基于光谱指数的绿洲农田土壤含水量无人机高光谱检测

基于光谱指数的绿洲农田土壤含水量无人机高光谱检测 土壤含水量(Soil moisture content， SMC)是发展精细灌溉农业的重要参数，因此对其进行精确估测十分必要。新疆大学选取新疆阜康绿洲小块农田为研究对象，基于无人机(Unmanned aerial vehicle，UAV)平台搭载Nano-Hyperspec 高光谱成像光谱仪获取高光谱及影像数据，基于 Savitzky-Golay(SG)平滑后的一勺微分(First derivative，FD)、吸光度(Absorbance， Abs)，连续统去除(Continuum removal，CR)3种不同预处理方法，共获取了 SG、SG-FD、CR、Abs 及 Abs-FD共计5种预处理后的高光谱影像，探索不同预处理下的差值指数(Difference index，DI)、比值指数(Ratio index，RI)、归一化指数(Normalizationindex，NDI)及垂直植被指数(Perpendicular vegetation index，PVI)与 SMC 的关系，并在遴选出最优指数及预处理方案的基础上构建干旱区绿洲农田 SMC 高光谱定量估算模型。 图1无人机平台及机载高光谱传感器 Fig.1 UAV platform and airborne imaging hyperspectral sensor 土壤样品的采集与 UAV 空中业业同步开展，在农田内均匀取70个采样小区，选取50个样点作为建模集，20个样点作为验证集。 图2采样点分布图及UAV作业现场 Fig.2 Distribution of sampling sites and application scene of UAV over the cropland 模型的建立与验证： 图4不同预处理后的高光谱影像及光谱曲线(红线为均值光谱，灰色区域为标准差区间) Fig.4 The hyperspectral imageries and spectral curves based on different pretreatments (Red linerepresents the average spectrum and gray region represents the standard deviation values) 本研究的模型构建分为两个层面：1)基于最优指数的单一模型；2)基于最优预处理方案的综合指数模型。逐渐改善。对比各个模型的精度参数，基于 Abs-SG 预处理的 PVI(R644，R651)为自变量所构建的三次拟合函数表现最优，其 2=0.79， RMSE =2.58%， 2=0.86，RMSE =2.15%， RPD=1.94(图6)。 图6基于最优PVI(R644.R651)模型的 SMC 估测效果 Fig.6 Seatter plots of measured versus predicted SMC using optimal model based on PVI(R644，R651) 图7为该模型建模集、验证集的实测/估测值。这表明 Abs 预处理较为理想地消除了外部噪声干扰，增强了光谱数据对 SMC 的敏感性，模型的稳健性和精确度均得到了提高。因此，可以认为基于 Abs 预处理后建立的多参数模型为最优模型，并且可以利用该模型，将 SMC从单一的点位尺度扩展至面域尺度，实现 SMC 的遥感监测。 (a)建模样本 (b) 验证样本 图7 基于 Abs 预处理方案多变量综合模型的 SMC 估测效果 Fig.7 Scatter plots of measured versus predicted SMC using multivariablemodel based on Abs pretreatment UAV 高光谱影像监测 SMC 试验与精度验证： 图8SMC估算结果与实测数据 图9高光谱填图与实测 SMC 拟合效果 Fig.8 Map of observed SMC and quantitative estimated SMC Fig. 9 Fitting effect between measured SMC and hyperspectral mapping results 结果表明：预处理在不同程度上提高了光谱指数与 SMC 的相关性，其中基于 Abs-SG 预处理的 PVI_((R644，R651))表现最优，相关系数为0.788，据此构建的三次拟合函数表现最优。基于不同预处理方案下多变量 SMC 估算模型效果在消噪的基础上，更为深度地挖掘了光谱信息，减少了单一光谱指数造成的误差，提升了模型的定量估测效果。Abs 模型预测精度亦最为突出，其建模集Rc2和 RMSE 为0.80、2.42%，验证集Rp 2与 RMSE 为 0.91、1.71%，RPD为2.41。本研究构建的 SMC 模算模型减少了单一变量模型的误差；在规避过拟合现象的同时，提升了模型的定量估测效果，为土壤水分状况天地空一体化遥感监测提供了崭新的视角和方案。 文￥章 发 表 在 农 业 机 械 学 报 原 文 链 接http：//www.cnki.com.cn/Article/CJFDTotal-NYJX20180904009. htm。         土壤含水量(Soil moisture content,SMC)是发展精细灌溉农业的重要参数,因此对其进行精确估测十分必要。新疆大学选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载Nano-Hyperspec高光谱成像光谱仪获取高光谱及影像数据,基于Savitzky-Golay(SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs),连续统去除(Continuum removal,CR)3种不同预处理方法,共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与SMC的关系,并在遴选出最优指数及预处理方案的基础上构建干旱区绿洲农田SMC高光谱定量估算模型。土壤样品的采集与UAV空中作业同步开展，在农田内均匀取70个采样小区，选取50个样点作为建模集，20 个样点作为验证集。本研究的模型构建分为两个层面：1) 基于最优指数的单一模型；2) 基于最优预处理方案的综合指数模型。逐渐改善。对比各个模型的精度参数，基于Abs-SG预处理的PVI(R644, R651)为自变量所构建的三次拟合函数表现最优，其Rc² = 0.79，RMSEc = 2.58%，Rρ² =0.86，RMSEρ = 2.15%，RPD = 1.94 (图6)。图7为该模型建模集、验证集的实测/估测值。这表明Abs预处理较为理想地消除了外部噪声干扰，增强了光谱数据对SMC的敏感性，模型的稳健性和精确度均得到了提高。因此，可以认为基于Abs预处理后建立的多参数模型为最优模型，并且可以利用该模型，将SMC从单一的点位尺度扩展至面域尺度，实现SMC的遥感监测。UAV高光谱影像监测SMC试验与精度验证：结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs-SG预处理的PVI_((R644,R651))表现最优,相关系数为0.788,据此构建的三次拟合函数表现最优。基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上,更为深度地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R_c~2和RMSE为0.80、2.42%,验证集R_p~2与RMSE为0.91、1.71%,RPD为2.41。本研究构建的SMC估算模型减少了单一变量模型的误差;在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤水分状况天地空一体化遥感监测提供了崭新的视角和方案。文章发表在农业机械学报，原文链接：http://www.cnki.com.cn/Article/CJFDTotal-NYJX20180904009.htm