基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

作     者：靳亚红 吴鑫淼 甄文超 崔晓彤 陈丽 郄志红 JIN Yahong;WU Xinmiao;ZHEN Wenchao;CUI Xiaotong;CHEN Li;QIE Zhihong

作者机构：河北农业大学城乡建设学院保定071001 农业农村部华北节水农业重点实验室保定071001 河北农业大学农学院保定071001 保定市灌溉试验站保定071000 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第1期

页      面：316-327页

核心收录：

学科分类：08[工学] 09[农学] 090301[农学-土壤学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 0903[农学-农业资源与环境] 0804[工学-仪器科学与技术] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 0835[工学-软件工程] 0714[理学-统计学（可授理学、经济学学位）] 0814[工学-土木工程] 0825[工学-航空宇航科学与技术] 0701[理学-数学] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河北省重点研发计划项目(22327002D、21327001D) 国家重点研发计划项目(2018YFD0300503-15) 

主　　题：土壤含水率 窗口尺度 无人机多光谱遥感 机器学习 特征变量 反演 

摘      要：针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升(Extreme gradient boosting, XGBoost)、支持向量机回归(Support vector machine regression, SVR)以及偏最小二乘回归(Partial least squares regression, PLSR)3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法(Pearson correlation coefficient feature variable screening method, R)结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明:喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型(R_XGBoost、R_SVR、XGBoost、SVR、PLSR)中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差(Root mean square error, RMSE)分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。