岭回归等方法反演含水率，并研究了多重共线性问题。可见无人机遥感在监测各种农业指标上有较好的应用前景。

前人研究表明，数据的多重共线性问题、含水率的敏感波段、反演模型的选择等都会影响反演模型的精度，其中图像中的土壤背景也是影响模型精度的重要因素。方雨晨、田庆久等[21,22]借助归一化差值植被指数NDVI 证明了土壤背景会影响多光谱遥感波段的反射率；杨帅、陈俊英[23]等借助无人机的可见光和热红外图像，采用RGRI 指数法、Otsu 阈值法剔除土壤背景，进而反演不同深度土壤含水率，得到通过RGRI 指数法提取的玉米冠层温度表现效果优于只借助热红外图像的Pstu 阈值法的结果；陈鹏飞、梁飞[24]采用光谱指数与主成分分析耦合建模的方法，来建立棉花氮浓度反演模型，说明剔除土壤背景可以提高棉花氮浓度模型反演精度。可见土壤背景会对多光谱遥感波段的反射率、棉花的氮浓度等特性产生影响。张智韬、周永财[25]等人采用改进的植被指数阈值法剔除小麦的土壤背景，建立了剔除土壤背景前后基于植被指数的土壤含水率反演模型，探究土壤背景对含水率的影响。但其所得成果对其他作物和生育期不具有普适性。本文更改了作物种类、生育期，以及剔除土壤背景和建模的方法，希望能对该研究成果进行一个延伸性的讨论。

本文以4种水分梯度处理下的灌浆期玉米为研究对象，应用大疆经纬M600 Pro 无人机搭载Micro-MCA 镜头获取高分辨率多光谱影像，采用监督分类剔除土壤背景，在此基础上利用剔除土壤背景前后的光谱反射率与土壤含水率建立一元线性回归模型、逐步回归模型、偏最小二乘回归模型、岭回归模型等监测模型，观察剔除土壤背景对不同深度土壤含水率反演效果的影响，并比较剔除土壤背景这一操作是否可以提高无人机多光谱遥感反演玉米根域土壤含水率的精度。

1 材料和方法

1.1 研究区概况

本文的田间试验地位于陕西省杨凌区西北农林科技大学中国旱区节水农业研究院（34°20′N，108°24′E，海拔525 m）。试验地土壤为中壤土，土壤干容重1.44 g/cm3，全氮质量比0.82 g/kg，有机质质量比13.3 g/kg，土壤pH 值8.1。该试验地属于暖温带季风半湿润气候，年平均降雨量为640 mm，降雨主要集中在7-9月。

1.2 试验材料与设计

以华农138夏玉米为研究对象，试验小区采用完全随机设计，设置4组水分处理上限，分别为50%田间持水量（以下简称田持）、65%田持、80%田持、95%田持，并设置3次重复，共计12 个小区。其中50%田持、65%田持、80%田持、95%田持分别用T1、T2、T3、T4表示。图中小区编号如T1-1，表示50%田持水分处理的1个重复，其余编号类似不再赘述。如图1 所示。本试验播种时间为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日进行试验，此时玉米正处于灌浆期。每个小区面积设置为16 m2，管理措施同高产大田。为保证灌水均匀，采用滴灌的形式严格控制试验小区的灌水量。

图1 试验地小区概况Fig.1 General situation of experimental plot

1.3 获取玉米冠层多光谱遥感影像

采用Micro-MCA 多光谱传感器（每个波段配备1.3 M 像素，每张图像分辨率为1280 像素×1024 像素）获取试验区域影像。该多光谱相机具有体积小、质量轻且可远程触发的特点，能够理想地搭载大疆经纬M600 Pro 型六旋翼无人机实现拍摄目标地物的目的。试验时间为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（蓝光）、550 nm（绿光）、680 nm（红光）、720 nm（近红外）、800 nm（近红外）、900 nm（近红外）6种不同波长光谱。飞行高度经多次试飞后选定为20 m，每天的拍摄时间为13∶00。每次拍摄前操控无人机飞至玉米冠层上方悬停5～10 s，待机身稳定后进行拍摄，保证获取的影像质量。试验期间天气晴朗，试验田布置标准反射率灰布，对获取的遥感影像进行辐射标定。

1.4 土壤含水率数据的采集与处理

根据灌浆期夏玉米根系活动层所在深度，在采集所需的光谱数据后，及时在每个试验小区的中心位置打钻取土。每个试验小区取土深度分别为10 cm、20 cm 和30 cm，共3 个深度的土壤样本。采用烘干法测定夏玉米土壤含水率(体积含水率，%)，每个深度土壤样本共60 个。随机抽取40 个数据用于建模，20个数据用于验证。样本统计特征如表1所示。

表1 土壤含水率的统计特征Tab.1 Statistical characteristics of soil moisture content

1.5 多光谱遥感影像处理与冠层光谱反射率提取

采用PixelWrench2 软件对获取的多光谱遥感影像进行提取、配准与合成，得到6 个波段的遥感影像。运用ENVI5.3 软件对导入的影像进行处理，采用监督分类识别玉米冠层及标准反射率灰布，进而提取二者的灰度值计算玉米冠层的6个波段光谱反射率。此外，直接提取试验小区6个波段的光谱反射率，获得未剔除土壤背景的光谱信息。

1.6 数据处理与建模评价

建立玉米6个波段光谱反射率和不同深度土壤实测含水量的4种预测模型：一元线性回归模型、逐步回归模型、偏最小二乘回归模型、岭回归模型；并对比剔除土壤背景模型和未剔除土壤背景模型的预测精度。采用决定系数R2、均方根误差RMSE和相对误差RE这3 个指标评价模型预测值和实测值拟合的结果，从而评价模型的精度。若R2越趋近于1，RMSE和RE越小，说明模型精度越好。公式如下。

2 结果与分析

2.1 土壤含水率与冠层光谱相关性分析

对五天内测得的12个小区的土壤含水率以及同时获得的6个波段光谱反射率进行相关性分析，结果见图2。

图2 剔除土壤背景前后的6个波段反射率与不同深度含水率的相关性矩阵图Fig.2 Correlation matrix of reflectance at six bands and water content at different depths before and after removing soil background

未剔除土壤背景时，含水率与6个波段反射率的皮尔逊相关系数r的绝对值在0.54 到0.08 之间，且各个深度的含水率都与波段1（490 mm）的相关性最好，从30 cm 到10 cm 处的相关系数绝对值分别为0.54、0.50、0.50。深度为30 cm 处的含水率与前三个波段呈极显著相关（p＜0.01)，与波段4（720 mm）、波段6（900 mm）呈显著相关，与波段5（800 mm）未呈现显著相关（p＞0.05)。深度为20 cm 处的含水率与波段1（490 mm）、波段3（680 mm）、波段6呈极显著相关，与波段2（550 mm）呈显著相关，与波段4、波段5 未呈现显著相关。深度为10 cm 处的含水率与前3 个波段呈极显著相关，与后3个波段并未呈现显著相关。

剔除土壤背景后，各个深度的含水率与6个波段反射率的相关系数r的绝对值在0.33 到0.01 之间，整体低于未剔除背景数据，且各个深度含水率均与波段3 相关性最好，从30 cm 到10 cm 的相关系数绝对值分别为0.26、0.25、0.33。深度为30 cm 和20 cm 处的含水率与各个波段均为不显著相关，这也是后文逐步回归无法建模的原因。仅深度为10 cm 的含水率与前3个波段为显著相关。

综上所述，未剔除土壤背景的反射率与各个深度含水率的相关性和显著性整体优于剔除土壤背景的情况。

2.2 基于敏感波段光谱反射率的土壤含水率一元线性回归模型构建

通过相关性分析，挑选出各个深度含水率与剔除土壤背景和未剔除土壤背景的反射率相关性最好的波段，将该波段与3个深度的含水率分别构建一元线性回归模型。由相关性分析可知，各个深度的土壤含水率均与剔除土壤背景的波段3相关性最好，与未剔除土壤背景的波段1相关性最好。回归结果如表2所示。

表2 基于敏感波段光谱反射率的土壤含水率一元线性回归模型及验证Tab.2 Linear model of soil moisture content based on spectral reflectance of sensitive band and its verification

在深度为10 cm 时，剔除土壤背景的反射率与含水率反演模型的建模集决定系数为0.11，验证决定系数为0.12，而未剔除土壤背景反演模型的建模决定系数和验证决定系数分别为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误差RMSE和相对误差RE都比未剔除土壤背景反演模型小，但是建模集决定系数影响更大，所以认为在深度10 cm处，未剔除土壤背景反演模型的建模效果更好。

在深度为20 cm 时，未剔除土壤背景反演模型的建模决定系数和验证决定系数比剔除土壤背景反演模型高得多，同时RMSE和RE都比剔除背景反演模型的小，所以可以得出在深度为20 cm 时，未剔除土壤背景反演模型的建模效果更好。深度为30 cm 的情况与深度为20 cm 的情况类似，得出结论，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归模型的构建

在SPSS软件中构建逐步回归模型，其结果如表3所示。

从表3 可以看出，深度为10 cm 处的含水率与未剔除土壤背景波段反射率反演模型的建模集决定系数为0.33，验证集决定系数为0.36，均高于剔除背景反演模型的相应值。同时，剔除背景的反演模型均方根误差（RMSE）及相对误差（RE）比未剔除背景反演模型的要高，故可以得到深度为10 cm 时未剔除背景反演模型更好。由2.1分析可知，深度为20 cm 和30 cm处含水率均无法与剔除背景反射率建模，而未剔除背景的反演模型可以建模，由此得出在深度为20 cm 和30 cm 处未剔除土壤背景的逐步回归反演模型更好。

表3 不同深度土壤含水率逐步回归模型及验证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岭回归模型的构建

在SPSS 软件中对深度10 cm、20 cm 和30 cm 的土壤含水率分别构建了岭回归反演模型。表4是模型构建的情况。

表4 不同深度土壤含水率岭回归模型及验证Tab.4 Ridge regression model of soil water content based on spectral reflectance of six bands and its validation

从表4 可以看出，在深度10 cm 时，未剔除土壤背景反演模型的建模决定系数和验证集决定系数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误差（RMSE）和相对误差（RE）比未剔除背景反演模型高，故得出深度为10 cm时未剔除土壤背景反演模型更好。深度为20 cm 时，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，而剔除背景模型的验证集决定系数和建模集决定系数均比未剔除背景模型反演模型小，且验证集决定系数相差极大，分别为0.07 和0.21，故认深度为20 cm 时未剔除背景反演模型更好。深度为30 m的情况与20 cm处情况类似，依旧认为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归模型的构建

本文的偏最小二乘回归通过SPSS 软件实现[26]，具体回归结果见表5。

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

从表5 可以看出，深度为10 cm 时，未剔除土壤背景反演模型的建模集决定系数和验证集决定系数分别为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相比较小，但验证决定系数影响更大，故认为10 cm 处未剔除背景反演模型更优。深度为20 cm 和30 cm 时，各个统计参数都显示未剔除背景反演模型更好。综上所述，对于偏最小二乘回归模型来说，未剔除背景反演模型更好。

2.6 基于无人机多光谱信息的土壤含水率最优反演模型

由前文分析可知，4种回归方法得到的未剔除土壤背景反演模型均优于剔除土壤背景反演模型。为了进一步对比选择最优反演模型，将4种模型的统计参数列于表6。

由表6 可知，在深度为10 cm 时，一元线性回归反演模型里剔除土壤背景所带来的影响最大，未剔除土壤背景的反演模型建模集决定系数比剔除时大0.14，验证集决定系数大0.13，虽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，可忽略不计。偏最小二乘回归反演模型是剔除土壤背景所带来影响最小的回归模型，未剔除土壤背景的反演模型建模集决定系数比剔除时大0.05，验证集决定系数大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，分别相差0.11和0.92，说明剔除土壤背景反演模型的误差更小，但是模型拟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对比Tab.6 Comparison of different modeling effects of soil moisture content

在深度为20 cm 时，逐步回归反演模型剔除土壤背景所带来的影响最大，因为剔除土壤背景的反射率的6个波段与含水率都不显著，在进行逐步回归时没有变量输入，无法得到回归结果。岭回归反演模型剔除土壤背景所带来的影响最小，其中建模集决定系数相差0.10，验证集决定系数相差0.14，并且剔除土壤背景的反演模型误差小于未剔除背景反演模型。

在深度为30 cm 时，逐步回归反演模型剔除土壤背景所带来的影响最大，理由与20 cm 时相同。岭回归反演模型剔除土壤背景所带来的影响最小，其中建模集决定系数相差0.18，验证集决定系数相差0.15，并且剔除土壤背景的反演模型误差小于未剔除背景反演模型。

在各个深度，未剔除背景的偏最小二乘回归的反演模型建模集决定系数和验证集决定系数都显著优于剔除土壤背景的反演模型，仅部分情况下剔除土壤背景模型的RMSE和RE会小于未剔除背景时的模型，但由于误差之间的差距小于建模决定系数之间的差距，故依旧认为未剔除背景的偏最小二乘回归反演模型为各个深度下的最优模型，剔除土壤背景在一定情况下可以提高反演模型的精度。但不论在哪个深度，剔除土壤背景均会显著降低逐步回归反演模型的精度。

3 讨 论

土壤含水率是影响作物生长的关键因素，利用遥感技术快速获得土壤含水率对于农业生产具有重要意义。当光照、温度等条件变化不大时，土壤含水量成为影响植物生长的主要因素，尤其是在作物受到水分胁迫时，作物的反射率波段会立刻出现明显变化，该变化可以由无人机遥感监测系统捕获。无人机遥感平台结合多光谱相机组成的遥感监测系统相比于传统的卫星遥感，在灵活度、测量精度等方面都有着明显优势。前人研究得出无人机的高分辨率多光谱图像可能会受到土壤背景的干扰，导致根域土壤含水率的监测精度普遍偏低。于是本文更改了作物的种类、生育期、剔除土壤背景的方法以及评价方式，得到的结论与前人相悖。

在重新检查数据提取的方法与过程、确认无误后，归纳出原因有如下几点：

（1）灌浆期玉米叶片部分发黄，与土壤颜色接近，在剔除土壤背景时可能失去了部分植物冠层反射率数据。

（2）拍摄时间为13∶00，此时试验田右下部有大片阴影，对部分植物冠层和土壤进行了遮挡，可能对植物冠层反射率的提取产生影响。

（3）植物受到水分亏缺时，其冠层红外光谱反射率会呈现明显变化，但这一变化的时间难以控制，不同作物的变化时间存在差异。

（4）本实验中的作物、生育期、剔除土壤背景的方法、模型评价方法与前人均不同，而含水率的反演模型会因作物的种类、生育期、气候以及所使用的监测仪器而异。本文所得的反演模型也仅限于本次测量结果，模型在其他作物、其他生育期以及其他地区的适用性还有待进一步探索。

4 结 论

（1）剔除土壤背景后数据的相关性和回归模型的精度始终比未剔除土壤背景数据的相关性和模型精度差，说明剔除灌浆期玉米的土壤背景并不能提高高分辨率无人机多光谱对土壤水分的监测精度。

（2）未剔除土壤背景的偏最小二乘回归模型在各个深度均为最优反演模型。

（3）深度为10 cm 时，剔除土壤背景对一元线性回归反演模型影响最大，偏最小二乘回归反演模型影响最小。深度为20 cm 和30 cm 时，剔除土壤背景均对逐步回归的影响最大，岭回归最小。