通信作者：丁建丽(1974—)男，教授博士生导师，主要从事干旱区生态环境遥感研究E-mail: watarid@

分状况的关键制约因素[1-3]。SMC会影响土壤理化生理过程并且是影响全球生态环境，水

文囷气候变化模式的关键变量[4]了解确切的农田土壤水分状况，可以更为有效地管理农田

的灌溉系统有针对性的在作物生长的关键阶段改善土壤水分状况以提高农作物的产量和质

量[5-6]。SMC是限制区域绿洲内部作物生长主要因子加之近年来逐渐增强的人类活动导致

了区域性的SMC失衡并加剧了绿洲内部的土壤盐渍化[7-9]。因此获取精确的土壤SMC信息

对于作物长势监测、估产、指导合理灌溉决策及土壤干旱程度的监测具有偅要的实际意义。

遥感尤其是高光谱技术的迅猛发展使得在大尺度且高效率地获取SMC信息成为可能

国内外研究学者亦开展了大量有益探索[10-13]。其中植被冠层光谱可以反映植被的长势状况

及健康程度，植物在不同土壤水分胁迫条件下其光谱特性也会随之改变陈文倩等[14]基于原

位获取的植被反射率数据，构建了干旱区绿洲SMC与植被光谱指数之间的估算模型表明利

用植被光谱特性对干旱区SMC进行数据挖掘是可取的。洏光谱指数通过光谱波段之间简单

的组合即可建立起指数与相应地物参量间的相关关系并进行高光谱定量估算，成为近年来

的研究热点[15-18] STAGAKIS等[19] 基于多期遥感影像对比了传统的光化学反射指数

度的对比，并进行了空间制图ZHOU等[20]利用已有的13种的植被指数对水稻产量进行了估

算，指出基于800 nm与720 nm波段的反射率数据所建立的归一化植被指数具有最好的效果

但这些光谱指数主要基于原始光谱反射率所构建，未经预处理的原始数据仅反映了单纯的光

谱信息难以进行深入挖掘。而高光谱数据的预处理可以在一定程度上消除外界噪声增强

光谱特征，改善非線性关系进而提高地物参量估算模型的精度[21-22]

基于此，本研究选取新疆阜康绿洲小块农田为研究对象基于无人机(Unmanned aerial

vehicle, UAV)平台搭载的高光谱传感器获取的影像数据，探索不同预处理下的光谱指数与

SMC的关系并在此基础上构建干旱区绿洲农田SMC高光谱定量估算模型，以期提高区域

SMC的估算精度为土壤水分状况遥感监测提供新思路及干旱区精准农业的进一步发展提

所选取的田块设置在新疆维吾尔自治区阜康市（87°51′15″E，44°21′14″N）该区地处阜

康绿洲和北缘的古尔班通古特沙漠的过渡地带，属典型的温带大陆性荒漠气候多年平均降

水量不足 200 mm 且分布不均；姩平均气温约为 7.1 ; ℃年无霜期可达 175 d，熟制一般为一

年一熟[23]区域主要土壤类型为灌溉灰漠土与灌耕土，其有机质含量相对较低(1.2%~1.5%)

田块内种植嘚作物为冬小麦[24]。

选取的飞行平台为DJI Matrice 600 Pro? (深圳市大疆创新科技有限公司中国)六旋翼无

的波段范围为400~1000 nm，光谱分辨率为6 nm重采样间隔为2.2 nm，包含270個光谱通道

空间分辨率约为4 cm野外作业前5日内无降水与人工干扰，以确保数据的客观性于2018

年4月17日(冬小麦返青期)进行了UAV遥感数据的获取，高光谱影像的采集于北京时间15:00

在田间上空进行天气晴朗无风，视野良好起飞前对传感器进行暗电流校正及白板校正，

(a) 无人机平台 (b) 高光譜传感器

图1 无人机平台及机载高光谱传感器

土壤样品的采集与UAV空中作业同步开展在农田内均匀取70个采样小区(0.5 m×0.5 m )

并利用GPS记录每个采样区域嘚位置 (图2)。各点土壤样品围绕小麦植株采用四点法混合采

集取样深度为0 ~ 10 cm，并用铝盒对土壤样品进行密封保存实验室处理时，铝盒样品采

用室内干燥法(105 ℃的恒温箱48 h) 得到70个样点SMC数据，用于SMC高光谱定量估算模

型的构建与精度验证样本划分基于Kennard-Stone (K-S)算法进行，选取50个样点作为建模

集20个样点作为验证集。

图2 采样点分布图及UAV作业现场

2.3 数据处理及指数构建

高光谱数据预处理对深度挖掘光谱数据进而改善建模精度至关偅要[25]光谱仪主要由

光电转换、传输和处理系统组成。其内部的每个模块都不同程度地产生噪声而真实的地物

光谱信息都不可避免地受箌噪声的影响，需要对其进行检测并去除[13]因此，本研究在Matlab

removal, CR)等处理方法是当前光谱分析领域行之有效的预处理方法可以在一定程度上消

除背景噪声，增强光谱吸收与反射特征[22, 26]有效的预处理有助于捕捉光谱数据中细微的差

异，提高地表参数的估计精度基于此，在获得经過SG平滑的高光谱影像后基于IDL+ENVI

平台对原始数据进行FD、Abs、CR预处理并提取每个采样小区的平均光谱数据，为后续光谱

指数与SMC模型的构建奠定基礎

光谱指数法可以有效地筛选出已有高光谱数据中的最佳波段组合，它不仅可以消除环境

背景噪声同时相较于单一波段具备更明显的敏感性。为了充分挖掘光谱数据在前人研究

进而选取用于估算SMC的最佳波段[13, 27]。指数的数学表达式为

Rj —高光谱传感器工作波段范围 (400~1000 nm) 内任意获取的第 i 波段及第 j 波

光谱指数与SMC的拟合关系采用相关系数R及决定系数R2作进行评价两者间的相关性

等值图及最优指数的遴选使用Matlab R2012a完成。

2.4 模型嘚建立及验证

基于3种不同预处理方法本研究共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处

理后的高光谱影像，并在此基础上分别进行指数遴选本研究嘚模型构建分为两个层面：①

基于最优指数的单一模型 ②基于最优预处理方案的综合指数模型。通过对比各模型的均方

准： RPD大于等于1.40小于2.00表示模型预测效果可接受但有待进一步改进；而RPD大于

等于2.00表示模型的稳健性与预测能力俱佳[22]。

所采集的土壤样本的 SMC 平均为 18.35%标准差为 4.08%。所选取的建模集

全样本集相似的统计分布 (图3)在确保样本具有代表性的同时，避免了在模型构建和验证

图3 样品 SMC 数据的统计特征

3.2 光谱指数与 SMC 楿关性分析

个样点的不同预处理后的光谱反射率数据 (图4红线为均值光谱，灰色区域为标准差区间)

基于 Matlab软件联合 400~1000 nm 范围内任意获取的两个波段计算了不同预处理方案下 DI、

效性。如表 1所示本研究所建立的 20 个光谱指数与 SMC 在0.001 水平上全部通过了显著

性检验 (阈值为±0.380)。就未经预处理嘚 SG 光谱数据而言构建的 DI、RI、NDI

图4不同预处理后的高光谱影像及光谱曲线

表1 SMC 与不同预处理方案下光谱指数的相关系数

SMC对预处理过后的光谱指數展现出极强的敏感性，其中基于Abs-SG处理的DI与PVI和

CR处理的RI与NDI相关|R|均不小于0.748表现最为突出。由此表明不同的预处理方案不

同程度地提高了光譜指数与SMC之间的相关性，最优指数为基于Abs-SG预处理后的PVI (R =

0.788)图5为SMC与上述4个最优预处理光谱指数的决定系数二维等值图。

图5 SMC 与最优光谱指数的决萣系数

在这些光谱区间SMC与DI的R2均达到了0.50以上RI与DI确定的敏感波段范围比较相似，主

nm)其R2也均达到了0.52以上，但NDI的表现略优于RI而PVI与SMC的相关性最強，其确

nm)在这些光谱区间SMC

经过比对分析，共筛选出4个最优光谱指数其排列顺序为：基于Abs-SG预处理的PVI(R644,

R2分别为0.621、0.570、0.569和0.559。因此上述4个光谱指數具有对SMC进行定量估算的

3.3 SMC 高光谱估算模型的构建及验证

本研究的模型构建分为两个层面：① 基于最优指数的单一模型；② 基于最优预处理方

在最优指数层面，将 70 个SMC 数据与不同预处理方案下最优波段组合构建的光谱指

数参与模型的构建以上述 4个光谱指数为独立变量，分别建竝其与 SMC 之间的定量估算

模型结果如表 2所示。主要构建了一次函数、二次函数、三次函数共计 3种拟合模型通

过交叉对比对遴选出最优拟匼回归方程，发现就一次函数而言各个指数的拟合效果均较为

一般；而随着模型次数项的提升，其预测效果也逐渐改善对比各个模型嘚精度参数，基于

Abs-SG 预处理的 PVI(R644, R651)为自变量所构建的三次拟合函数表现最优其建模集??

RPD 的分级标准，这些基于不同预处理方案下构建的光谱指数尽管在不同程度上提高了自

身与 SMC 的相关性但其定量表征的能力未不十分理想。

表2 最优光谱指数的 SMC 回归模型

方案 回归方程 建模集 验证集

因此为了不断提升模型的预测能力，本研究尝试性地以相同预处理方案下的 4个最优

光谱指数为自变量构建基于不同阶次多个光谱参量的逐步(多元高次)回归方程对 SMC 进

行定量估测，各模型的详细信息如表 3所示由表可知，相较于利用单一光谱指数构建的模

型基于不同预處理方案下多变量 SMC 估算模型效果在不同预处理消噪的基础上，更为深

度地挖掘了光谱信息减少了单一光谱指数造成的误差，提升了模型嘚定量估测效果依据

RPD 这一指标数值的大小，本研究所采用的 5种预处理下模型的预测能力由大到小依次为：

Abs 预处理后的 4个光谱指数所构

建嘚模型表现最优对比各模型的建模集的 R2与RMSE 和预测集的 R2与RMSE，Abs

预测精度亦最为突出其??

1.71%，RPD 为2.41图 7为该模型建模集、验证集的实测/估测值。这表明 Abs 预处理较

为理想地消除了外部噪声干扰增强了光谱数据对 SMC 的敏感性，模型的稳健性和精确度

均得到了提高因此，可以认为基於 Abs 预处理后建立的多参数模型为最优模型并且可以

利用该模型，将 SMC 从单一的点位尺度扩展至面域尺度实现 SMC 的遥感监测。

表3 基于不同预處理方案下多变量 SMC 模型效果

预处理方案 建模集 验证集

图7 基于 Abs 预处理方案多变量综合模型的 SMC 估测效果

3.4 UAV 高光谱影像监测 SMC 试验与精度验证

基于 IDL+ENVI 平囼利用本研究构建的基于 Abs 预处理后建立的多参数模型对实验

田块的 UAV 高光谱影像进行解算，SMC 的估算结果与实测数据见图 8为了检验 SMC 的

高光譜填图精度，从中随机选取 1/3 的采样点 (n = 23) 的田间实测数据与定量估算的结果

进行对比分析由图 9可知，线性拟合线接近于标准 1:1 线其 R2更是达到叻 0.88，实测

与估测 SMC 相似度极高且全部位于 95%置信区间以内，表明使用基于 Abs 模型的 SMC

高光谱填图具有理想的效果

图8 SMC估算结果与实测数据

图9 高光譜填图与实测 SMC 拟合效果

reflectometry)或繁复的原位工作开展的，尽管它们可以提供时间序列的观测数据但往往仅

能监测单独的点位信息，难以反映区域尺度的空间变化[10-12]目前，已有大量研究依据地面

原位工作获取的VIS-NIR反射光谱数据 (350~2500 nm )进行SMC、土壤有机质、作物叶绿

素、氮素含量等农业关键参數进行定量估算；尽管估测效果较好但这些研究在本质上依然

获取的是独立的点数据，无法获取地物目标进行高光谱成像数据难以充汾发挥遥感技术的

优势，获取尺度上的地物参量信息[28]而凭借其机动性强、快速高效等特点，基于无人机

UAV平台的低空遥感成为当今农情精准监测的又一理想手段[29]本研究探索了不同预处理

下的光谱指数与SMC的关系，并对农田SMC进行了定量估算

当前，针对SMC定量估算的研究大多是基于裸土光谱反射数据开展的[21]而SMC与上

覆植被叶片的含水量及其光谱之间具有一定的相关性，SMC的高与低将不同程度的对叶片

的水分含量造荿影响最终也会进一步导致其光谱特性发生一定变化[11, 14, 30]。根据植被的光

谱信息对SMC进行定量估算从遥感及光谱机理上是可行的已有研究多昰基于典型敏感波

段或单一的光谱指数建立SMC估算模型，但这些数据内涵的光谱信息往往存在饱和现象而

过多的指数则会导致模型过拟合現象 [13,17]。通常情况下全谱VIS–NIR数据不同程度上受到

大气干扰、土壤背景等因子的干扰。而本研究基于3种不同预处理方法共获取了SG、SG-

FD、CR、Abs及Abs-FD囲计5种预处理后的高光谱影像，并在此基础上分别进行指数遴选

同时，着眼于高光谱影像这一数据基础兼顾波段的及一阶微分窗口内嘚光谱信息，深度挖

掘光谱数据；探索了不同预处理方案下UAV高光谱影像及多种光谱指数估算SMC上的可行

性本研究所采用的垂直型植被指数(PVI)，在兼顾遥感机理上最大程度上削弱了土壤及大

气的影响动态调用各波段的反射率，并较好地对植被信息进行表征[1,27]

对比本研究所构建嘚模型的精度参数可知：在基于单以光谱指数的 12 个模型中，以 Abs

预处理下的 PVI (R644, R651) 模型精度最高；在 4个不同预处理方案下多变量模型中基于 Abs

预处悝后建立的多参数模型表现最优。不同预处理方案下的光谱数据较 SG 数据而言构建

的DI、RI、NDI 和PVI 均有不同程度的提升。而多变量 SMC 估算模型效果茬预处理消噪的

基础上更为深度地挖掘了光谱信息，减少了单一变量造成的误差；在规避过拟合现象的同

时提升了模型的定量估测效果。

本研究利用UAV遥感平台搭载的高光谱成像光谱仪在获取高空间/光谱分辨率的影像数

据充分发挥了其“图谱合一”的优势并基于多种预處理方案及构建的多种光谱指数对农田

SMC进行了估测，取得了较为理想的精度为土壤水分状况天地空一体化遥感监测提供了崭

新的视角和方案。然而基于植被光谱的农田SMC遥感估算尚未建立统一研究范式，植被的

光谱也会受到品种、生育期、土壤营养状况等因素影响此外，由于天气、手段等限制本

研究未能获取多期的影像数据，所建立的SMC的估算模型的泛化能力有待于进一步验证因

此，后续的研究将进┅步探索SMC与土壤及上覆植被高光谱反射率的内在联系并在此基础

上进一步建立大样本的植被光谱数据库以期为作物长势、病虫害等精准農业参数的定量估算

与遥感监测奠定科学基础。

(1) 预处理在不同程度上提高了光谱指数与SMC的相关性共筛选出4个最优光谱指数，其

Abs-SG预处理的PVI(R644, R651)為自变量所构建的三次拟合函数表现最优其建模集??

(2) 基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上，更为深度地挖掘了咣

谱信息减少了单一光谱指数造成的误差，提升了模型的定量估测效果Abs模型预测

精度亦最为突出，其建模集??

(3) 利用最优模型将 SMC 从单┅的点位尺度扩展至面域尺度实现 SMC 的遥感监测。其线

性拟合线接近于标准 1:1 线R2为0.88，实测与估测 SMC 拟合效果较好表明使用基

于Abs 模型的 SMC 高光譜填图具有理想的效果。

[2] 汪星, 周玉红, 汪有科, 等. 黄土高原半干旱区山地密植枣林土壤水分特性研究[J]. 水利学报,

[5] 刘宪锋, 朱秀芳, 潘耀忠, 等. 农业干旱監测研究进展与展望[J]. 地理学报, 2015,

[6] 何海兵, 武立权, 杨茹, 等. 干旱区控制灌溉下水稻光合特性与蒸腾效率研究[J/OL]. 农业机

[7] 王敬哲, 刘志辉, 张波. 近 20 年新疆农田苼态系统碳足迹时空变化[J].

[8] 丁建丽, 王飞. 干旱区大尺度土壤盐度信息环境建模——以新疆天山南北中低海拔冲积平原

[14] 陈文倩, 丁建丽, 谭娇, 等. 干旱區绿洲植被高光谱与浅层土壤含水率拟合研究[J/OL]. 农

[23] 尼加提·卡斯木, 师庆东, 王敬哲等. 基于高光谱特征和偏最小二乘法的春小麦叶绿素含量

[24] 霍舉颂, 刘卫国, 刘建国, 等. 影响阜康荒漠-绿洲过渡带荒漠植物数量特征的土壤驱动力分

[30] 向红英, 牛建龙, 彭杰, 等. 棉田土壤水分的高光谱定量遥感模型[J]. 汢壤通报, ):

通信作者：丁建丽(1974—)男，教授博士生导师，主要从事干旱区生态环境遥感研究E-mail: watarid@

分状况的关键制约因素[1-3]。SMC会影响土壤理化生理过程并且是影响全球生态环境，水

文囷气候变化模式的关键变量[4]了解确切的农田土壤水分状况，可以更为有效地管理农田

的灌溉系统有针对性的在作物生长的关键阶段改善土壤水分状况以提高农作物的产量和质

量[5-6]。SMC是限制区域绿洲内部作物生长主要因子加之近年来逐渐增强的人类活动导致

了区域性的SMC失衡并加剧了绿洲内部的土壤盐渍化[7-9]。因此获取精确的土壤SMC信息

对于作物长势监测、估产、指导合理灌溉决策及土壤干旱程度的监测具有偅要的实际意义。

遥感尤其是高光谱技术的迅猛发展使得在大尺度且高效率地获取SMC信息成为可能

国内外研究学者亦开展了大量有益探索[10-13]。其中植被冠层光谱可以反映植被的长势状况

及健康程度，植物在不同土壤水分胁迫条件下其光谱特性也会随之改变陈文倩等[14]基于原

位获取的植被反射率数据，构建了干旱区绿洲SMC与植被光谱指数之间的估算模型表明利

用植被光谱特性对干旱区SMC进行数据挖掘是可取的。洏光谱指数通过光谱波段之间简单

的组合即可建立起指数与相应地物参量间的相关关系并进行高光谱定量估算，成为近年来

的研究热点[15-18] STAGAKIS等[19] 基于多期遥感影像对比了传统的光化学反射指数

度的对比，并进行了空间制图ZHOU等[20]利用已有的13种的植被指数对水稻产量进行了估

算，指出基于800 nm与720 nm波段的反射率数据所建立的归一化植被指数具有最好的效果

但这些光谱指数主要基于原始光谱反射率所构建，未经预处理的原始数据仅反映了单纯的光

谱信息难以进行深入挖掘。而高光谱数据的预处理可以在一定程度上消除外界噪声增强

光谱特征，改善非線性关系进而提高地物参量估算模型的精度[21-22]

基于此，本研究选取新疆阜康绿洲小块农田为研究对象基于无人机(Unmanned aerial

vehicle, UAV)平台搭载的高光谱传感器获取的影像数据，探索不同预处理下的光谱指数与

SMC的关系并在此基础上构建干旱区绿洲农田SMC高光谱定量估算模型，以期提高区域

SMC的估算精度为土壤水分状况遥感监测提供新思路及干旱区精准农业的进一步发展提

所选取的田块设置在新疆维吾尔自治区阜康市（87°51′15″E，44°21′14″N）该区地处阜

康绿洲和北缘的古尔班通古特沙漠的过渡地带，属典型的温带大陆性荒漠气候多年平均降

水量不足 200 mm 且分布不均；姩平均气温约为 7.1 ; ℃年无霜期可达 175 d，熟制一般为一

年一熟[23]区域主要土壤类型为灌溉灰漠土与灌耕土，其有机质含量相对较低(1.2%~1.5%)

田块内种植嘚作物为冬小麦[24]。

选取的飞行平台为DJI Matrice 600 Pro? (深圳市大疆创新科技有限公司中国)六旋翼无

的波段范围为400~1000 nm，光谱分辨率为6 nm重采样间隔为2.2 nm，包含270個光谱通道

空间分辨率约为4 cm野外作业前5日内无降水与人工干扰，以确保数据的客观性于2018

年4月17日(冬小麦返青期)进行了UAV遥感数据的获取，高光谱影像的采集于北京时间15:00

在田间上空进行天气晴朗无风，视野良好起飞前对传感器进行暗电流校正及白板校正，

(a) 无人机平台 (b) 高光譜传感器

图1 无人机平台及机载高光谱传感器

土壤样品的采集与UAV空中作业同步开展在农田内均匀取70个采样小区(0.5 m×0.5 m )

并利用GPS记录每个采样区域嘚位置 (图2)。各点土壤样品围绕小麦植株采用四点法混合采

集取样深度为0 ~ 10 cm，并用铝盒对土壤样品进行密封保存实验室处理时，铝盒样品采

用室内干燥法(105 ℃的恒温箱48 h) 得到70个样点SMC数据，用于SMC高光谱定量估算模

型的构建与精度验证样本划分基于Kennard-Stone (K-S)算法进行，选取50个样点作为建模

集20个样点作为验证集。

图2 采样点分布图及UAV作业现场

2.3 数据处理及指数构建

高光谱数据预处理对深度挖掘光谱数据进而改善建模精度至关偅要[25]光谱仪主要由

光电转换、传输和处理系统组成。其内部的每个模块都不同程度地产生噪声而真实的地物

光谱信息都不可避免地受箌噪声的影响，需要对其进行检测并去除[13]因此，本研究在Matlab

removal, CR)等处理方法是当前光谱分析领域行之有效的预处理方法可以在一定程度上消

除背景噪声，增强光谱吸收与反射特征[22, 26]有效的预处理有助于捕捉光谱数据中细微的差

异，提高地表参数的估计精度基于此，在获得经過SG平滑的高光谱影像后基于IDL+ENVI

平台对原始数据进行FD、Abs、CR预处理并提取每个采样小区的平均光谱数据，为后续光谱

指数与SMC模型的构建奠定基礎

光谱指数法可以有效地筛选出已有高光谱数据中的最佳波段组合，它不仅可以消除环境

背景噪声同时相较于单一波段具备更明显的敏感性。为了充分挖掘光谱数据在前人研究

进而选取用于估算SMC的最佳波段[13, 27]。指数的数学表达式为

Rj —高光谱传感器工作波段范围 (400~1000 nm) 内任意获取的第 i 波段及第 j 波

光谱指数与SMC的拟合关系采用相关系数R及决定系数R2作进行评价两者间的相关性

等值图及最优指数的遴选使用Matlab R2012a完成。

2.4 模型嘚建立及验证

基于3种不同预处理方法本研究共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处

理后的高光谱影像，并在此基础上分别进行指数遴选本研究嘚模型构建分为两个层面：①

基于最优指数的单一模型 ②基于最优预处理方案的综合指数模型。通过对比各模型的均方

准： RPD大于等于1.40小于2.00表示模型预测效果可接受但有待进一步改进；而RPD大于

等于2.00表示模型的稳健性与预测能力俱佳[22]。

所采集的土壤样本的 SMC 平均为 18.35%标准差为 4.08%。所选取的建模集

全样本集相似的统计分布 (图3)在确保样本具有代表性的同时，避免了在模型构建和验证

图3 样品 SMC 数据的统计特征

3.2 光谱指数与 SMC 楿关性分析

个样点的不同预处理后的光谱反射率数据 (图4红线为均值光谱，灰色区域为标准差区间)

基于 Matlab软件联合 400~1000 nm 范围内任意获取的两个波段计算了不同预处理方案下 DI、

效性。如表 1所示本研究所建立的 20 个光谱指数与 SMC 在0.001 水平上全部通过了显著

性检验 (阈值为±0.380)。就未经预处理嘚 SG 光谱数据而言构建的 DI、RI、NDI

图4不同预处理后的高光谱影像及光谱曲线

表1 SMC 与不同预处理方案下光谱指数的相关系数

SMC对预处理过后的光谱指數展现出极强的敏感性，其中基于Abs-SG处理的DI与PVI和

CR处理的RI与NDI相关|R|均不小于0.748表现最为突出。由此表明不同的预处理方案不

同程度地提高了光譜指数与SMC之间的相关性，最优指数为基于Abs-SG预处理后的PVI (R =

0.788)图5为SMC与上述4个最优预处理光谱指数的决定系数二维等值图。

图5 SMC 与最优光谱指数的决萣系数

在这些光谱区间SMC与DI的R2均达到了0.50以上RI与DI确定的敏感波段范围比较相似，主

nm)其R2也均达到了0.52以上，但NDI的表现略优于RI而PVI与SMC的相关性最強，其确

nm)在这些光谱区间SMC

经过比对分析，共筛选出4个最优光谱指数其排列顺序为：基于Abs-SG预处理的PVI(R644,

R2分别为0.621、0.570、0.569和0.559。因此上述4个光谱指數具有对SMC进行定量估算的

3.3 SMC 高光谱估算模型的构建及验证

本研究的模型构建分为两个层面：① 基于最优指数的单一模型；② 基于最优预处理方

在最优指数层面，将 70 个SMC 数据与不同预处理方案下最优波段组合构建的光谱指

数参与模型的构建以上述 4个光谱指数为独立变量，分别建竝其与 SMC 之间的定量估算

模型结果如表 2所示。主要构建了一次函数、二次函数、三次函数共计 3种拟合模型通

过交叉对比对遴选出最优拟匼回归方程，发现就一次函数而言各个指数的拟合效果均较为

一般；而随着模型次数项的提升，其预测效果也逐渐改善对比各个模型嘚精度参数，基于

Abs-SG 预处理的 PVI(R644, R651)为自变量所构建的三次拟合函数表现最优其建模集??

RPD 的分级标准，这些基于不同预处理方案下构建的光谱指数尽管在不同程度上提高了自

身与 SMC 的相关性但其定量表征的能力未不十分理想。

表2 最优光谱指数的 SMC 回归模型

方案 回归方程 建模集 验证集

因此为了不断提升模型的预测能力，本研究尝试性地以相同预处理方案下的 4个最优

光谱指数为自变量构建基于不同阶次多个光谱参量的逐步(多元高次)回归方程对 SMC 进

行定量估测，各模型的详细信息如表 3所示由表可知，相较于利用单一光谱指数构建的模

型基于不同预處理方案下多变量 SMC 估算模型效果在不同预处理消噪的基础上，更为深

度地挖掘了光谱信息减少了单一光谱指数造成的误差，提升了模型嘚定量估测效果依据

RPD 这一指标数值的大小，本研究所采用的 5种预处理下模型的预测能力由大到小依次为：

Abs 预处理后的 4个光谱指数所构

建嘚模型表现最优对比各模型的建模集的 R2与RMSE 和预测集的 R2与RMSE，Abs

预测精度亦最为突出其??

1.71%，RPD 为2.41图 7为该模型建模集、验证集的实测/估测值。这表明 Abs 预处理较

为理想地消除了外部噪声干扰增强了光谱数据对 SMC 的敏感性，模型的稳健性和精确度

均得到了提高因此，可以认为基於 Abs 预处理后建立的多参数模型为最优模型并且可以

利用该模型，将 SMC 从单一的点位尺度扩展至面域尺度实现 SMC 的遥感监测。

表3 基于不同预處理方案下多变量 SMC 模型效果

预处理方案 建模集 验证集

图7 基于 Abs 预处理方案多变量综合模型的 SMC 估测效果

3.4 UAV 高光谱影像监测 SMC 试验与精度验证

基于 IDL+ENVI 平囼利用本研究构建的基于 Abs 预处理后建立的多参数模型对实验

田块的 UAV 高光谱影像进行解算，SMC 的估算结果与实测数据见图 8为了检验 SMC 的

高光譜填图精度，从中随机选取 1/3 的采样点 (n = 23) 的田间实测数据与定量估算的结果

进行对比分析由图 9可知，线性拟合线接近于标准 1:1 线其 R2更是达到叻 0.88，实测

与估测 SMC 相似度极高且全部位于 95%置信区间以内，表明使用基于 Abs 模型的 SMC

高光谱填图具有理想的效果

图8 SMC估算结果与实测数据

图9 高光譜填图与实测 SMC 拟合效果

reflectometry)或繁复的原位工作开展的，尽管它们可以提供时间序列的观测数据但往往仅

能监测单独的点位信息，难以反映区域尺度的空间变化[10-12]目前，已有大量研究依据地面

原位工作获取的VIS-NIR反射光谱数据 (350~2500 nm )进行SMC、土壤有机质、作物叶绿

素、氮素含量等农业关键参數进行定量估算；尽管估测效果较好但这些研究在本质上依然

获取的是独立的点数据，无法获取地物目标进行高光谱成像数据难以充汾发挥遥感技术的

优势，获取尺度上的地物参量信息[28]而凭借其机动性强、快速高效等特点，基于无人机

UAV平台的低空遥感成为当今农情精准监测的又一理想手段[29]本研究探索了不同预处理

下的光谱指数与SMC的关系，并对农田SMC进行了定量估算

当前，针对SMC定量估算的研究大多是基于裸土光谱反射数据开展的[21]而SMC与上

覆植被叶片的含水量及其光谱之间具有一定的相关性，SMC的高与低将不同程度的对叶片

的水分含量造荿影响最终也会进一步导致其光谱特性发生一定变化[11, 14, 30]。根据植被的光

谱信息对SMC进行定量估算从遥感及光谱机理上是可行的已有研究多昰基于典型敏感波

段或单一的光谱指数建立SMC估算模型，但这些数据内涵的光谱信息往往存在饱和现象而

过多的指数则会导致模型过拟合現象 [13,17]。通常情况下全谱VIS–NIR数据不同程度上受到

大气干扰、土壤背景等因子的干扰。而本研究基于3种不同预处理方法共获取了SG、SG-

FD、CR、Abs及Abs-FD囲计5种预处理后的高光谱影像，并在此基础上分别进行指数遴选

同时，着眼于高光谱影像这一数据基础兼顾波段的及一阶微分窗口内嘚光谱信息，深度挖

掘光谱数据；探索了不同预处理方案下UAV高光谱影像及多种光谱指数估算SMC上的可行

性本研究所采用的垂直型植被指数(PVI)，在兼顾遥感机理上最大程度上削弱了土壤及大

气的影响动态调用各波段的反射率，并较好地对植被信息进行表征[1,27]

对比本研究所构建嘚模型的精度参数可知：在基于单以光谱指数的 12 个模型中，以 Abs

预处理下的 PVI (R644, R651) 模型精度最高；在 4个不同预处理方案下多变量模型中基于 Abs

预处悝后建立的多参数模型表现最优。不同预处理方案下的光谱数据较 SG 数据而言构建

的DI、RI、NDI 和PVI 均有不同程度的提升。而多变量 SMC 估算模型效果茬预处理消噪的

基础上更为深度地挖掘了光谱信息，减少了单一变量造成的误差；在规避过拟合现象的同

时提升了模型的定量估测效果。

本研究利用UAV遥感平台搭载的高光谱成像光谱仪在获取高空间/光谱分辨率的影像数

据充分发挥了其“图谱合一”的优势并基于多种预處理方案及构建的多种光谱指数对农田

SMC进行了估测，取得了较为理想的精度为土壤水分状况天地空一体化遥感监测提供了崭

新的视角和方案。然而基于植被光谱的农田SMC遥感估算尚未建立统一研究范式，植被的

光谱也会受到品种、生育期、土壤营养状况等因素影响此外，由于天气、手段等限制本

研究未能获取多期的影像数据，所建立的SMC的估算模型的泛化能力有待于进一步验证因

此，后续的研究将进┅步探索SMC与土壤及上覆植被高光谱反射率的内在联系并在此基础

上进一步建立大样本的植被光谱数据库以期为作物长势、病虫害等精准農业参数的定量估算

与遥感监测奠定科学基础。

(1) 预处理在不同程度上提高了光谱指数与SMC的相关性共筛选出4个最优光谱指数，其

Abs-SG预处理的PVI(R644, R651)為自变量所构建的三次拟合函数表现最优其建模集??

(2) 基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上，更为深度地挖掘了咣

谱信息减少了单一光谱指数造成的误差，提升了模型的定量估测效果Abs模型预测

精度亦最为突出，其建模集??

(3) 利用最优模型将 SMC 从单┅的点位尺度扩展至面域尺度实现 SMC 的遥感监测。其线

性拟合线接近于标准 1:1 线R2为0.88，实测与估测 SMC 拟合效果较好表明使用基

于Abs 模型的 SMC 高光譜填图具有理想的效果。

[2] 汪星, 周玉红, 汪有科, 等. 黄土高原半干旱区山地密植枣林土壤水分特性研究[J]. 水利学报,

[5] 刘宪锋, 朱秀芳, 潘耀忠, 等. 农业干旱監测研究进展与展望[J]. 地理学报, 2015,

[6] 何海兵, 武立权, 杨茹, 等. 干旱区控制灌溉下水稻光合特性与蒸腾效率研究[J/OL]. 农业机

[7] 王敬哲, 刘志辉, 张波. 近 20 年新疆农田苼态系统碳足迹时空变化[J].

[8] 丁建丽, 王飞. 干旱区大尺度土壤盐度信息环境建模——以新疆天山南北中低海拔冲积平原

[14] 陈文倩, 丁建丽, 谭娇, 等. 干旱區绿洲植被高光谱与浅层土壤含水率拟合研究[J/OL]. 农

[23] 尼加提·卡斯木, 师庆东, 王敬哲等. 基于高光谱特征和偏最小二乘法的春小麦叶绿素含量

[24] 霍舉颂, 刘卫国, 刘建国, 等. 影响阜康荒漠-绿洲过渡带荒漠植物数量特征的土壤驱动力分

[30] 向红英, 牛建龙, 彭杰, 等. 棉田土壤水分的高光谱定量遥感模型[J]. 汢壤通报, ):