无人机热红外遥感反演玉米根域土壤含水率方法研究

为了减少土壤背景带来的干扰,更加准确、高效的获取无人机热红外图像中的玉米冠层温度,进而快速反演玉米地土壤含水率,以4种水分梯度处理的拔节期玉米为研究对象,借助无人机可见光和热红外图像,采用RGRI指数法、Otsu阈值法和不剔除土壤背景3种处理方法提取热红外图像中玉米冠层温度信息,计算作物水分胁迫指数(Crop water stress index,CWSI)并用于反演不同水分梯度处理下玉米地不同深度的土壤含水率,基于3种方法获得的CWSI分别记为CWSIRGRI、CWSIOtsu、CWSIsc.结果表明:①基于RGRI指数法获取的玉米冠层温度与实测冠层温度的相关性最高(R2均大于0.8;RMSE均小于1℃),Otsu方法次之,不剔除土壤背景方法效果最差.②在整个拔节期,CWSIRGRI反演土壤含水率效果最好(R2均大于0.5,P<0.01;效果显著),CWSIOtsu次之、CWSIsc反演效果最差.③选取CWSIRGRI为最优CWSI指标,其在玉米拔节期5个土壤深度内的R2呈现先上升后下降的趋势且都在0～30 cm深度内达到最大值.因此,基于RGRI指数法建立的CWSIRGRI可以作为反演玉米地土壤含水率的有效指标.     

基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测

针对当前无人机热红外遥感提取冠层温度不准确、监测作物水分胁迫状况精度不高的问题,该研究以不同水分处理的拔节期夏玉米为研究对象,利用无人机获取试验区域热红外和可见光图像资料,分别采用Otsu算法、EXG-Kmeans算法和Otsu-EXG-Kmeans算法获取冠层区域图像,并对提取结果进行精度评价,而后采用最优算法求得对应作物水分胁迫指数（Crop Water Stress Index,CWSI）,通过分析CWSI同土壤含水率相关关系以及CWSI日平均变化趋势来监测玉米水分亏缺状况。结果表明：1）相比于其他方法,Otsu-EXG-Kmeans算法对冠层温度提取精度更高（用户精度为95.9%）,提取的冠层温度更接近实测温度（r=0.788）,可以准确获取图像冠层温度。2）相比于冠层温度,CWSI与土壤含水率的相关性更高（r= -0.738）,CWSI日平均变化趋势更符合实际情况,可更加精确地监测玉米缺水状况。该研究为无人机遥感精准监测作物水分胁迫状况提供参考。     

剔除土壤背景的冬小麦根域土壤含水率遥感反演方法

为剔除无人机多光谱图像中的土壤背景、提高作物根域土壤含水率反演精度,以不同水分处理的拔节期冬小麦为研究对象,利用无人机多光谱相机分别在09:00、11:00、13:00、15:00和17:00等5个时刻获取高分辨率多光谱图像,采用改进的植被指数阈值法快速确定植被像元与土壤像元的分类阈值,通过阈值划分剔除土壤背景,并根据阈值变化研究土壤背景对冬小麦冠层反射率的影响,建立了剔除土壤背景前后基于植被指数的土壤含水率反演模型。结果表明,应用改进的植被指数阈值法可有效剔除多光谱图像中的土壤背景,其中基于植被指数RDVI的剔除精度最高,总体精度在91.32%以上;土壤背景对冬小麦冠层近红外波段的反射率影响较大,红边波段次之,而对可见光波段的反射率影响较小;剔除土壤背景前后的植被指数与土壤含水率均呈线性关系,剔除土壤背景对反演土壤含水率的精度有显著提高,其中NGRDI反演深度10~20cm的冬小麦根域土壤含水率效果最好,建模集R2和RMSE分别为0.739和2.0%,验证集R2和RMSE分别为0.787和2.1%。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息，可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据，并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数，在此基础上引入红边波段建立新的光谱指数，同时使用Elastic-net算法（ENET）对光谱变量进行筛选，并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组；运用BP神经网络（Back Propagation Neural Networks，BPNN）、支持向量机（Support Vector Machine，SVM）和极限学习机（Extreme Learning Machine，ELM）3种机器学习方法，构建作物覆盖下不同土壤深度的土壤盐分反演模型，并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明，使用ENET变量选择方法可以有效筛选出最优光谱变量，且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组；ELM模型反演效果优于SVM模型和BPNN模型，其验证集的决定系数为0.783，均方根误差为0.141，一致性相关系数为0.875；研究区域内，作物覆盖下的土壤盐分最佳反演深度为10～20 cm；在不同土壤深度下，基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度，这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

基于雷达遥感的不同深度土壤含盐量反演模型

为及时、有效地监测盐渍化土壤含盐量，以内蒙古河套灌区沙壕渠灌域为研究区，将Sentinel-1雷达影像作为数据源，同步采集不同深度土壤含盐量数据，通过组合两组雷达后向散射系数构建多种指数，并用灰度关联（Gray correlation degree,GCD）排除共线性强的指数，采用偏最小二乘回归（Partial least squares regression，PLSR）、分位数回归（Quantile regression，QR）和支持向量机（Support vector machine regression，SVM）3种方法，构建0~10cm、10~20cm不同深度下的土壤含盐量反演模型。结果表明，在3种回归方法中，SVM回归模型的精度最高，模型建模集决定系数R2c、验证集决定系数R2p均在04以上，建模集均方根误差RMSEc、验证集均方根误差RMSEp均小于03%，分位数回归模型次之，偏最小二乘回归模型最差；在各反演深度下，0~10cm深度的反演精度均高于10~20cm深度的反演精度，其中在0~10cm深度下SVM反演模型效果优于其他模型，R2c、R2p分别为0568和0686，RMSEc、RMSEp分别为0.201%和0.151%。本研究可为雷达遥感监测裸土期土壤盐渍化提供参考。     

无人机多光谱遥感监测冬小麦拔节期根域土壤含水率

快速精确地获取冬小麦根域土壤含水率对实现精准灌溉具有重要意义。以拔节期不同水分处理的冬小麦为对象,利用低空无人机搭载六波段多光谱相机获取其冠层光谱反射率,并同时采集5个不同深度(10、20、30、40、60 cm)土壤含水率数据,通过逐步回归法、偏最小二乘法、岭回归法建立光谱数据与5个深度的多元回归模型。结果表明,三种回归模型对10、20 cm深度土壤含水率都有较高的监测精度,可以较好地对作物根域土壤含水率进行定量预测,其中逐步回归模型效果最好,其模型的决定系数R~2达到0.815、0.747,预测模型的R~2为0.774、0.717,相对分析误差R_(PD)为2.007、1.862,但三种回归模型对深度为30、40、60 cm根域土壤含水率的监测精度都较低。该研究结果对指导精准灌溉具有一定的参考价值。