基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型.pdf

第39卷第13期2023年7月农业工程学报Transactions of the Chinese Society of Agricultural EngineeringVol.39No.13July 2023131基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型刘浩12，杨锡震1，张蓓1，黄嘉亮1，赵笑3，吴雨箫1，向友珍1,流域水循环模拟与调控国家重点实验室，北京10 0 0 37)耿宏锁1，陈皓锐4，陈俊英1,2（1.西北农林科技大学水利与建筑工程学院，杨凌7 12 10 0；2.西北农林科技大学旱区农业水土工程教育部重点实验室，杨凌7 12 10 0；3.西北农林科技大学综合素质教育学院，杨凌7 12 10 0；4中国水利水电科学研究院摘要：为探讨分数阶微分（fractional-orderdifferentiation，FO D）技术联合光谱指数改善高光谱反演冬小麦根域土壤含水率（soilmoisture content，SM C）的效果，该研究以冬小麦为研究对象，测取高光谱反射率和土壤含水率数据，将高光谱反射率经Savitzky-Golay（SG）平滑处理后计算典型光谱指数以此构建偏最小二乘回归（partial least squaresregression，PLSR）、随机森林（random forest，RF）和BP神经网络（back propagation neural network，BPNN）3种土壤含水率反演模型；将高光谱反射率进行0 2.0 阶（步长为0.2）的分数阶微分处理后计算比值指数（ratioindex，RI）和归一化指数（normalizeddifference index，ND I），分析不同阶的RI、ND I 与SMC之间的二维相关性，筛选得出敏感光谱指数并分组，以此构建3种反演模型（PLSR、RF和BPNN）。结果表明：不同典型光谱指数与土壤含水率的相关性存在很大差异，相关系数波动范围在0.2 0.6 之间，基于典型光谱指数的土壤含水率反演模型效果最好的是PLSR模型，RF模型次之，BPNN模型最低；经分数阶微分处理后筛选的敏感光谱指数与SMC之间的相关性较高，相关系数在不同分数阶上呈阶梯状变化，敏感光谱指数与SMC的相关系数从0.7 6（0.2 1.0 阶）递减至0.6 5（1.6 2.0 阶）；最优SMC反演模型为FOD处理后的归一化敏感指数建立的RF模型，所建模型的决定系数为0.7 5，均方根误差为0.024g/g，相对分析误差为2.0 8。基于分数阶微分改进的光谱指数反演土壤含水率模型较典型光谱指数反演模型效果提升明显（决定系数提升136%），研究成果可为冬小麦根域土壤含水率高光谱监测提供了一种可靠途径。关键词：遥感；模型；分数阶微分；土壤含水率；冬小麦；光谱指数doi:10.11975/j.issn.1002-6819.202212068中图分类号：S15文献标志码：A刘浩，杨锡震，张蓓，等.基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型.农业工程学报，2 0 2 3，39(13):131-140.doi:10.11975/j.issn.1002-6819.202212068LIU Hao,YANG Xizhen,ZHANG Bei,et al.Estimation model of soil moisture content in root domain of winter wheat using afractional-order differential spectral indexJj.Transactions of the Chinese Society of Agricultural Engineering(Transactions ofthe CSAE),2023,39(13):131-140.(in Chinese with English abstract)http:/www.tcsae.org高维且明显存在光谱噪声的作物冠层高光谱数据中挖掘0引言出敏感波段仍存在一定难度8 。因此，尽可能少地损失在农业生产中，土壤含水率（soilmoisture content，光谱特征波段、较为彻底地去除光谱噪声是依据高光谱SMC）是影响作物生长发育的重要条件，也是指导灌数据建立土壤含水率监测模型过程中的关键步骤。溉的理论依据2 ，而监测作物根系所在位置的土壤含水目前，在高光谱数据的挖掘研究中，将光谱进行数率更有助于实现作物精准灌溉3。然而，土壤水分极易学微分变换和筛选敏感光谱指数成为探寻敏感波段的常受环境的影响4，并且传统的土壤含水率监测的方法由见方法。敏感光谱指数是通过光谱指数与对应的反演指于费时费力而难以满足精准农业管理对土壤含水率的监标经二维相关分析筛选确定9，既考虑了波长间的关系，测需求5。随着高光谱遥感技术在农业中的推广，及时又考虑反演指标与波长之间的相关关系，可减少无关波地无损监测土壤含水率逐渐成为可能。高光谱遥感技术长的影响10 。大量国内外研究表明，根据微分变换后以其可以提供丰富的光谱信息和大面积非接触监测等优的光谱信息构建的光谱指数可以有效克服人工观测主观势，在土壤含水率的监测研究中得到重视6-7 。然而，从性强、效率低的端。如GE等12 将光谱经一阶（firstdifferential，FD）和二阶微分（seconddifferential，SD）收稿日期：2 0 2 2-12-10 修订日期：2 0 2 3-0 6-0 2光谱变换后，筛选出敏感波段并构建了SMC最优监测模基金项目：国家自然科学基金项目（5197 92 32；52 17 90 44）型；刘爽等13 对光谱指数进行FD处理后建立敏感光谱作者简介：刘浩，研究方向为农业遥感研究与应用。指数，从而提升了模型定量估算叶片叶绿素的效果。上Email:通信作者：陈俊英，博士，教授，研究方向为遥感技术在水资源管理中的应用。Email:文章编号：10 0 2-6 8 19(2 0 2 3)-13-0 131-108 http:/www.tcsae.org述研究均体现了整数阶微分联合光谱指数可以有效探寻对反演指标敏感的波段，但可能会造成部分光谱信息丢doi:10.11975/j.issn.1002-6819.202212068132失，并引入大量噪声峰14。与整数阶导数相比，分数阶微分（fractional-order differentiation，FO D）能以更小的阶数间隔变化，细化光谱反射率信息，并有效避免引入噪声峰的问题，实现数据的深度挖掘15。如张俊华等16 利用FOD技术构建优化光谱指数，结果表明采用FOD技术可大幅提高土壤有机质含量反演模型的性能。这表明分数阶微分技术的优势在于挖掘了光谱中细微的信息，并且光谱保持了光谱原始的特征。此外，采用不同模型建立的土壤含水率反演精度存在差异，机器学习算法作为解决非线性问题的可靠方法，在反演土壤含水率方面有不错的效果，目前偏最小二乘回归（partial leastsquares regression，PLSR）模型是高光谱建模中最常用的数学模型，随机森林（randomforest，RF）和BP神经网络（back propagation neural network，BPNN）17 模型在高光谱反演中也有不错的表现。目前，FOD技术多应用在以土壤为观测目标反演土壤指标如土壤有机质及土壤含盐量等，而利用FOD技术协同光谱指数反演作物覆盖条件下的土壤含水率的研究仍鲜有报道。基于此，本研究以关中平原种植的冬小麦为研究对象，建立典型光谱指数的冬小麦SMC反演模型，并将光谱反射率经FOD处理后筛选敏感光谱指数构建出SMC最优变量子集，以此尽可能地挖掘光谱细节、较为彻底地去除噪声，同时对无信息变量进行有效去除，构建基于最优变量集的SMC监测模型，以期为精准无损地监测冬小麦根域土壤含水率及指导当地精准农业灌溉和农业生产提供科学支撑和参考。1材料与方法1.1研究地概况本试验于2 0 2 0 年10 月至2 0 2 2 年6 月在西北农林科技大学旱区农业水土工程教育部重点实验室节水灌溉试验站进行（10 8 2 4 E，342 0 N）。该地区是典型的半湿润易旱区，气候为暖温带季风半湿润气候。试验站海拔524.7m，多年平均气温12.9，年平均降雨量56 1.1mm，土壤质地为中壤土，田间持水率为2 6.0%（质量分数），凋萎系数为8.6%（质量分数），平均土壤干容积密度为1.44g/cm，0 30 c m 土层的土壤pH值为8.14，有机质含量为12.0 2 g/kg，全氮含量为0.8 9g/kg。1.2试验设计试验设置了4个灌溉水平，分别为充分灌溉（T1）、轻度水分胁迫（T2）、中度水分胁迫（T3）、严重水分胁迫（T4），土壤含水率分别控制在田间持水量的40%50%、50%6 5%、6 5%8 0%以及 8 0%10 0%。试验地块的布局完全随机。每个灌溉水平有3个重复，总共12 个地块，地块大小为4m4m，行距为0.2 5m，种植密度为10 0 万株/ha?。灌溉采用滴灌方式进行，滴灌器流速为1.2 L/h，间距为0.1m。播种前施氮肥和磷肥（分别为2 40 kg/hm）作为基肥。冬小麦品种为小偃2 2 号。1.3数据采集和处理光谱采集仪器为美国ASD公司生产的Fieldspec-3高农业工程学报（http:/www.tcsae.org）2023年光谱仪。测定时间选在11：0 0 一13：0 0，测定选择天气晴朗无风、视野良好的天气状况，以尽量减少太阳角度和树冠阴影的变化。光谱仪的采集范围为350 2 50 0 nm，光谱采样间隔为1nm。测量时光谱仪探头距冬小麦冠层约15cm，始终与地面保持90，视场角为2 5。光谱测定前，采用反射率为1的漫反射参考板对仪器进行校正，工作过程中每5min优化1次，且每隔5min采集1次暗电流对仪器优化。每个小区以五点梅花状采样方式对土壤样点周边小麦进行测量，取其平均值作为监测点最终光谱值。本研究分别于2 0 2 1年1月9 日、2 月2 日、3月13日、3月2 3日、4月13日、4月30 日和2 0 2 2 年1月12 日、2月2 6 日、3月2 8 日、4月3日、4月11日、5月11日测取土壤含水率数据，每次试验土壤含水率数据收集日期与高光谱反射率数据测量日期相同，每次试验12 个数据样本，试验阶段内共获得了144个数据样本。为保证建模样本和验证样本范围一致且分布均匀。样品集的划分采用了梯度划分的方式，根据冬小麦土壤样本中体积含水率的数值大小，将样本进行排序，根据排序的顺序，随机选用2/3的样本用于建模，剩下1/3的样本用于验证。在本研究中，建模集选用样本数为96 个，验证集选用样本数为48 个，各数据集之间的样本分布基本一致。1.4光谱数据的处理和转化本试验中的144个样品通过ViewSpecPro软件获得原始光谱，光谱波段为350 2 50 0 nm。由图1a的原始光谱全波段图看出在1350 1450、18 0 0 2 0 50、2 30 0 2500nm波段范围内出现水汽吸收峰，噪声明显较大，不适用于建模18 。因此对光谱进行删选，结果如图1b所示。对光谱数据进行一定的处理可以一定程度上消除测试环境和其他干扰因素的影响，提高数据的信噪比。本文对光谱数据进行SG平滑预处理之后进行了分数阶微分（FOD）处理。1.0880.205001000150020002.500波长Wavelength/nma.全波段光谱a.All-band spectrum图1原始及去除水汽带的光谱反射率曲线Fig.1 Spectral reflectance curves of original and removed watervapor belts1.4.1Savitzky-Golay（SG）平滑处理采用SG平滑处理可以在一定程度上提高降低噪音的干扰，提高光谱曲线的平滑性19。本研究中SG平滑处理在 The Unscrambler X 10.4 中实现。1.4.2分数阶微分处理根据本研究的适应性选择了分数阶微分的Grinwald-88881.00.205001000150020002500波长Wavelength/nmb.去除水汽带光谱b.Remove vapor band spectrum第13期Letnikov（G-L）定义。利用式（1）在MATLABR2016b对光谱数据进行处理，在0 2 阶区间内进行了10 次分数阶变换，步长为0.2。df()f(a)+(-v)f(a-1)+dv+I(-v+1)n!(-v+n+1)式中入为自变量，u为阶数，为Gamma函数2 0 ，n为微分上下限差。当u=0.0时则表示原始光谱，U=1.0时表示一阶微分，U=2.0时表示二阶微分。分数阶微分处理在MatlabR2016a中编写代码实现。1.5光谱指数1.5.1典型光谱指数已有研究表明2 1-2 6 ，表1中各指数与植被覆盖下的土壤含水率有着较强的相关性。通过反射率计算的典型光谱指数的具体计算式见表1。表1土壤含水率的代表性典型光谱指数Table 1 Representative typical spectral index ofsoil moisture(SMC)光谱指数Spectral indices红边归一化率Red-edge normalizedratio(NRred edge)水分指数Waterindex（W I)归一化差水指数Normalizeddifferencewater index(NDWI)归一化差分指数Normalizeddifferenceinfrared index(NDII)简单比率水指数Simple ratiowater index(SRWI)水分胁迫指数Moisture stressindex(MSI)近红外波段光谱比值指数Spectral Ratio Index inthe NIR shoulder region(NSRI)优化土壤调节光谱指数Optimized soil-adjustedvegetation index(OSAVI)深水指数Depth water index(DWI)注：R为下标数值波长下的反射率。Note:R is reflectance at wavelength with subscript value.1.5.2分数阶微分光谱指数基于经分数阶微分处理后的光谱数据，构建比值指数2 7 （Ratio index,RI）、归一化指数2 8 （Normalizeddifference index,NDI)，其计算式分别为(2)R,R;-R;INDI=R;+R;式中R,和R,代表i和j波长位置的原始光谱反射率，计j。1.6机器学习建模本研究使用PLSR、RF、BPNN这3种模型来建立刘浩等：基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型(-v)(-V+1)f(-2)+2f(a-n)计算式Formula(R750-R710)/(R750-R710)Roo/R970(R860-R1 240)/(R860-R1 240)(Rg50-R1650)/(Rg50+R1650)Rs60/R1 640R 60/Rs19Rs9o/R780(1+0.16)(Rsoo-R670o)/(Rgoo+R67o+0.16)2.044R1 080-0.044Rs5o-R97o-R1 200)R;IRI=133高光谱遥感反演冬小麦根域土壤含水率模型2 9。通过TheUnscramblerX10.4软件实现PLSR算法，通过MatlabR2016a软件来实现RF和BPNN模型算法。根据模型的最优反演结果，PLSR模型采用的主因子数为均为6；RF模型所取的决策树数目和最小叶子数均为10 0和30，迭代次数为2 0 0 0 次；BPNN模型所采用的隐藏层神经元个数为5个，迭代次数为8 0 0 0 次。(1)1.7模型评价指标模型对比分析利用以下指标：建模集、验证集决定系数（coefficient of determination，R）、均方根误差（r o o t m e a n s q u a r e e r r o r，RM SE）、相对分析误差(relative percentage diff erence，RPD)。R用来判定模型的稳定程度，越接近1说明模型的稳定性越好；RMSE用于表征模型的准确性，其值越小，表明模型的精度越高30 ；RPD越大表明模型的预测能力越好，反演精度越高。其中RPD一般被分为6 个等级当RPD2.5和2.0 RPD2.5时，分别表明模型有极好和很好的预测能力；当1.8 RPD2.0时，表明模型具有定量预测能力；当1.4RPD1.8时，表明模型具有一般的定量预测能力；1.0 RPD1.4时，表明模型只有区别高低值的能力；RPD1.0时表明模型没有预测能力31。2结果与分析2.1典型光谱指数相关性分析将原始反射率数据分别经SG平滑处理后建立典型光谱指数，并分析典型光谱指数与土壤含水率的相关性，由分析结果可知，各典型光谱指数与土壤含水率之间的相关性差异较大。其中OSARI、NSRI、ND V I、W I 等光谱指数与土壤含水率显著相关（P 1.6 2.0 阶时已经趋近于一条J=O的直线。光谱曲线上的峰谷，在低阶时随着微分阶0.32R.2-0.55RMSE2=0.027 ggg0.280.24农业工程学报（http:/www.tcsae.org）建模集Setofmodeling验证集Setofverification0.321:1线1:1 line2023年数的增加逐渐明显，且愈发尖锐，光谱的基线漂移基本已经被消除，表明分数阶微分可以显著突出光谱的曲线特征，帮助凸显对土壤含水率响应敏感的特征波长区间。0.321:1线R,2-0.59RMSE,2=0.033 g:g0.280.241:1线1:1 lineR2-0.420.28 RRMSE,2=0.026 g:gl0.24FA1:1 lineR,2=0.350.200.160.12注：R？、R2 分别为建模集、验证集决定系数；RMSE。、RM SE，分别为建模集、验证集均方根误差。下同。Noeare thedeminatncffcient ofmodeling set andvrficationse,rectivelyRMSE,RMSEaretheroot man quareeorofthemodeling set adverification set,respectively.Same below.与SMC相关系数最高的是RI值为0.6 阶，相关系数为00.77，波长组合为8 17 和7 37 nm。由图4可知，敏感光0.40.20.40.60.30.81.01.20.21.41.61.80.12.00500图3均值FOD光谱曲线图Fig.3 Mean FOD(fractional-order differentiation)spectral graph2.4土壤含水率与不同阶数RI、ND I 相关性分析光谱指数可以将反射率通过比值、差值、线性组合等多种组合来增强或揭示隐含的植物信息。由典型光谱指数与土壤含水率的相关性分析可知，与SMC相关性较好的光谱指数多为光谱反射率经比值、归一化计算得到的指数。因此为了精准地提取出土壤含水率与光谱指数相关性最高的波长组合，本研究选取了RI和NDI两种光谱指数，在删选后的波长范围内，分别将不同阶数的反射率的所有波长两两组合计算RI和NDI两种光谱指数，再利用相关矩阵法分别对不同阶数的RI、ND I 和土壤含水率间关系进行相关性分析，并绘制相关性矩阵图，如图4所示。以最大相关系数所在i和j波长位置作为最优的波长组合。由图4提取2 0 个敏感光谱指数与土壤含水率的相关系数最大值均高于0.6 3，均高于典型光谱指数中相关性表现最好的NSRI，其中与SMC相关系数最高的NDI值为0.2 阶，相关系数为0.7 6，波长组合为8 16 和7 52 nm；0.20R,=0.550.16RMSE,2-0.039 g:glRPD=1.640.160.200.240.280.32实测值Measurevalues/(gg)a.PLSRFig.2 Scatter diagram of SMC inversion by typical spectral index inversion model0.5阶数Order1000150002.0002.500波长Wavelength/nm0.20R,2=0.470.16RMSE,2-0.037 g:glRPD=1.0110.120.160.200.240.280.32实测值Measurevalues/(gg)b.RF图2 典型光谱指数反演模型反演SMC的散点图谱指数与SMC的相关系数变化大致呈阶梯状变化，敏感RI和NDI与SMC的相关性在各阶表现基本接近，在0.21.0 阶敏感光谱指数与SMC的相关系数稳定于0.7 7附近，而在1.2 阶开始相关系数开始逐步降低并在1.6 阶稳定在0.6 5附近。2.5改进光谱指数与波长组合的提取图5a、5b 分别表示各阶RI和NDI与SMC相关系数最大时的波长位置，由图可知，8 个指数（0.2、0.4、0.6、0.8 阶RI和NDI）优选出的波长组合均在8 15和750nm附近，7 个指数（1.4阶RI、1.6、1.8、2.0 阶RI和NDI）优选出来的波长组合均在7 0 0 和6 0 0 nm附近，而1.0、1.2 阶处的敏感光谱指数的波长组合较为混乱，这可能是由于光谱反射率曲线经1.0、1.2 阶分数阶微分处理后曲线特征开始变弱所导致。根据上述研究提取出的2 0 组最优波长组合，将其分别代入对应的光谱指数计算式中进行计算，得到对应改进光谱指数值，再建立基于改进光谱指数的冬小麦根域土壤含水率反演模型。本研究为了对比基于不同改进光谱指数组合的建模效果，将2 0 个最优光谱指数划分为3组作为模型输入变量：第一组变量为由比值指数（RI）计算的10 个改进光谱指数，分别为0.2 2.0 阶（步长0.2），称为组合1；第二组变量为由归一化指数（NDI）计算的10 个改进光谱指数，分别为0.2 2.0 阶，称为组合2；第三组变量为所有敏感光谱指数中与SMC的相关系数由高到低排序的前10 位，分别为0.2 1.0 阶（步长0.2）的RI和0.21.0 阶（步长0.2）的NDI，称为组合3。RMSE,2=0.032 gglRPD-1.3710.120.160.200.24 0.28 0.32实测值Measurevalues/gg)C.BPNN第13期2.5002.07016402107803502.50020701.640121078035025002.07064012107803502500207064012107803502.5002.07016401210780350600r-波长iBandi400-s-波长j Bandj2001000800600分数阶数Fractionalordera.RI图5不同阶敏感光谱指数RI、ND I 与SMC相关性最大时的波长位置Fig.5 Wavelength position of different order sensitive spectralindices RI,NDI and SMC with the greatest correlation刘浩等：基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型25002.5002.0702.07016406401210210780780780121016402 0702500350波长Wavelength/nm0.2阶 0.2 order7801210164020702500波长Wavelength/nm0.6阶 0.6 order7801210164020702500波长Wavelength/nm1.0阶1.0 order7801210 1640 2 070 2.500波长Wavelength/nm1.4阶1.4 order7801210164020702500波长Wavelength/nm1.8阶1.8 order1352.5002.07016401210780780121016402 070 2.500350波长Wavelength/nm0.4阶 0.4 order2.5002.070640121078035025002.070164012107803502.5002.070164012107803502.5002.07016401210780350a.RI与SMC图4不同阶数光谱指数与土壤含水率的相关矩阵Fig.4Correlation matrix of spectral indices of different orders and soil moisture content6001400200000800600分数阶数Fractionalorderb.NDI7801 2101 640 2 070 2.500波长Wavelength/nm0.2阶0.2 order2.500207064012107807801210164020702500350波长Wavelength/nm0.8阶 0.8 order780121016402 0702500波长Wavelength/nm1.2阶1.2 order780121016402 0702500波长Wavelength/nm1.6阶 1.6 order7801210164020702500波长Wavelength/nm2.0阶2.0 order相关性水平Correlationlevel-0.80-0.48八-波长iBandi.-波长jBandj二3502.5002.07064012107807801210164020702500350波长Wavelength/nm0.6阶0.6 order25002.070640121078035025002.07064012107803502.5002.0706401210780350-0.160.162.6基于FOD的改进光谱指数的土壤含水率反演模型不同输入变量和建模方法组合的冬小麦土壤含水率反演模型及验证集预测结果分别如图6 所示。由图6 可以看出以3组改进光谱指数为自变量结合3种机器学习模型反演土壤含水率的精度均高于典型光谱指数的反演模型，研究结果说明分数阶微分结合敏感光谱指数的建模决策改进了光谱指数的反演土壤含水率的精度。其中3种自变量组合建立同一模型的精度相差不大，但3个自变量组合的RF模型精度都优于较PLSR和BPNN，说明同一自变量组合所建不同模型精度存在较大差异。由图6 可以看出RF模型所得的预测值较PLSR和BPNN更加接近于实测值。3个自变量组合建立的RF模型的建780121016402 070 2500波长Wavelength/nm0.4阶 0.4 order7801 2101640 2 0702500波长Wavelength/nm0.8阶0.8 order2.5002.07064012107807801210164020702.500350波长Wavelength/nm1.0阶1.0 order780121016402.0702500波长Wavelength/nm1.4阶1.4.order7801210164020702500波长Wavelength/nm1.8阶1.8 order0.480.807801 210 1 640 2 070 2500波长Wavelength/nm1.2阶 1.2 order2.5002.07064012107803502.5002.07016401210780350b.NDI与SMC780121016402 0702500波长Wavelength/nm1.6阶1.6 order7801210164020702500波长Wavelength/nm2.0阶2.0 order136模集和验证集的决定系数均高于0.7 1。其中精度最高的是组合2-RF，其建模集和验证集的决定系均达到0.7 5，均方根误差分别为0.0 2 1和0.0 2 4g/g，表明模型具有最0.32R,=0.65RMSE.2=0.025 gg0.280.240.200.160.120.32RMSE,2=0.025 g:grl0.281:1线1:1 line40.24农业工程学报（http:/www.tcsae.org）建模集Set of modeling验证集Set of verification1:1线0.32R.2-0.721:1lineRMSE,2=-0.022 g:g-1 1:1 line,0.280.240.203R,=0.570.16RMSE,2=0.018 gglRPD=1.780.160.200.240.280.32实测值Measurevalues/(ggl)a.组合1-偏最小二乘法a.Combinationl-PLSRR,2=0.632023年好的定量反演能力。而组合1和组合3变量建模集和验证集的决定系数最高分别可以达到0.7 1（组合1-RF）、0.73（组合3-RF），也具有较高的反演精度。0.40F1:1线RMSE.2=0.044 g:g0.320.24R,2=0.71RMSE,=0.024 g:gRPD-1.7910.120.160.200.240.280.32实测值Measurevalues/(gg-l)b.组合1-随机森林b.Combinationl-RF0.32R,2-0.75RMSE,2-0.021g:g1:1 line0.280.24R.2-0.640.160.16实测值Measurevalues/(g?g-)c.组合1-BP神经网络c.Combinationl-BPNN0.321:1线RMSE2=0.025ggl1:1line0.280.24上1:1线1:1 lineR,2=0.64RMSE,=0.054 g:g-1ARPD-2.010.240.32R.2-0.631:1线0.400.200.160.120.32RMSE,-0.026 gg 1ime0.240.200.160.123 讨 论光谱技术在快速有效监测土壤属性方面具有较大优势，其中高光谱以光谱信息丰富、波段连续性强而常用于监测土壤含水率32 ，但同时存在数据允余、共线性强等特点导致反演模型适用性较差。而光谱指数能够充分利用高光谱丰富的信息，减少其他土壤信息对土壤含水率的影响，去除?余信息，降低模型的复杂性。如REN等2 3 利用光谱指数和红边参数对冬小麦的SMC进行了反演，结果表明基于优化的NSRI与SMC有较高的相关性，决定系数R2达到0.52（P 0.7 1.1m）,这两个波段反射率随着叶冠结构、植物覆盖度而变化。而SMC与上覆植被叶片的含水率之间具有一定的相关性，SMC的高与低将不同程度对叶片结构造成影响33。本文将光谱数据经分数阶微分处理后筛选的敏感光谱指数的波长组合多R,2=0.630.16RMSE,2-0.026 g:glRPD=1.700.120.160.200.240.280.32实测值Measurevalues/(g?gl)f.组合2-BP神经网络f.Combination2-BPNN0.321:1线RMSE=0.026g:gl1:1 line0.280.240.20R,2-0.73RMSE,2=-0.025 g:glRPD=1.760.160.200.240.280.32R,2=0.620.16RMSE,2-0.026 g:glRPD=1.680.120.160.200.240.28实测值Measurevalues/(g:g)i.组合3-BP神经网络i.Combination3-BPNN1:1线R,2=0.700.32第13期在8 15和7 0 0、7 0 0 和6 0 0 nm附近，由此表明本文筛选的敏感光谱指数的波段组合可以用于冬小麦根域SMC的反演。光谱反射率在经微分变换后，能提供较原始光谱精度更高的分辨率和更清晰的光谱轮廓并增强反射率与土壤属性间的相关性!，王瑾杰等34 将光谱进行FOD处理后发现低阶FOD处理后的光谱与SMC的相关系数较高，在0.4阶处理时相关系数达到0.7 6 8，低阶FOD的相关系数整体上优于高阶FOD，本研究结果与上述研究结果近似相同。本研究发现，当分数阶在低阶增加时，光谱曲线的重叠峰和基线漂移现象逐渐消除，导致敏感光谱指数与SMC的相关性有略微提升，但随着分数阶增加到高阶（1.2）附近时，由于光谱强度的幅度的下降，相关系数出现显著下滑。本研究以0.2 阶为间隔对冬小麦冠层反射率进行FOD处理，筛选各阶敏感波长组合，并分组建模，模型的决定系数最高可以达到0.7 5，较典型土壤含水率光谱指数建立的反演模型精度提升较多（R2 提升136%）。说明光谱数据经分数阶微分处理后可以改进光谱指数与土壤含水率的相关性，为获取高相关性敏感指数提供了更大可能，有助于提高冬小麦根域SMC监测模型的精度。将机器学习回归模型应用在监测土壤含水率上具有显著优势，然而不同机器学习模型会显著影响监测模型的反演精度35。在本研究中，以各组改进光谱指数为自变量建立的RF反演模型具有最佳的准确性，研究分析这可能是因为RF是一种具有集成思维的机器学习方法，具有很强的自学能力，对光谱反射率中的噪声和异常值有较强的耐受性，并且不容易出现过拟合等问题36 。而PLSR和BPNN模型的监测精度较低，这可能是由于样本相对较少导致泛化能力较低所致37 。综上，RF可作为监测冬小麦SMC的首选方法。在未来的农业生产中，可以考虑将高光谱遥感作为监测土壤含水率的主要手段之一，从而提升获取土壤水分信息的效率，以更省时省力的方法获取作物根系土壤含水率数据，从而指导农田制定精准灌溉策略。目前，基于分数阶微分协同光谱指数建立土壤含水率的反演模型研究中仍有一些问题有待解决，如不同区域、相同区域不同作物，甚至相同区域相同作物但不同时期的冠层反射率进行分数阶转化时与SMC的相关系数变化及模型反演精度可能有所不同。此外，今后的研究还将考虑土壤属性中盐分、pH值、养分和有机质等因素对通过冠层光谱反演土壤含水率的影响。4结 论1）分析现有典型光谱指数与冬小麦根域SMC的相关性发现，NSRI与土壤含水率相关性较好，建立的PLSR模型反演SMC精度最高。2）光谱曲线在0.2 1.0 阶能在基本保持曲线形状的刘浩等：基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型(in Chinese with English abstract)5郭交，刘健，宁纪锋，等.基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证J.农业工程学报，2 0 1935(14):71-78.GUO Jiao,LIU Jian,Ning Jifeng,et al.Construction andvalidation of soil moisture retrieval model in farmland based137基础上增加波峰波谷特征，而在1.6 阶之后接近y=0的直线。基于分数阶微分改进后的RI和NDI与土壤含水率的相关性较典型光谱指数有明显提升，并在0.2 2.0阶上呈阶梯状变化，低阶分数阶微分（0.2 1.0 阶）相较于高阶分数阶微分（1.2 2.0 阶）相关性更好。敏感光谱指数采用的反射率波段主要集中在6 0 0 8 15nm。3）基于改进光谱指数的土壤含水率反演模型中表现较好是RF模型，其中以分数阶微分联合归一化敏感光谱指数为自变量的RF模型具有最佳反演精度，可为反演冬小麦根域土壤含水率提供依据。参考文献1 HASSAN-ESFAHANI L,TORRES-RUA A,JENSEN A,et al.Assessment of surface soil moisture using high-resolutionmultispectral imagery and artificial neural networksJ.