基于小麦冠层无人机高光谱影像的农田土壤含水率估算

作者：王梦迪; 何莉; 刘潜; 李志娟; 王冉; 贾中甫; 王敬哲; 邬**; 石铁柱^*

来源：农业工程学报, 2023, 39(06): 120-129.

DOI：10.11975/j.issn.1002-6819.202207170

• 土壤含水率
• 无人机
• 高光谱
• 连续小波变换
• 遗传算法

精准监测农田土壤含水率(soil moisture content,SMC)有助于提高中国水资源利用率以及农业可持续发展水平，为实现国家农业经济的稳定发展及可持续发展目标打下坚实的基础。为了探索基于无人机遥感数据进行准确、快速的土壤含水率监测的方法，该研究选取新疆阜康绿洲田块为研究区，使用无人机(unmanned aerial vehicle,UAV)高光谱传感器采集田块尺度小麦冠层光谱信息，进行SMC定量估算和制图。对小麦冠层光谱进行savitzky-golay(SG)平滑，利用7种不同的小波基函数(bior4.4、coif4、db4、fk14、haar、rbio3.9、sym4)对光谱信息进行连续小波变换(continuous wavelet transform,CWT)处理，并采用遗传算法(genetic algorithm, GA)对小波系数进行特征提取，最后结合偏最小二乘回归(partial least square regress,PLSR)、支持向量机(support vector machine,SVM)、人工神经网络(artificial neural network,ANN)、随机森林(radom forest,RF)以及极端梯度提升(extreme gradient boosting,XGBoost)估算SMC并实现其空间制图。结果表明：基于GA的特征波段选择方法可有效提高SMC的估算精度。使用全波段小波系数构建模型的决定系数R2在0.20～0.44之间，而使用特征小波系数的R2为0.25～0.82。与其他小波基函数相比，采用db4特征小波系数的估算精度最优，PLSR、SVM、ANN、RF和XGBoost模型估算SMC的R2分别为0.82、0.72、0.79、0.76和0.45。基于PLSR和ANN最优模型进行SMC空间制图，基于CWT和机器学习结合模型能够有效估算小田块尺度SMC。该研究基于无人机高光谱数据实现了SMC精确估算，为农田尺度SMC监测提供了有效手段。

• 单位
  深圳大学; 深圳职业技术学院