一种基于无人机高光谱影像的土壤墒情检测新方法

摘要

土壤含水量(SMC)是生物地球化学和大气耦合过程的关键变量,在干旱区农业、生态和环境中扮演着重要角色。相较于星载遥感系统,无人机(UAV)具有可控性强、分辨率高等特点从而被广泛应用,为中小尺度地表参量的快速监测提供新的遥感平台。机载高光谱传感器的引入,为UAV遥感系统提供了高维海量、纳米级的数据源。然而基于UAV高光谱数据的研究并未深度挖掘,也尚未形成一个标准的技术方案。该研究立足于新疆维吾尔自治区典型农业区,利用6种预处理方案,包括一阶导数(FDR),二阶导数(SDR),连续体去除(CR)、吸光度(A)、吸光度一阶(FDA)和吸光度二阶(SDA),对所获取的UAV高光谱数据进行处理。在此背景下构建4种类型的适宜光谱指数:差值型指数(DI),比值型指数(RI),归一化型指数(NDI)和垂直型指数(PI),并从光谱机理上讨论指数的合理性。最后利用梯度提升回归树(GBRT)、随机森林(RF)和eXtreme Gradient Boosting(XGBoost)算法,以28个最适光谱指数为独立变量建立SMC估算模型,并通过不同集成学习算法的重要性对变量进行排序,从线性和非线性的角度对所构建光谱指数的效果进行考量评价。结果表明:(1)预处理和最适光谱指数能有效地消除了大气干扰和土壤背景,其中预处理A突出更多的光谱信息,PI相关性显著;(2)通过分析比较相关性系数(r)和集成学习算法的重要性,发现A_PI(|r|=0.773)是最适光谱指数,在线性和非线性关系中均有较优的表现;(3)在3种基于集成学习的SMC预测模型中,XGBoost估算模型效果拔群(R 2 val=0.926,RMSEP=1.943和RPD=2.556),其预测值的统计学特征与实测值的最为接近。3种模型效果排序为:XGBoost>RF>GBRT。综上所述,基于UAV高光谱影像,结合不同预处理和光谱指数,为低空遥感监测土壤墒情提出新的方案。该研究的方案具有潜在的高精度,是检测干旱区SMC的有效方法,针对快速易行地监测地表属性提供了崭新视角。相关结果为干旱区精准农业、生态系统给予更好的管理和保护策略。