摘要：為了提高農田精準管理效率，基于無人機（Unmaned Aerial Vehicle,UAV ）實時獲取和傳輸的遙感數據設計了一種快速監測農田土壤水分的方法：首先，利用 UAV 飛行采集農田的多光譜數據，在農田選取一個代表性的重點觀測區域進行隨機樣點土壤水分探測；然后，利用垂直干旱指數（Perpendicular Drougth Index,PDI），結合樣點土壤水分數據快速構建農田土壤水分反演模型，進而獲得大范圍的農田土壤水分監測結果． 并通過6個時相獲取的UAV數據和樣點土壤水分數據，進行方法實驗和模型精度分析，結果表明利用該方法進行農田土壤水分監測的精度較高：6個時相土壤水分反演結果的決定系數 R²均在 0.8 以上，其中5個時相的均方根誤差RMSE和系統誤差SE值均小于0.1． 這證明了基于UAV數據設計的農田土壤水分監測方法的有效性和可行性，可以為大范圍農田土壤水分的快速監測提供方法參考． 

     土壤水分表示一定深度土層中土壤的干濕程度，是氣候、生態、水文和農學等研究領域的一個基礎參數[1]． 在農業生產中，農田的土壤水分是旱澇指示因子，是農作物旱情判斷及灌溉管理的基礎指 標，也是影響農作物的生長發育的重要因素，更是影響精準農業發展的關鍵因素[2]． 因此，全面、實時和準確的農田土壤水分監測，對農作物長勢的科學認識、精準灌溉技術的實施和農作物產量的評估都有重要的現實意義．

    土壤水分監測方法主要有傳統的土壤水分測定方法和遙感監測方法． 傳統的土壤水分測定方法是基于手工的單點測定，盡管具有測定精度高和操作簡單的優點，但數據時效性差，且單點土壤水分信息不能代表區域土壤水分情況，難以滿足大范圍、實時的土壤水分監測需求[3-4] ．遙感技術的發展，給土壤水分的實時、動態、宏觀監測提供了新思路，一定程度上彌補了傳統測定方法的不足． 遙感手段獲取土壤水分是基于土壤表面的遙感數據，通過研究遙感數據與土壤水分的關系，建立土壤水分與遙感數據的關系模型來反演土壤水分信息[5-6] ． 目前利用遙感技術反演土壤水分主要用到的遙感波段有：可見光－近紅外、熱紅外和微波． 學者們基于這些遙感波段得到了許多模型和方法，如作物缺水指數（Crop Water Stress Index,CW-SI）法[7-8]、水分虧缺指數（Water Deficit Index,WDI）法[9]、植被供水指數（Vegetation Supply Water Index,VSWI）法[10]、微波法[11-12]等． 其中，可見光－近紅外遙感監測土壤水分方法根據土壤反射率會隨著土壤水分增加而降低的特征，通過構建光譜指數與土壤水分之間的關系模型進而反演土壤水分． 基于近紅外和紅光（NIR-Red）對水分的吸收特性，GHULAM等[13]提出了垂直干旱指數 （Perpendicular Drought Index,PDI ），能有效探測土壤水分變化趨勢，簡單易用且物理意義明確，常應用于不同地區土壤水分的監測[14-16]．目前的遙感方法可以實現對土壤水分的大面積監測，但仍存在時效性較差、精度較低的問題． 無人機（Unmaned Aerial Vehicle,UAV ）可以實時獲取和傳輸高分辨率的遙感數據，UAV 遙感可以彌補目前的遙感方法監測土壤水分時效性差的不足，為作物土壤水分監測提供了新的技術和思路． 近年來，基于UAV遙感的土壤水分監測方法得到了廣泛的研究，如：張智韜等[17]利用 UAV數據對裸土含水率進行大范圍快速測定并確定了最佳土壤監測深度；陳震等[18]利用UAV影像進行作物土壤水分虧缺反演研究，構建了土壤水分反演模型；葛翔宇等[19]提出 了一種基于UAV遙感快速監測土壤水分的新方案．當前，UAV 遙感監測土壤水分的方法和相關模型正在不斷地完善，如何利用UAV 數據進行準確、快速、大范圍的土壤水分監測是未來研究中的重點和難點．本文旨在探索一種基于UAV遙感的農田土壤水分監測方法：利用實時獲取的UAV多光譜數據，構建農田土壤水分反演模型，從而實現大范圍農田土壤水分的快速監測，為農作物合理灌溉、農業精準化管理提供參考
１ 研究區域
研究區域是位于廣東省韶關市始興縣東北部的特色煙葉種植農田 （中心經緯度：114°11‘44’’E，25°03‘10’‘N），如圖 １ 所示． 該農田總面積約為16.67hm²，田間作物種植統一有序，田埂排列整齊． 作物的生長期為每年的 ３—６ 月份，圖 １ 是2019年5月12日獲取的農田范圍的多光譜影像． 由于研究區面積較大，為了快速建立農田土壤水分反演模型，本研究在農田中選取了一塊面積為0.38hm² 的重點觀測區（農田東北部的黃色矩形區域），用于實地探測田間樣點的土壤水分．

２ 數據與方法
２．１ 數據采集
數據采集包括UAV多光譜數據獲取與田間樣點的土壤水分探測． UAV數據的獲取采用大疆精靈4proUAV 信息采集系統，搭載Parrot Sequoia 傳感器作為遙感數據采集平臺，飛行設備及野外調研照片如圖2所示． Parrot Sequoia 傳感器由多光譜傳感器和光照傳感器兩部分組成，其獲取的多光譜影像共有4個光譜通道：綠光Green （ 波長550nm，帶寬40nm）、紅光Red（波長660nm，帶寬 40nm ）、紅邊 Red_edge（波長75nm ，帶寬10nm ）和近紅外NIR（波長 790nm，帶寬40nm ）． 本研究在作物生長期內一共飛行采集了6個時相的覆蓋整塊農田的UAV多光譜影像（具體時間見表 １），UAV飛行高度均為 80m, UAV 多光譜影像空間分辨率為0.1m ，數據質量良好．

為了快速建立農田土壤水分反演模型，每次飛行采集 UAV多光譜數據完成后，均在重點觀測區隨機選取若干個建模樣點，并進行土壤水分探測；最后，在農田其他區域也選取若干個驗證樣點并進行土壤水分探測，用于檢驗反演模型的精度水平，詳細信息見表 １． 田間樣點的土壤水分采用Decagon公司生產的ECH₂O/EC-5土壤濕度監測儀進行單點測定，該儀器的探針插入土壤中，通過計算土壤中電解質的質量分數來估算單位土壤容積中水 分子所占的比例，則可快速探測出樣點的土壤體積含水率（Volumetric Water Content,VWC），儀器的測量偏差值為±0.03． 每個樣點最終記錄的 VWC值均是通過連續3探測所取的平均值（VWC 值越大，代表土壤水分越高），每次探測時長為 3～ 4s，探測土壤深度為0～ 10ｃｍ．

2.2  土壤水分監測方法

本文利用 UAV 多光譜數據和垂直干旱指數（PDI），設計了一種快速監測農田土壤水分的方法，并通過6個時相獲取的 UAV 數據進行方法實驗． 技術流程如圖 ３ 所示，具體方法介紹如下：（１）通過搭載在 UAV 的多光譜相機獲取覆蓋整塊農田的多光譜數據，并對數據進行拼接、配準、校正等預處理；(2)計算歸一化植被指數（ NDVI），從而得到植被覆蓋（作物）范圍，對植被覆蓋范圍進行掩膜處理，得到農田的土壤分布范圍；(3) 計算農田土壤范圍的PDI，得到整塊農田土壤水分分布趨勢；(4) 在整塊農田中選定一個重點觀測區，并在重點觀測區隨機選取建模樣點探測土壤水分，即得到建模樣點的VWC 值；(5)構建PDI與 VWC值的關系模型，即得 到農田土壤水分反演模型；(6) 計算整塊農田的VWC 值，得到整塊農田的土壤水分反演結果；(7)在整塊農田中（重點觀測區除外） 隨機選取驗證樣點進行土壤水分探測，對土壤水分反演結果進行精度驗證． 

下面將對本方法所用的歸一化植被指數、垂直干旱指數和精度驗證指標進行詳細介紹．
2.2.1  歸一化植被指數 NDVI 在計算 PDI之前需要剔除植被像元對土壤水分計算的影響，本文利用歸一化植被指數（ NDVI）[20] 得到植被覆蓋范圍，并對植被覆蓋范圍進行掩膜處理． NDVI計算公式
如下：

2.2.2  垂直干旱指數 PDI土壤在紅波段 Red和近紅外波段 NIR 的反射率具有線性關系，在 NIR-Red光譜特征空間中，土壤的光譜變化表現為一個由近于原點發射的直線，稱為“ 土壤基線” [21]，可以表示為：

其中，Rred、Rnir分別是紅光、近紅外波段的反射率，M、Ｉ分別為土壤基線的斜率、截距．

GHULAM 等[13]利用了土壤在NIR-Red  光譜特征空間的特性，建立了垂直干旱指數(PDI)，可以有效地探測土壤水分． 其計算公式如下：

在NIR-Red二維散點圖中，PDI 構成垂直于土壤基線的法線． 在NIR-Red 光譜特征空間上，從任何一個點到該法線的垂直距離可以說明土壤的干濕程度，距離越大則說明土壤越干旱，越小則說明土壤越濕潤，即 PDI 值越大表示土壤水分越低，反之土壤水分越高．

2.2.3  精度驗證指標 

精度驗證分別采用決定系數 R²、均方根誤差（Root Mean Square Error,RMSE）和系統誤差（Systematic Error,SE）3個指標來分析．R²可以用來度量2個變量之間的回歸擬合效果，計算公式如下：

其中，為估算值，A_i為實測值，為所有實測值的均值；n為樣本數量；Ｒ²值介于0和1 之間，Ｒ2值越接近1，表示2個變量的回歸擬合效果越好 .

RMSE用來評價所有檢驗樣本的整體估算誤差，計算公式如下：

SE用來評價系統誤差的影響（如高估、低估），計算公式如下： 

RMSE和 SE值越小，代表模型的估算精度越高． 其中SE值大于0表示結果被高估，反之則表示被低估． 

３ 結果與分析
3.1 土壤水分的反演模型
本文一共獲取了6個時相的農田UAV多光譜數據和田間樣點土壤水分數據進行實驗． 根據在重點觀測區所探測的建模樣點的土壤體積含水率（VWC）和農田土壤范圍的PDI，分別建立 VWC與PDI 的關系模型，得到每個時相的農田土壤水分反演模型結果（圖4）． 

由 6個時相的模型結果可知：PDI 與VWC值均呈負相關關系，PDI 越高，則 VWC越低，即土壤水分越低；從模型的擬合效果來看，6個時相的模型方程的擬合較好，決定系數 Ｒ²均在0.8以上，且擬合方程的顯著性檢驗均具有統計學意義（Ｐ＜0.01）． 

3.2 土壤水分監測結果
基于上述的農田土壤水分反演模型，計算6個時相的農田VWC 值（圖5），即可以得到每個時相的農田土壤水分反演結果，實現整塊農田土壤水分的監測． 由圖5可知：(1)從農田土壤水分結果來看，經像元統計得到 6個時相的農田VWC 均值分別為0.28、0.34、0.16、0.23、0.16、0.15；農田土壤水分在作物生長期呈先增加后減少的趨勢，在作物生長后期（ 2019年5月中下旬） 則明顯減少 （2）從農田土壤水分空間分布來看，農田的土壤水分在不同時期均存在空間分布不均的情況，在作物生長前期（2019年4月） 表現得最為明顯；2019年4月21日農田東邊的土壤水分明顯大于西邊，4月28日農田南邊的土壤水分明顯大于北邊． 因此，通過土壤水分反演結果可以快速判斷農田總體土壤水分的高低，還能快速獲取農田土壤水分的空間分布情況，對農田精準灌溉和種植管理有重要的指導意義 

3.3 精度驗證
為了檢驗6時相土壤水分反演結果的精度水平，即對比模型反演結果（ VWC估算值） 與土壤水分實際探測值（ VWC實測值） 之間的差異，本文分別計算了 VWC估算值與對應實測值之間的 Ｒ²、RMSE和 SE，以驗證反演結果的精度．由精度驗證結果（表2 和圖6） 可以看出：6 個時相的VWC 估算值與對應實測值之間的 R² 均在0.8以上；除 2019 年4月28日的結果外，其余 5個時相的 RMSE 和 SE 值均小于0.1；6個時相的SE 值均大于0，說明土壤水分反演結果略有高估． 整體上，6個時相的農田土壤水分反演結果精度較高，證明本文設計的基于 UAV 數據的農田土壤水分監測方法是有效的、可行的．

４、 結論
土壤水分是作物生長和發育的保證，對農田土壤水分進行監測，快速判斷農田土壤水分的高低，獲取農田土壤水分的空間分布情況，對農作物合理灌
溉和農業精準化管理有重要的指導意義． 本文基于UAV 多光譜數據和垂直干旱指數（PDI）實現了農田土壤水分的快速監測．本文一共獲取了6 個時相的農田UAV多光譜數據和田間樣點土壤水分數據，構建了6 個時相的農田土壤水分反演模型，并得到對應的農田土壤水分反演結果． 精度驗證結果表明：整體上反演結果精度較高，6 個時相的農田土壤水分反演結果 R² 均在0.8 以上，5個時相的RMSE 和SE值均小于 0.1，說明本文設計的基于 UAV 數據監測農田土壤水分的方法是有效的、可行的． 因此，未來農田土壤水分監測，可以利用實時獲取的 UAV 多光譜數據，選取 一個具有代表性的重點觀測區進行隨機樣點土壤水分探測，快速構建農田土壤水分的反演模型，進而完成農田土壤水分的快速監測． 本文提出的方法可以推廣和應用于大范圍農田土壤水分的快速監測．

來源：馮珊珊,梁雪映,樊風雷,王 塞,伍健恒.于無人機多光譜數據的農田土壤水分遙感監測 [J]. 華南師范大學學報.2020，52(6):74-81