高光谱成像与探地雷达深度融合的玉米田土壤水分精准测绘方法研究

本研究针对传统土壤水分监测方法在深度和精度上的局限性，创新性地将无人机载高光谱成像（400-1100 nm）与探地雷达（GPR）技术相结合，通过1D-CNN特征提取和ANN/XGBoost建模，实现了玉米田10 cm（RMSE=1.7%，R2=0.82）和30 cm（RMSE=2.9%，R2=0.79）深度土壤水分的精准预测，为智慧农业灌溉优化提供了多尺度监测新范式。

　　

土壤水分动态监测是农业可持续发展的核心挑战。传统方法如原位采样和重力测量虽准确但效率低下，而单一遥感技术存在深度穿透不足或表面监测局限。尤其玉米等密植作物生长期间，根系区水分（10-30 cm）的精准监测对优化灌溉至关重要。针对这一难题，Virginia Tech Tidewater Agricultural Research Extension Center的Milad Vahidi团队在《Agricultural Water Management》发表研究，开创性地将无人机载高光谱传感器（400-1100 nm）与500 MHz空载探地雷达（GPR）数据融合，通过深度学习框架实现了玉米田多深度土壤水分的精准反演。

研究采用时间序列观测策略，在2023年春夏期间对52个灌溉与非灌溉玉米田样区进行7次同步无人机飞行，采集高光谱影像与GPR信号数据。关键技术包括：1）基于1D-CNN的GPR信号振幅与光谱特征自动提取；2）递归特征消除（RFE）优化特征组合；3）ANN与XGBoost对比建模；4）SHAP值解析特征贡献。田间验证采用PR2剖面传感器获取10 cm/30 cm深度实测数据。

研究结果显示，在10 cm深度，融合模型（1DCNN-ANN）表现最优（R²=0.82，RMSE=1.7%），较单一GPR或高光谱数据精度提升15%以上。30 cm深度预测中，尽管GPR信号衰减导致单独使用时精度下降（R²=0.61），但结合高光谱冠层特征后，ANN模型仍保持R²=0.79的稳定性能。泰勒图分析表明，数据融合使灌溉区预测一致性（Lin's CCC）从0.84提升至0.90。

变量重要性分析揭示深度依赖性特征规律：10 cm层以GPR时域特征（如振幅衰减率）为主导，而30 cm层则依赖高光谱衍生的植被指数（如红边波段比值）。二维散点图显示，GPR特征在低含水量样本（<10%）中呈强非线性响应，而高光谱特征通过冠层-水分胁迫关联有效补偿深层信号缺失。

讨论部分指出，该研究首次实现无人机GPR-高光谱的农田多尺度水分协同反演，其创新性体现在三方面：1）建立1D-CNN驱动的跨模态特征融合架构，突破传统线性融合局限；2）发现冠层光谱对30 cm根系区水分的指示作用，证实植被生理信号可弥补GPR深层探测不足；3）开发适用于沙质土壤的轻量化无人机监测方案。尽管在黏土环境适应性、作物品种普适性方面存在局限，但研究为无人机农情监测提供了可扩展的技术框架，相关成果已延伸至大豆和小麦田的验证试验。

这项研究的意义在于，通过多源传感器与深度学习的有机结合，实现了从"表面感知"到"根系透视"的技术跨越，为应对全球气候变化下的农业水资源精细管理提供了新工具。未来集成热红外（TIR）数据和低频GPR系统，有望进一步突破深层土壤水分监测的精度瓶颈。