基於高光譜成像分析的耕地土壤含水量反演模型研究

題目

基於高光譜成像分析的耕地土壤含水量反演模型研究

應用關鍵詞

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能量交換的中間介質
，是地表植被
、微生物和作物生長的重要物質因子。SMC在農業生產預測和質量因子中也發揮著重要作用。準確
、快速地獲取土壤含水量可為精準農林經營和發展提供重要依據。

傳統SMC測量方案成本高、耗時長
，且采集到的數據集所包含的信息有限，無法進行進一步的數據分析，因此對SMC與土壤反射率關係的測量受到了全球研究者的廣泛關注。土壤的光譜反射率受到儀器誤差和環境參數（如光
、溫度和濕度）的影響。因此，在建立模型之前
，需要對采集到的光譜進行預處理。這些方法包括反射率的對數一階微分法、反射率的平方根法
、相對反射率法和九點移動加權平均法。雖然這些方法可以降低光譜中的背景噪聲，但仍存在處理過程複雜、特征信息無法保留等問題。考慮到小波變換具有多分辨率、低熵、dipinxinhaodetedian，yijiduisuijixinhaodechulinengli
，benyanjiucaiyongxiaobobianhuanfangfazuoweiyuchulifangfa。weilequchugaopinquyudezaosheng，gaifangfajiangxinhaofenjieweigaopinhedipinbufen。zheyang，chulihoudeshujubaoliuleyuanshixinhaozuituchudetezheng，dadaoletigaoxinzaobidemude。benwencaiyongjingzhengzishiyingzhongjiaquancaiyangsuanfa（Competitive adaptive reweighted sampling algorithm, CRAS）和連續投影算法（Successive

projections algorithm, SPA）相(xiang)結(jie)合(he)的(de)方(fang)法(fa)
，從(cong)原(yuan)始(shi)數(shu)據(ju)集(ji)中(zhong)選(xuan)取(qu)較(jiao)少(shao)的(de)波(bo)段(duan)作(zuo)為(wei)反(fan)演(yan)因(yin)子(zi)
，提(ti)高(gao)了(le)反(fan)演(yan)模(mo)型(xing)的(de)擬(ni)合(he)度(du)和(he)精(jing)度(du)。在(zai)這(zhe)種(zhong)情(qing)況(kuang)下(xia)，簡(jian)單(dan)線(xian)性(xing)回(hui)歸(gui)和(he)多(duo)元(yuan)線(xian)性(xing)回(hui)歸(gui)算(suan)法(fa)可(ke)以(yi)簡(jian)化(hua)反(fan)演(yan)模(mo)型(xing)的(de)複(fu)雜(za)性(xing)和(he)冗(rong)餘(yu)度(du)
，提(ti)高(gao)預(yu)測(ce)效(xiao)率(lv)，達(da)到(dao)大(da)麵(mian)積(ji)預(yu)測(ce)SMC的目的。

本文的主要貢獻如下：（1）進行數據采集，研究耕地土壤中SMC和光譜反射率的變化規律。（2）利用小波變換和CARS-SPA算法建立SMC的簡單多元線性反演模型


，具有較高的反演精度。

試驗設計

本文的研究區域位於江蘇省南京市江北新區椅山區域，共采集土壤樣品117個，其中52個樣品用於SMC檢測，65個樣品用於土壤反射光譜測量。南京農業大學鄒修國團隊利用GaiaSorter高光譜分選係統（江蘇雙利合譜）獲取每個土樣的高光譜影像，該係統配備了SpectraSENS高光譜數據采集軟件和兩個CCD像機。兩個相機高度
、掃描前向速度、曝光時間等參數如表1所示。

由於光照條件
、空氣濕度和光譜采集儀器等幹擾因素，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。

本研究采用簡單線性回歸以及多元線性回歸模型對SMC進行估測
，並以RMSE、R²
、MAE作為評價標準。

表1 GaiaSorter高光譜分選係統參數

圖1 CARS算法的基本流程

結論

原始波形在1000 ~ 1200 nm處存在明顯的噪聲。進行第1層到第7層小波變換後，由於去除了高頻信號

，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。訓練結果表明，在6層“db4”分解過程中取得了良好的平滑效果

，與原始數據的相關係數為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及其對應的反射率曲線。從圖3可以看出如下規律：（1）光譜反射率值在380 ~ 1000 nm和1000 ~ 2530 nm波段呈先升後降的趨勢，即在這兩個波段處存在反射峰。此外

，在近紅外波段1000 ~ 1350 nm存在一個吸收穀。（2）在380 ~ 1000 nm範圍內，光譜反射率隨SMC的增加而逐漸減小。但在1000 ~ 2530 nm範圍
，這一規律不明顯。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算法對光譜數據進行處理時
，首先使用CARS對全波段進行濾波。在獲得特征波段數據集後，利用SPA進行更詳細的評估，最終獲得最佳波長。當CARS和SPA算法單獨處理全波段時，SPA算法構建的模型性能優於CARS算法，而采用CARS-SPA算法的模型的性能明顯比前兩個模型更準確。本研究結果表明CARS-SPA算法與CARS和SPA算法相比具有最少的特征數。因此，采用CARS-SPA算法不僅可以降低模型的複雜度
，還可以提高模型的精度。

CARS算法首先優化124個波段，其中40個波段在695 ~ 796 nm之間
，32個波段在1273 ~ 1474 nm之間。圖4顯示了使用SPA算法進一步在695 ~ 796 nm之間進行特征選擇的結果。從圖中可以看出，最終選擇了7個波段，其中RMSECV最小的位置為778 nm
，此時模型擬合效果最佳。最後選取波段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算法的波段選擇結果。模型中包含的變量數（a）以及選定變量的索引（b）。

根據CARS-SPA的選取結果，首先對優選波長進行簡單線性回歸分析。部分簡單線性反演模型及其精度結果如表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於準確地反演土壤水分信息。

表3 簡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

鄒修國，博士
，南京農業大學人工智能學院副教授，碩士生導師。

主要研究方向：動植物表型及智能種養殖技術（裝備）、智能儀表及數字管理
、水路無人駕駛、智能機器人。

參考文獻：

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

https://doi.org/10.3390/agriculture10070292