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。