《Agricultural Water Management》:Enhanced soil moisture estimation: A hybrid framework integrating UAV hyperspectral data and dielectric models
编辑推荐:
增强的土壤水分含量估算:一种整合无人机高光谱数据与介电模型的混合框架
土壤水分含量(SMC)调控着水的可利用性、水文过程、农业生产及生态系统功能。准确的SMC信息对于评估土壤水动态和支持田间水分管理至关重要。然而,由于土壤性质、地表条件、植被、地形和管理实践的
增强的土壤水分含量估算:一种整合无人机高光谱数据与介电模型的混合框架
土壤水分含量(SMC)调控着水的可利用性、水文过程、农业生产及生态系统功能。准确的SMC信息对于评估土壤水动态和支持田间水分管理至关重要。然而,由于土壤性质、地表条件、植被、地形和管理实践的差异,土壤水分在空间上变化显著。这种空间异质性对传统经验模型和纯数据驱动方法构成了重大挑战,当这些方法被迁移到校准数据所代表的条件之外时,其性能可能会下降。
当前的SMC监测方法包括常规田间测量和非破坏性传感技术。重量法取样、张力计、电阻传感器和中子探针能在特定地点提供可靠观测,但这些方法通常空间覆盖有限,且可能需要大量劳动力和采样时间。介电传感方法,特别是时域反射法和频域反射法,提供了快速且非破坏性的土壤水分状态测量。土壤介电常数(SDC)与SMC密切相关,因为水的相对介电常数远高于土壤矿物和空气。然而,测量的介电响应也可能受到土壤质地、容重、有机质、孔隙结构、盐度、温度及仪器特性的影响。SDC和光学反射率代表了土壤水分不同的电磁响应,它们对水分的共同敏感性为整合介电测量与高光谱观测提供了潜在基础。
已有大量介电模型被开发用于从介电测量中估算SMC,这些模型通常可分为经验型、半经验型和基于物理的公式。经验模型直接描述从观测中推导出的关系,而半经验和基于物理的模型则额外包含了土壤组成和介电行为的表征。代表性的基于物理的公式包括Dobson模型、Wang Schmugge模型、广义折射混合介电模型及其修正版。尽管有其物理基础,介电模型仍然对土壤质地、结构、密度、有机质和矿物组成敏感。因此,对于红壤而言,本地校准尤为重要,因为其黏粒含量和矿物学特征可能与用于建立通用介电关系的土壤不同。
无人机(UAV)遥感提供了土壤表面反射率的空间详细观测,并为表征田间尺度SMC变异性提供了一种高效途径。将UAV影像与地面观测相结合已在SMC估算方面取得了有前景的结果。高光谱影像因其窄且连续的波段能够捕捉与水分相关的整体反射率变化和水敏感吸收区域而特别有价值。然而,UAV观测会受到辐射定标、光照、飞行高度、采集时间、土壤粗糙度、阴影及地表植被的影响,这些因素会改变测量的反射率,削弱仅由光谱观测推导的关系的可迁移性。
机器学习方法能够表示高维遥感预测因子之间的复杂非线性关系,因此已被广泛应用于SMC估算。然而,大多数高光谱反演模型主要是根据反射率与实测SMC之间的统计关联建立的,很少融入与土壤水分相关的物理信息。这样开发的模型可能达到较高的拟合精度,但仍对样本组成、空间依赖性以及与训练数据不同的环境条件敏感。因此,严格的评估需要采用空间分离的验证并与常规基线进行比较。介电信息既可以作为数据驱动模型中的直接预测因子,也可以作为对高光谱预测的外部物理约束。比较这两种策略可以阐明精度的提升是源于SDC的直接预测能力,还是源于介电关系施加的物理调控。
在本研究中,田间测量的SMC和SDC与覆盖400至1000 nm波长的UAV高光谱影像相结合,应用于云南农业大学一块异质性红壤田地。在空间五折交叉验证框架下,评估了传统光谱指数模型、介电模型、高光谱机器学习模型、数据驱动模型以及物理约束混合模型。在数据驱动模型中,SDC和高光谱反射率被联合视为候选预测因子。在混合模型中,SDC被排除在机器学习预测矩阵之外,仅用于建立高光谱预测的介电边界。
具体目标是:(1) 表征红壤对SMC变化的光谱响应,并评估各空间折中水分敏感光谱特征的稳定性;(2) 评估原始的Topp和Herkelrath介电模型,并为所研究的红壤建立本地校准的Topp关系;(3) 在空间验证下比较传统光谱指数、介电、高光谱、数据驱动和物理约束混合模型的预测性能;(4) 通过掩膜敏感性、边界敏感性和SHAP分析检验模型的鲁棒性和可解释性,并评估所开发模型在田间尺度SMC制图中的适用性。
本文其余部分组织如下:第2节描述了研究区、数据获取、高光谱预处理、空间验证、特征选择和模型开发。第3节介绍了光谱响应、特征选择、模型评估、敏感性分析、模型解释和田间尺度制图结果。第4节讨论了光谱发现、掩膜效应、模型性能、物理约束、可解释性和研究局限性。最后,第5节总结了主要发现。
论文解读文章
1. 研究背景、现存问题与研究意义
土壤水分含量(SMC)是调控水资源可用性、水文过程、农业生产力及生态系统功能的关键变量。精确的SMC信息对于评估土壤水动态和支持精准田间水管理至关重要。然而,受土壤属性、地表状况、植被覆盖、地形及田间管理措施差异的影响,SMC在空间上表现出强烈的异质性。这种空间变异性给传统的经验模型和纯粹的数据驱动方法带来了巨大挑战,因为这些方法在迁移至不同于其校准数据所代表的环境条件时,性能往往会显著下降。
现有SMC监测手段主要包括常规田间测量(如烘干称重法)和非破坏性传感技术。前者虽然可靠,但空间覆盖范围有限且耗时耗力。介电传感方法,如时域反射法(TDR)和频域反射法(FDR),虽能快速无损地测量土壤水分状态,但其响应易受土壤质地、容重、有机质等多种因素影响,且通用的介电模型在特定土壤类型(如红壤)上的适用性有待验证。另一方面,无人机(UAV)搭载的高光谱遥感能提供高空间分辨率的土壤表面反射率信息,其连续窄波段对水分变化敏感,但纯光谱模型往往缺乏物理机理支撑,模型泛化能力受限。
因此,本研究的核心动机在于探索如何有效融合介电测量提供的物理信息与高光谱遥感的空间覆盖优势,以克服单一方法的局限性。研究人员旨在通过对比将土壤介电常数(SDC)作为直接输入与将其作为物理约束两种策略,阐明物理信息增强SMC估算的内在机制,从而为异质性农田的精准水分管理提供更稳健、更具可解释性的解决方案。
2. 主要关键技术方法
本研究于2025年1月4日在云南农业大学校园内的一块典型红壤(Ustic Ferrallisols)实验田进行。研究人员首先获取了覆盖400-1000 nm波段的无人机(UAV)高光谱影像,并同步采集了125个表层(0-5 cm)土壤样本,测定其体积含水量(SMC)、土壤介电常数(SDC)及坐标。在数据处理上,采用了Savitzky-Golay平滑滤波对高光谱数据进行降噪。模型验证方面,研究采用了严格的空间五折交叉验证(spatial fivefold cross-validation)框架,即在每次迭代中将整个空间块作为验证集,以避免空间自相关导致的性能高估。在模型构建上,研究开发了多种模型:传统光谱指数模型、原始及本地校准的Topp和Herkelrath介电模型、基于高光谱反射率的机器学习模型(如随机森林RF、梯度提升机GBM、支持向量回归SVR等)、将SDC作为额外输入的“数据驱动”模型,以及将SDC排除在输入外、仅作为物理约束的“物理约束混合模型”。此外,还进行了掩膜敏感性分析和SHAP分析来评估模型的鲁棒性和可解释性。
3. 研究结果
3.1 光谱响应分析与特征选择
研究发现,随着SMC的增加,土壤光谱反射率在整个400-1000 nm范围内普遍降低,且在近红外(NIR)的水分吸收带(约970 nm和1450 nm附近)表现尤为明显。通过递归特征消除等方法筛选出的关键波段在不同空间折间保持了较高的一致性,其中970 nm附近的反射率被反复选中,表明其对水分变化的敏感性最为稳定。
3.2 介电模型评估与本地校准
原始的Topp和Herkelrath通用介电模型在研究区的红壤上表现不佳,存在显著的系统性偏差。通过对Topp模型进行本地校准(即利用本地实测的SDC和SMC数据重新拟合模型参数),校准后的模型性能得到显著提升,R2从0.52提高至0.85,RMSE也大幅降低。这表明针对特定土壤类型进行介电模型本地校准至关重要。
3.3 模型性能对比
在空间交叉验证下,纯高光谱机器学习模型(如RF、GBM)的性能中等,而将SDC作为直接输入的“数据驱动”模型在所有指标上均表现最佳,R2最高可达0.93,RMSE最低。相比之下,“物理约束混合模型”(即仅用介电关系约束高光谱预测值)的性能略低于数据驱动模型,但显著优于纯光谱模型。这揭示了一个重要发现:SDC本身是一个极强的预测因子,其带来的性能提升主要源于其直接的预测能力,而非单纯的物理约束。
3.4 敏感性分析与模型解释
掩膜敏感性实验显示,剔除受杂草或阴影影响的样本后,所有模型的性能均有所提升,但对模型排名的相对顺序影响不大。边界敏感性分析表明,物理约束混合模型对设定的介电边界阈值具有一定的鲁棒性。SHAP分析进一步揭示了各输入特征的重要性排序:在所有模型中,SDC和近红外波段(尤其是970 nm附近)的反射率贡献最大。
4. 讨论与结论
讨论部分总结:
研究人员在讨论中指出,本研究成功证明了整合UAV高光谱数据和介电测量在红壤SMC估算中的巨大潜力。关键创新点在于区分了“数据驱动”与“物理约束”两种融合策略,并明确指出前者的优越性源于SDC的高信息量。同时,研究也强调了空间交叉验证的必要性,它揭示了模型在实际应用中的真实泛化能力。局限性方面,研究指出本次实验仅为单次冬季观测,未来需在更多季节、不同作物覆盖条件下验证模型的时空可迁移性。此外,SDC的获取依赖于接触式传感器,限制了其在大范围区域的直接应用。
研究结论翻译:
本研究的主要发现总结如下:
- 1.
红壤的光谱反射率随SMC增加而系统性降低,其中970 nm附近的反射率是跨空间折最稳定的水分敏感特征。
- 2.
原始的通用介电模型(Topp和Herkelrath模型)不适用于本研究区的红壤,而经过本地校准的Topp模型显著提升了SMC估算精度。
- 3.
在空间验证下,将SDC作为直接输入的数据驱动模型(如RF+SDC)在所有模型中性能最优,其R2高达0.93,RMSE低至0.019 cm3/cm3。物理约束混合模型虽然性能略逊于数据驱动模型,但显著优于纯光谱模型。
- 4.
掩膜和SHAP分析证实了模型对噪声数据的鲁棒性,并量化了SDC和近红外波段反射率作为最关键预测因子的重要性。最终,最优模型被成功应用于生成研究区的像素级SMC空间分布图。