題目

基于高光譜成像分析的耕地土壤含水量反演模型研究

應(yīng)用關(guān)鍵詞

高光譜圖像；土壤含水量；小波變換；CARS-SPA算法；反演模型

背景

土壤含水量（Soil moisture content, SMC）作為地表與大氣物質(zhì)能量交換的中間介質(zhì)，是地表植被、微生物和作物生長(zhǎng)的重要物質(zhì)因子。SMC在農(nóng)業(yè)生產(chǎn)預(yù)測(cè)和質(zhì)量因子中也發(fā)揮著重要作用。準(zhǔn)確、快速地獲取土壤含水量可為精準(zhǔn)農(nóng)林經(jīng)營(yíng)和發(fā)展提供重要依據(jù)。

傳統(tǒng)SMC測(cè)量方案成本高、耗時(shí)長(zhǎng)，且采集到的數(shù)據(jù)集所包含的信息有限，無法進(jìn)行進(jìn)一步的數(shù)據(jù)分析，因此對(duì)SMC與土壤反射率關(guān)系的測(cè)量受到了全球研究者的廣泛關(guān)注。土壤的光譜反射率受到儀器誤差和環(huán)境參數(shù)（如光、溫度和濕度）的影響。因此，在建立模型之前，需要對(duì)采集到的光譜進(jìn)行預(yù)處理。這些方法包括反射率的對(duì)數(shù)一階微分法、反射率的平方根法、相對(duì)反射率法和九點(diǎn)移動(dòng)加權(quán)平均法。雖然這些方法可以降低光譜中的背景噪聲，但仍存在處理過程復(fù)雜、特征信息無法保留等問題?？紤]到小波變換具有多分辨率、低熵、低頻信號(hào)的特點(diǎn)，以及對(duì)隨機(jī)信號(hào)的處理能力，本研究采用小波變換方法作為預(yù)處理方法。為了去除高頻區(qū)域的噪聲，該方法將信號(hào)分解為高頻和低頻部分。這樣，處理后的數(shù)據(jù)保留了原始信號(hào)最tu出的特征，達(dá)到了提高信噪比的目的。本文采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（Competitive adaptive reweighted sampling algorithm, CRAS）和連續(xù)投影算法（Successive

projections algorithm, SPA）相結(jié)合的方法，從原始數(shù)據(jù)集中選取較少的波段作為反演因子，提高了反演模型的擬合度和精度。在這種情況下，簡(jiǎn)單線性回歸和多元線性回歸算法可以簡(jiǎn)化反演模型的復(fù)雜性和冗余度，提高預(yù)測(cè)效率，達(dá)到大面積預(yù)測(cè)SMC的目的。

本文的主要貢獻(xiàn)如下：（1）進(jìn)行數(shù)據(jù)采集，研究耕地土壤中SMC和光譜反射率的變化規(guī)律。（2）利用小波變換和CARS-SPA算法建立SMC的簡(jiǎn)單多元線性反演模型，具有較高的反演精度。

試驗(yàn)設(shè)計(jì)

本文的研究區(qū)域位于江蘇省南京市江北新區(qū)椅山區(qū)域，共采集土壤樣品117個(gè)，其中52個(gè)樣品用于SMC檢測(cè)，65個(gè)樣品用于土壤反射光譜測(cè)量。南京農(nóng)業(yè)大學(xué)鄒修國(guó)團(tuán)隊(duì)利用GaiaSorter高光譜分選系統(tǒng)（江蘇雙利合譜）獲取每個(gè)土樣的高光譜影像，該系統(tǒng)配備了SpectraSENS高光譜數(shù)據(jù)采集軟件和兩個(gè)CCD像機(jī)。兩個(gè)相機(jī)高度、掃描前向速度、曝光時(shí)間等參數(shù)如表1所示。

由于光照條件、空氣濕度和光譜采集儀器等干擾因素，土壤反射率光譜容易受到噪聲的影響。為了平滑波形，提高信噪比，本研究采用離散小波變換（Discrete wavelet transform, DWT）算法進(jìn)行去噪。為了選擇較少的波段作為回歸方程的自變量，本研究采用CARS-SPA算法。圖1展示了CARS算法的基本流程。

本研究采用簡(jiǎn)單線性回歸以及多元線性回歸模型對(duì)SMC進(jìn)行估測(cè)，并以RMSE、R²、MAE作為評(píng)價(jià)標(biāo)準(zhǔn)。

表1 GaiaSorter高光譜分選系統(tǒng)參數(shù)

圖1 CARS算法的基本流程

結(jié)論

原始波形在1000 ~ 1200 nm處存在明顯的噪聲。進(jìn)行第1層到第7層小波變換后，由于去除了高頻信號(hào)，頻譜逐漸平滑。然而，頻譜的一些敏感波段被刪除了，例如，在第6層分解中仍然可以看到380 ~ 1000 nm之間的峰值，而在第7層分解中不可見。訓(xùn)練結(jié)果表明，在6層“db4"分解過程中取得了良好的平滑效果，與原始數(shù)據(jù)的相關(guān)系數(shù)為0.912。圖2為全波段L6平滑圖及其部分放大圖。

圖2 小波變換與降噪結(jié)果。L6全波段平滑圖（a）和2002 ~ 2304 nm平滑效果圖（b）

圖3展示了部分采集到的SMC及其對(duì)應(yīng)的反射率曲線。從圖3可以看出如下規(guī)律：（1）光譜反射率值在380 ~ 1000 nm和1000 ~ 2530 nm波段呈先升后降的趨勢(shì)，即在這兩個(gè)波段處存在反射峰。此外，在近紅外波段1000 ~ 1350 nm存在一個(gè)吸收谷。（2）在380 ~ 1000 nm范圍內(nèi)，光譜反射率隨SMC的增加而逐漸減小。但在1000 ~ 2530 nm范圍，這一規(guī)律不明顯。SMC差異較大的光譜曲線一般符合光譜隨SMC增大而減小的規(guī)律。

圖3 不同SMC土壤反射率曲線

表2給出了CARS、SPA和CARS-SPA算法所選波段和RMSECV的比較。在表2中，使用CARS-SPA算法對(duì)光譜數(shù)據(jù)進(jìn)行處理時(shí)，首先使用CARS對(duì)全波段進(jìn)行濾波。在獲得特征波段數(shù)據(jù)集后，利用SPA進(jìn)行更詳細(xì)的評(píng)估，最終獲得最佳波長(zhǎng)。當(dāng)CARS和SPA算法單獨(dú)處理全波段時(shí)，SPA算法構(gòu)建的模型性能優(yōu)于CARS算法，而采用CARS-SPA算法的模型的性能明顯比前兩個(gè)模型更準(zhǔn)確。本研究結(jié)果表明CARS-SPA算法與CARS和SPA算法相比具有最少的特征數(shù)。因此，采用CARS-SPA算法不僅可以降低模型的復(fù)雜度，還可以提高模型的精度。

CARS算法首先優(yōu)化124個(gè)波段，其中40個(gè)波段在695 ~ 796 nm之間，32個(gè)波段在1273 ~ 1474 nm之間。圖4顯示了使用SPA算法進(jìn)一步在695 ~ 796 nm之間進(jìn)行特征選擇的結(jié)果。從圖中可以看出，最終選擇了7個(gè)波段，其中RMSECV最小的位置為778 nm，此時(shí)模型擬合效果最jia。最后選取波段695 nm、711 nm、736 nm、747 nm、767 nm、778 nm和796 nm作為反演模型的因變量。

表2 CARS-SPA算法建立模型的性能

圖4 CARS-SPA算法在695 ~ 796 nm處SPA算法的波段選擇結(jié)果。模型中包含的變量數(shù)（a）以及選定變量的索引（b）。

根據(jù)CARS-SPA的選取結(jié)果，首先對(duì)優(yōu)選波長(zhǎng)進(jìn)行簡(jiǎn)單線性回歸分析。部分簡(jiǎn)單線性反演模型及其精度結(jié)果如表3所示。反演模型的R²在0.63 ~ 0.66之間，RMSE在0.0082 ~ 0.0084之間，MAE在0.56 ~ 0.58%之間。為了提高模型的擬合精度，本文采用多元線性逐步回歸建立反演模型。從表4可以看出，多元線性回歸方程的R²較簡(jiǎn)單線性回歸方程增大到0.75（公式2）。本研究確定由695 nm、711 nm、736 nm、747 nm、767 nm、778 nm、796 nm波段組成的多元線性反演模型用于準(zhǔn)確地反演土壤水分信息。

表3 簡(jiǎn)單線性反演模型及其精度

表4 多元線性反演模型及其精度

作者信息

鄒修國(guó)，博士，南京農(nóng)業(yè)大學(xué)人工智能學(xué)院副教授，碩士生導(dǎo)師。

主要研究方向：動(dòng)植物表型及智能種養(yǎng)殖技術(shù)（裝備）、智能儀表及數(shù)字管理、水路無人駕駛、智能機(jī)器人。

參考文獻(xiàn)：

Wu, T.H., Yu, J., Lu, J.X., Zou, X.G., & Zhang, W.T. (2020). Research on Inversion Model of C*ted Soil Moisture Content Based on Hyperspectral Imaging Analysis. Agriculture, 10(292).