基于无人机MiniSAR和多光谱遥感数据的冬小麦土壤墒情反演

张成才; 祝星星; 姜明梁; 王蕊; 侯佳彤; ZHANG Cheng-cai; ZHU Xing-xing; JIANG Ming-liang; WANG Rui; HOU Jia-tong

doi:10.12396/jsgg.2024231

节水灌溉 ›› 2025 ›› (3) : 105-112. DOI: 10.12396/jsgg.2024231

农业遥感反演

基于无人机MiniSAR和多光谱遥感数据的冬小麦土壤墒情反演

作者信息 +

Soil Moisture Inversion of Winter Wheat Based on UAV Minisar and Multi-spectral Remote Sensing Data

Author information +

稿件信息 +

摘要

为了去除农作物对雷达散射信号的影响，探究不同极化方式土壤后向散射系数与土壤墒情的响应关系，实现对冬小麦农田土壤墒情的精准监测，基于无人机MiniSAR多极化数据和多光谱数据，提出联合改进水云模型与BP神经网络反演土壤墒情的方法。首先利用植被覆盖度对水云模型进行改进，提取不同极化方式下的土壤后向散射系数，通过设置不同极化方式、极化差、极化比数据与归一化植被指数（NDVI）的多种组合模式，输入BP神经网络，构建冬小麦土壤墒情反演模型，并以河南省鹤壁市浚县中部的冬小麦种植区为试验区分析模型的预测效果。结果表明：相比于冬小麦土壤墒情线性回归模型，基于BP神经网络的土壤墒情反演模型精度更高，其中由改进水云模型计算得到的VV极化下的土壤后向散射系数、HH极化下的土壤后向散射系数以及两者的极化差、极化比组合输入BP神经网络得到的反演结果精度最高，R ²达到0.767，MAE为0.013 6 cm³/cm³，RMSE为0.017 6 cm³/cm³。表明联合改进水云模型与BP神经网络的冬小麦土壤墒情反演模型具有较高的反演精度，为准确监测冬小麦土壤墒情提供了一种新思路。

Abstract

In order to reduce the influence of crops on radar scattering signals, explore the response relationship between radar backscattering coefficients and soil moisture with different polarization methods, and realize precise monitoring of soil moisture in winter wheat farmland, both mini synthetic aperture radar (MiniSAR) polarization data and multispectral data acquired via UAVs were used to estimate soil moisture. The impact of vegetation canopy on microwave signals was reduced by integrating vegetation cover fraction into Water Cloud Model (WCM). The adjusted WCM was subsequently employed to calculate the backscattering coefficients of soil under different polarizations. Subsequently, using the soil backscattering coefficient under different polarizations, polarization differences, polarization ratios, alongside Normalized Difference Vegetation Index (NDVI) values, as input variables, soil moisture is estimated using both a linear regression model and a BP neural network model. The results showed that compared with the linear regression model of soil moisture in winter wheat, the soil moisture inversion model based on BP neural network had higher accuracy, and the prediction effect of the model was analyzed by taking the winter wheat planting area in the central part of Jun County, Hebi City, Henan Province as the experimental area. By comparing all soil moisture regression models, it can be concluded that the model achieves its highest accuracy when using the backscattering coefficients derived from the improved WCM under VV and HH polarizations, along with their polarization difference and ratio, as inputs. This configuration yields a high coefficient of determination (R ²) of 0.767, indicating a strong correlation between predicted and actual soil moisture values. Additionally, the model demonstrates a mean absolute error of 0.013 6 cm³/cm³ and a root mean squared error of 0.017 6 cm³/cm³, highlighting its precision in estimating soil moisture content. This finding shows that the combination of the adjusted WCM and the BP neural network for winter wheat soil moisture inversion demonstrates high inversion accuracy, which can provide a novel approach for accurately monitoring winter wheat soil moisture.

关键词

土壤墒情 / 水云模型 / BP神经网络 / 后向散射系数 / MiniSAR数据

Key words

soil moisture / water-cloud model / back propagation neural network / backscattering coefficient / MiniSAR data

基金

河南省自然科学基金项目(222300420539)

中国气象局•河南省农业气象保障与应用技术重点开放实验室开放研究基金项目(AMF202409)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

张成才 , 祝星星 , 姜明梁 , 王蕊 , 侯佳彤. 基于无人机MiniSAR和多光谱遥感数据的冬小麦土壤墒情反演[J].节水灌溉, 2025(3): 105-112 https://doi.org/10.12396/jsgg.2024231

ZHANG Cheng-cai , ZHU Xing-xing , JIANG Ming-liang , WANG Rui , HOU Jia-tong. Soil Moisture Inversion of Winter Wheat Based on UAV Minisar and Multi-spectral Remote Sensing Data[J].Water Saving Irrigation, 2025(3): 105-112 https://doi.org/10.12396/jsgg.2024231

0 引言

准确高效获取土壤墒情对以智慧农业为代表的新型农业生产方式具有十分重要的意义。及时精确地土壤墒情监测可以评估作物干旱胁迫和需水量，帮助制定合理灌溉计划，避免水资源浪费，确保作物水分供给，为农业干旱提供预警，减少作物生产损失^[1]。

遥感技术可以周期性、大范围地监测土壤墒情，是目前监测和反演土壤墒情的主要手段之一^[2]。以合成孔径雷达（Synthetic Aperture Radar, SAR）为代表的主动微波具有一定的穿透能力，不易受天气云层的影响，且能够全天候全天时地监测，是反演土壤墒情的可靠数据源^[3]。CUI等人^[4]验证了ALOS-2和Sentinel-1雷达数据在低值被区土壤水分反演中的潜力，表明利用多极化雷达数据在农作物地区的反演结果较好。然而不同极化方式下的微波信号对土壤墒情的敏感程度不同^[5]，通过获取水平极化（HH）、垂直极化（VV）以及交叉极化（HV、VH）等多种极化模式下的后向散射系数可以更全面地反映土壤和植被的特性。研究表明^[6]，不同极化方式的组合能够有效分离土壤和植被对后向散射的贡献，从而提高土壤墒情反演的精度。赵建辉等^[7]使用Sentinel-1/2遥感数据，开展了多植被指数与多极化方式组合的土壤墒情反演对比实验，结果表明利用VV/VH能获得更优的反演结果。

在农作物生长时期，植被覆盖是影响微波信号的重要因素之一^[8]。为了解决这一问题，研究者们提出了多种模型和方法，其中水云模型是最为常用的模型之一。通过引入植被参数可以有效校正植被对微波信号的影响，从而提高土壤墒情反演的精度^[9]。XU等^[10]基于简化的水云模型，估算青藏高原表层土壤水分，估算值与实测值的均方根误差小于0.07 m³/m³。但受限于卫星数据的分辨率，难以满足对小范围区域土壤墒情精细监测的需求。近年来，无人机遥感技术因其成本低，时效性强，高时间、空间分辨率，可重复使用等特点受到广泛关注。徐洪刚等^[11]利用无人机可见光和热红外图像提取玉米冠层温度和叶面积指数，结合冠气温差与叶面积指数构建了新的指标

D_{T L}

反演土壤含水率，提高了反演精度。SEO等^[12]利用机载无人机与卷积神经网络设计了用于大田作物土壤墒情的远程监测模型，通过保持高空间分辨率图像上像素点的空间信息来提高墒情的估计性能。然而目前的研究还处于初期阶段，需要进一步探索数据处理方法和反演模型^[13]。机器学习的发展为土壤墒情的反演提供了新的方法，BP神经网络作为一种典型的机器学习算法，在处理非线性问题方面具有优势。通过将遥感数据和地面实测数据输入BP神经网络，可以建立土壤墒情反演模型。郭文等^[14]采用实测数据和模拟数据训练BP神经网络以实现裸露地表的土壤墒情反演，结果显示模型的预测值与实测值之间的决定系数R ²达到0.72。TAO等^[15]提出了基于改进粒子群算法和BP神经网络算法结合，建立后向散射系数与土壤湿度之间的隐式关系，提高了反演精度。前人的研究表明BP神经网络能够有效提高土壤墒情反演的精度，但不同输入数据组合对反演结果的影响仍需深入研究。且仅依赖神经网络进行数学统计分析并没有考虑到微波辐射在植被层传输过程中的散射损失，因此，结合物理基础与神经网络共同进行土壤墒情的反演效果也有待进一步探索。

本文使用无人机MiniSAR（Mini Synthetic Aperture Radar, MiniSAR）数据，通过改进水云模型去除植被对微波辐射的影响，得到不同极化下的土壤后向散射系数，并计算不同极化下的极化差与极化比，组合不同极化数据与NDVI（Normalized Difference Vegetation Index）输入BP神经网络，研究不同输入模式下的土壤墒情反演效果，得到最优输入组合，以期为麦田旱情监测提供决策信息，为利用无人机MiniSAR数据反演土壤墒情提供理论和技术参考。

1 研究区概况与数据预处理

1.1 研究区域概况

以河南省鹤壁市浚县中部的冬小麦种植区（中心经纬度：114°27'56"E，35°39'23"N）为试验区。试验区面积为2 km×2 km，属东亚暖温带半湿润型季风气候，雨热同期，夏季暖热多雨，冬季寒冷干燥，年平均气温15.5 ℃，年降水量500.4 mm。主要种植作物为冬小麦，冬小麦的生长物候期可分为12个，不同物候期的冬小麦具有不同的生长特点，作物需水量也存在差异，数据采集时小麦处于拔节期，是小麦生长速度最快，生长量最大的时期，水分需求高。试验区位置及采样点分布如图1所示。

图1 研究区位置及采样点分布

Fig.1 Location of study area and distribution of sampling points

Full size|PPT slide

1.2 数据源及预处理

1.2.1 地面实测数据

在无人机飞行期间同步采集实测数据，采用人工采样烘干的方法进行土壤水分和植株含水量的实测。在冬小麦种植区布设了40个土壤水分采样点和24个植株水分采样点，分布如图1所示。采用环刀法对每个土壤水分采样点进行土钻取土，取样深度为0~10 cm，并用干燥铝盒存放，通过烘干称重法获得土壤重量含水量，结合田间实测的土壤容重计算出土壤体积含水量。采集时间为2023年3月28日、29日，采样前后无降雨，同时使用手持GPS定位仪定位采样点，采用WGS84坐标系记录采样点坐标。

1.2.2 无人机数据

采用大疆经纬M300 RTK无人机搭载的RedEdge-Mx多光谱成像仪进行无人机多光谱数据的采集，获取的多光谱影像共有10个光谱通道，主要包括：蓝光（波长475 mm，带宽32 mm），绿光（波长531 mm，带宽14 mm），红光（波长650 mm，带宽16 mm），近红外NIR（波长842 mm，带宽57 mm）。无人机作业时间为2023年3月28、29日2 d，多光谱影像的分辨率为0.1 m×0.1 m，拍摄高度为70 m，航带间隔为17 m，飞行速度为6 m/s，拍摄间隔为2 s/张。航拍完成后，利用无人机遥感处理软件Pix4Dmapper对多光谱原始数据进行预处理，包括图像拼接、辐射定标、几何校正、图像裁剪等，最后生成包含各个波段地表反射率的图像。

MiniSAR无人机雷达系统，具有全极化、双极化以及单极化SAR成像能力。影像的分辨率为1.1 m×1.1 m，拍摄面积约为8.93 km²，覆盖了无人机多光谱影像的拍摄范围。使用搭载MiniSAR雷达系统的固定翼飞机对研究区进行雷达数据采集，飞行高度为350 m，飞行速度为10 m/s。将获得的航带分幅图像进行极化处理，并对影像进行辐射校正和几何校正，获得L波段MiniSAR影像数据的校正图，最后进行分贝化处理和重采样操作，得到0.1 m×0.1 m分辨率的雷达后向散射图像。

2 研究方法

2.1 基于改进水云模型计算土壤后向散射系数

水云模型是Attema和Ulaby^[16]基于辐射传输理论提出的，该模型认为植被是一层各向同性且均匀分布的“云层”，雷达回波信号是由植被直接散射回来的体散射和经过植被双层衰减后的土壤后向散射组成，忽略了植被与土壤表面的多次散射。表达式为：

σ_{c a n}^{0} = σ_{v e g}^{0} + γ^{2} σ_{s o i l}^{0}

(1)

σ_{v e g}^{0} = A V_{1} c o s (θ) (1 - γ^{2})

(2)

γ^{2} = e x p [- 2 B V_{2} s e c (θ)]

(3)

式中：

σ_{c a n}^{0}

、

σ_{v e g}^{0}

、

σ_{s o i l}^{0}

分别表示总体后向散射系数、植被体散射和经植被双层衰减后的土壤后向散射系数；A、B为经验系数，取决于植被类型^[17]，本研究中A取0.001 8，B取0.138；

γ^{2}

为双层衰减系数；

θ

为入射角；

V_{1}

、

V_{2}

为与植被相关的参数，可用植被冠层含水量

m_{v e g}

表示：

V_{1} = V_{2} = m_{v e g}

(4)

植被冠层含水量可由经验公式或植被指数估算^[18]，本文选取归一化植被指数（NDVI）估算植被含水量：

m_{v e g} = a N D V I + b

(5)

式中：系数a和b由最小二乘法计算得到。

由于在自然条件下，冬小麦分布并不均匀，故引入植被覆盖度

f_{v}

将植被体散射对雷达回波信号的贡献与地表裸土的散射信息分离开^[19]，对水云模型进行改进：

σ_{c a n}^{0} = f_{v} (σ_{v e g}^{0} + γ^{2} σ_{s o i l}^{0}) + (1 - f_{v}) σ_{s o i l}^{0}

(6)

式中：

f_{v}

为植被覆盖度，可以区分植被覆盖部分与裸土部分，由归一化植被指数（NDVI）通过像元二分模型计算：

f_{v} = \frac{N D V I - N D V I_{m i n}}{N D V I_{m a x} - N D V I_{m i n}}

(7)

N D V I = \frac{ρ_{N I R} - ρ_{R e d}}{ρ_{N I R} + ρ_{R e d}}

(8)

式中：

N D V I

为归一化植被指数；

N D V I_{m a x}

、

N D V I_{m i n}

分别表示完全植被覆盖下与完全裸土情况下的归一化植被指数，本文以0.95和0.05置信度截取NDVI的上下阈值来分别表示

N D V I_{m a x}

和

N D V I_{m i n}

；

ρ_{N I R}

，

ρ_{R e d}

分别表示无人机多光谱的近红外波段与红光波段的反射率。

2.2 基于BP神经网络的土壤墒情反演

BP神经网络是Rumelhar等^[20]人提出的一种按照误差逆向传播算法训练的多层前馈神经网络。利用最速下降法通过反向传播持续调整网络的权值和阈值，最终使得网络的误差平方和最小，即BP的预测值持续逼近期望值^[21,22]。其结构如图2所示。

图2 BP神经网络结构

Fig.2 The structure diagram of BP neural network

Full size|PPT slide

无人机携带的MiniSAR传感器可以采集多极化数据。不同极化方式下，同一地物反射的雷达回波信号强度不同，生成的SAR图像中，同一地物在不同极化图像上的色调也会有所差异。为探究不同极化的微波信号对土壤墒情的响应能力，设置多极化多组合形式作为输入层，输入BP神经网络。此外NDVI蕴含丰富的地物冠层信息，常被用来监测土壤水分^[23]，故引入NDVI协同反演土壤墒情。设置3层BP神经网络，第1层为输入层，第2层为隐含层，设置10个神经元，第3层为输出层，1个神经元，使用对数S型函数logsig作为激活函数，网络训练次数为1 000次，学习率为0.01，训练误差为1×10^-6。输入参数组合方案如表1所示。

表1 BP神经网络输入参数组合方案

Tab.1 Input parameter combination scheme of BP neural network

输入方案	输入参数	输出参数
单个极化	NDVI、 $σ_{s o i l}^{V V}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{H H}$	土壤体积含水率
不同极化方式组合	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{V H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V H}$ 、 $σ_{s o i l}^{H H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{V H}$ 、 $σ_{s o i l}^{H H}$	土壤体积含水率
不同极化方式组合+极化差、极化比	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} / σ_{s o i l}^{H H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} - σ_{s o i l}^{H H}$	土壤体积含水率
	NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} / σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} - σ_{s o i l}^{H H}$	土壤体积含水率

2.3 精度评价指标

选用决定系数（R ²）、平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Squared Error, RMSE）3种指标来评价不同组合土壤墒情的反演效果。R ²用于衡量模型对数据的整体拟合程度，取值范围在0~1。MAE可以真实反映实际误差的大小，避免误差相互抵消，但对异常值不敏感。RMSE对测量中的特大或特小误差非常敏感，能够很好地反映出测量的精密度和整体偏差大小。

3 结果与分析

3.1 植被含水量反演结果

利用无人机多光谱数据计算得到试验区的NDVI来反演植被含水量，结果如图3所示。图3(a)展示了NDVI与植被含水量的拟合关系，可以看出两者呈现明显的正相关，相关系数达到0.753，表明NDVI与植被含水量之间存在较强的线性关系。图3(b)显示了试验区植被含水量的空间分布情况，可以看出个别地块的植被含水量处于60%~70%，这是由于田间灌溉不均匀导致的。总体而言，3月底冬小麦处于拔节期，小麦生长趋势旺盛，冠层含水量整体大于80%，与田间实际状况一致^[24]。

图3 植被含水量反演结果

Fig.3 Results of vegetation water content inversion

Full size|PPT slide

3.2 基于改进水云模型与线性回归的土壤墒情反演结果

将40组土壤水分实测采样点随机均匀划分为训练样本30组和测试样本10组。基于引入植被覆盖度的改进水云模型，利用无人机MiniSAR数据、多光谱数据计算得到VV、HH、VH极化下的土壤后向散射系数，并与实测土壤水分构建一元线性回归反演模型估算土壤墒情。图4是不同极化土壤墒情预测值与实测值一致性分析图，展示了不同极化下的反演精度。从图4中可以看出利用VV极化下的土壤后向散射系数构建的反演模型预测精度相对较高，R ²为0.450，MAE为0.027 4 cm³/cm³，RMSE为0.033 8 cm³/cm³，而HH极化和VH极化的后向散射系数得到的反演效果较差，R ²分别为0.252、0.214，MAE分别为0.037 1、0.035 4 cm³/cm³，RMSE分别为0.037 1、0.035 4 cm³/cm³。

图4 单个极化下基于改进水云模型与线性回归的土壤墒情反演效果

Fig.4 Inversion effect of soil moisture based on improved water cloud model and linear regression under single polarization

Full size|PPT slide

为比较改进水云模型的性能，构建基于水云模型与一元线性回归的土壤墒情反演模型。图5展示了在VV、HH和VH单极化下的反演效果。从图5中可以观察到，在VV极化条件下，模型的决定系数R ²为0.269，MAE为0.218 5 cm³/cm³，RMSE为0.037 8 cm³/cm³；HH极化下的R ²为0.118，MAE为0.223 1 cm³/cm³，RMSE为0.036 6 cm³/cm³；VH极化下的R ²为0.103，MAE为0.225 3 cm³/cm³，RMSE为0.035 4 cm³/cm³。这些结果表明，水云模型在各极化下的精度指标均低于改进水云模型，证实了改进水云模型能够提升土壤墒情反演模型的性能。

图5 单个极化下基于水云模型与线性回归的土壤墒情反演效果

Fig.5 Inversion effect of soil moisture based on water cloud model and linear regression under single polarization

Full size|PPT slide

3.3 基于改进水云模型与BP神经网络的土壤墒情反演结果

将改进水云模型计算得到的不同极化下剔除植被影响的土壤后向散射系数与NDVI组合，作为输入层输入BP神经网络反演土壤墒情，图6为不同极化下基于改进水云模型与BP神经网络的土壤墒情预测值与实测值一致性分析结果。结果显示在利用水平极化和垂直极化时的预测精度明显高于利用交叉极化进行反演，且输入VV极化的反演效果最好，输入VH极化的反演效果最差，与线性回归的结果类似，说明VV极化方式更适用于进行土壤墒情反演。3个极化下（VV、HH、VH）的R ²分别为0.711、0.610、0.464，MAE分别为0.016 4、0.020 3、0.022 5 cm³/cm³，RMSE分别为0.019 6、0.022 8、0.026 7 cm³/cm³。

图6 单个极化下基于改进水云模型与BP神经网络的土壤墒情反演效果

Fig.6 Inversion effect of soil moisture based on improved water cloud model and BP neural network under single polarization

Full size|PPT slide

为了进一步评估线性回归模型和BP神经网络模型在反演问题中的表现，采用点线图对2种模型计算得到的各个极化下的实测值和预测值进行对比分析，如图7所示。结果表明，在所有极化数据中，BP神经网络模型的反演效果普遍优于线性回归模型，说明使用BP神经网络构建模型可以显著提高土壤墒情的反演精度，3个极化下（VV、HH、VH）的R ²分别提高了0.261、0.358、0.250。且在VV极化方式下，BP神经网络模型的预测性能与实测值的一致性尤为显著，表明了BP神经网络在处理VV极化数据时更具优势。

图7 线性回归模型与BP神经网络模型在不同极化下反演土壤墒情的效果对比

Fig.7 Comparison of the effects of linear regression model and BP neural network model in inverting soil moisture under different polarizations

Full size|PPT slide

由于BP神经网络可以实现多个输入神经元到一个输出神经元的映射，而不同极化方式下的后向散射系数蕴含不同的信息，为了进一步探究不同组合数据输入对反演效果的影响，将改进水云得到的不同极化下的土壤后向散射系数进行计算与组合后输入BP神经网络，探讨何种组合方式可以更好地反演土壤墒情。图8为多极化多组合下的土壤墒情预测值与实测值一致性分析结果图，研究结果表明：输入VV极化、HH极化的土壤后向散射系数及它们两者的极化差、极化比信息进行土壤墒情反演的效果最好，R ²能够达到0.767，MAE为0.013 6 cm³/cm³，RMSE为0.017 6 cm³/cm³。

图8 不同极化组合下基于改进水云模型与BP神经网络的土壤墒情反演效果

Fig.8 Inversion effect of soil moisture based on improved water cloud model and BP neural network under different polarization combinations

Full size|PPT slide

表2为各组合反演精度评价表，对比不同输入组合的反演精度可知，相比于使用单个极化，利用不同极化数据组合可以更好地进行土壤墒情反演，在不同极化组合的基础上再加上极化差、极化比的信息可以提高土壤墒情反演的精度。

表2 基于BP神经网络的各组合反演精度评价

Tab.2 Evaluation table of inversion accuracy of each combination based on BP neural network

输入组合	R ²	平均绝对误差MAE/(cm³·cm^-3)	均方根误差RMSE/(cm³·cm^-3)
NDVI、 $σ_{s o i l}^{V V}$	0.711	0.016 4	0.019 6
NDVI、 $σ_{s o i l}^{V H}$	0.464	0.022 5	0.026 7
NDVI、 $σ_{s o i l}^{H H}$	0.610	0.020 3	0.022 8
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{V H}$	0.567	0.019 4	0.024 0
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$	0.714	0.017 5	0.019 5
NDVI、 $σ_{s o i l}^{V H}$ 、 $σ_{s o i l}^{H H}$	0.603	0.017 6	0.023 0
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{V H}$ 、 $σ_{s o i l}^{H H}$	0.719	0.016 7	0.019 3
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} / σ_{s o i l}^{H H}$	0.736	0.013 1	0.018 7
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} - σ_{s o i l}^{H H}$	0.754	0.015 2	0.018 1
NDVI、 $σ_{s o i l}^{V V}$ 、 $σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} / σ_{s o i l}^{H H}$ 、 $σ_{s o i l}^{V V} - σ_{s o i l}^{H H}$	0.767	0.013 6	0.017 6

4 讨论和结论

4.1 讨论

微波雷达数据的不同极化方式蕴含有不同的信息，不同极化方式下的土壤后向散射系数与土壤墒情的相关性也并不相同。讨论不同极化方式及组合进行土壤墒情的反演效果可以为农田精准灌溉提供决策信息。对比单独使用不同极化下的土壤后向散射系数构建回归模型可知，3个极化下（VV、HH、VH）线性回归模型的反演R ²在0.214~0.450，MAE在0.027 4~0.032 6 cm³/cm³，RMSE在0.033 8~0.037 1 cm³/cm³，而BP神经网络模型反演结果的R ²在0.464~0.711，MAE在0.016 4~0.022 5 cm³/cm³，RMSE在0.019 6~0.026 7 cm³/cm³，说明相比于构建改进水云模型的土壤后向散射系数与土壤墒情的线性关系，利用BP神经网络进行土壤墒情预测，反演精度更高，其原因是后向散射系数与土壤墒情之间不是单一的线性关系，而是复杂的非线性关系，而BP神经网络具有同时处理线性和非线性的能力^[25-27]，因此进行土壤墒情反演的效果更显著。此外，3种不同极化方式VV、HH、VH的反演效果存在差异，李伯祥^[28]的研究表明在Sentinel-1的VV极化条件下，改进水云模型和Oh模型的组合方法具有较高的反演精度，R ²为0.653，MAE为0.032 7 cm³/cm³，RMSE为0.040 1 cm³/cm³。鲍艳松等人^[29]分析表明在10 cm深度处HH极化与土壤含水量的相关性只有0.473，而VV极化与土壤含水量的相关性达到0.676。本文研究表明不管是构建线性回归模型还是BP神经网络模型，使用VV极化方式的数据进行反演能够得到更高精度的土壤墒情反演结果，说明VV极化方式下的土壤后向散射系数与土壤墒情之间响应更灵敏。而使用VH极化信息的效果都是最差的，这说明相比于相同极化，交叉极化对土壤墒情的敏感度降低，不适合单独用于土壤墒情反演。

比较使用不同极化数据进行相互计算组合输入BP神经网络的反演效果可知，组合不同极化可以提高反演精度，吴善玉^[30]同时将Sentinel-1的VV和VH极化雷达后向散射系数、雷达入射角、Sentinel-2提取的NDVI和NDWI1作为输入变量训练网络模型，比单独输入VV或VH极化数据的效果更优，RMSE达到0.045 cm³/cm³。本文比较了MiniSAR的VV、HH、VH极化之间的组合效果，结果显示使用VV和HH极化组合的反演精度更高，RMSE为0.019 3 cm³/cm³，这是因为不同的极化方式所蕴含的土壤信息不同，多个极化数据输入BP神经网络能够丰富土壤信息^[7]，且使用VV和HH的极化组合能够更好地捕捉土壤墒情的散射特征。从而使得反演效果更好。而在此基础上加入两者的极化差、极化比的反演结果精度最高，R ²达到了0.767，RMSE为0.017 6 cm³/cm³。这是因为通过加入极化差、极化比，削弱了土壤地表粗糙度对雷达后向散射系数的影响^[31]，使得反演精度得到提高。然而本文只讨论了不同极化组合方式对BP神经网络的影响，未来研究可进一步将土壤理化性质等加入模型，考虑更多因素对土壤墒情反演效果的影响。

4.2 结论

本文利用无人机MiniSAR与多光谱遥感数据，结合改进水云模型与BP神经网络，通过不同极化方式、极化差、极化比数据与NDVI的多种组合方案，比较了不同输入组合下冬小麦土壤墒情的反演效果，主要结论如下。

（1）单独使用VV、HH、VH极化数据反演土壤墒情，相比于线性回归模型，BP神经网络具有表达非线性映射关系的能力，构建的土壤墒情反演模型总体精度更高，且两者在VV极化下的反演效果均较佳。

（2）联合改进水云模型与BP神经网络反演土壤墒情的不同输入组合中，输入参数组合为NDVI、

σ_{s o i l}^{V V}

、

σ_{s o i l}^{H H}

、

σ_{s o i l}^{V V} / σ_{s o i l}^{H H}

、

σ_{s o i l}^{V V} - σ_{s o i l}^{H H}

时的反演精度最高，R ²为0.767，MAE为0.013 6 cm³/cm³，RMSE为0.017 6 cm³/cm³。

本文探讨了联合改进水云模型与BP神经网络反演土壤墒情的可行性，为利用无人机数据进行土壤墒情反演提供了理论参考，然而BP神经网络在应用时可能存在收敛速度慢、过拟合的缺点^[32]，后续可考虑使用自适应学习率算法、遗传算法等进行优化。此外由于无人机的飞行范围有限，未来可考虑融合卫星遥感数据进行大范围高精度的土壤墒情反演。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	ANTONIUK V, ZHANG X Y, ANDERSEN M N, et al. Spatiotemporal winter wheat water status assessment improvement using a water deficit index derived from an unmanned aerial system in the North China Plain[J]. Sensors, 2023,23(4):1 903. 本文引用 [1]

2	方西瑶, 蒋玲梅, 崔慧珍. 基于Sentinel-1雷达数据的青藏高原地区土壤水分反演研究[J]. 遥感技术与应用, 2022,37(6):1 447-1 459. FANG X Y, JIANG L M, CUI H Z. Soil moisture retrieval in the Tibetan Plateau based on sentinel-1 radar data[J]. Remote Sensing Technology and Application, 2022,37(6):1 447-1 459. 本文引用 [1]

3	李　艳, 张成才, 恒卫东. 基于深度学习的多源遥感反演麦田土壤墒情研究[J]. 节水灌溉, 2023(2):57-64. LI Y, ZHANG C C, HENG W D. Soil moisture retrieving method based on depth learning by multi-source data[J]. Water Saving Irrigation, 2023(2):57-64. 本文引用 [1]

4	CUI H Z, JIANG L M, PALOSCIA S, et al. The potential of ALOS-2 and sentinel-1 radar data for soil moisture retrieval with high spatial resolution over agroforestry areas, China[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021,60:4 402 617. 本文引用 [1]

5	孔金玲, 李菁菁, 甄珮珮, 等. 微波与光学遥感协同反演旱区地表土壤水分研究[J]. 地球信息科学学报, 2016,18(6):857-863. KONG J L, LI J J, ZHEN P P, et al. Inversion of soil moisture in arid area based on microwave and optical remote sensing data[J]. Journal of Geo-Information Science, 2016,18(6):857-863. 本文引用 [1]

曾旭婧, 邢艳秋, 单　炜, 等. 基于Sentinel-1A与Landsat 8数据的北黑高速沿线地表土壤水分遥感反演方法研究[J]. 中国生态农业学报, 2017,25(1):118-126.

ZENG

X J

, XING

Y Q

, SHAN

, et al. Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Bei’an-Heihe Expressway[J]. Chinese Journal of Eco-Agriculture, 2017,25(1):118-126.

本文引用 [1]

赵建辉, 张　蓓, 李　宁, 等. 基于Sentinel-1/2遥感数据的冬小麦覆盖地表土壤水分协同反演[J]. 电子与信息学报, 2021,43(3):692-699.

ZHAO

J H

, ZHANG

, LI

, et al. Cooperative inversion of winter wheat covered surface soil moisture based on sentinel-1/2 remote sensing data[J]. Journal of Electronics & Information Technology, 2021,43(3):692-699.

本文引用 [2]

8	阙艳红, 吴　苏, 姜明梁, 等. 融合多源遥感数据的夏玉米土壤水分反演方法对比研究[J]. 节水灌溉, 2024(3):91-98. QUE Y H, WU S, JIANG M L, et al. Comparative study on soil moisture retrieval methods for summer maize using multi-source remote sensing data fusion[J]. Water Saving Irrigation, 2024(3): 91-98. 本文引用 [1]

9	李　艳, 张成才, 恒卫冬, 等. 基于多源遥感数据反演土壤墒情方法研究[J]. 节水灌溉, 2020(8): 76-81. LI Y, ZHANG C C, HENG W D, et al. Soil moisture retrieval method based on multi-source remote sensing data[J]. Water Saving Irrigation, 2020(8):76-81. 本文引用 [1]

10	XU C Y, QU J J, HAO X J, et al. Monitoring surface soil moisture content over the vegetated area by integrating optical and SAR satellite observations in the permafrost region of Tibetan Plateau[J]. Remote Sensing, 2020,12(1):183. 本文引用 [1]

11	徐洪刚, 陈　震, 程　千, 等. 无人机热红外反演土壤含水率的方法[J]. 排灌机械工程学报, 2022,40(11):1 181-1 188. XU H G, CHEN Z, CHENG Q, et al. Inversion of soil moisture content based on UAV thermal infrared image[J]. Journal of Drainage and Irrigation Machinery Engineering, 2022,40(11):1 181-1 188. 本文引用 [1]

12	SEO M G, SHIN H S, TSOURDOS A. Soil moisture retrieval model design with multispectral and infrared images from unmanned aerial vehicles using convolutional neural network[J]. Agronomy, 2021,11(2):398. 本文引用 [1]

冯珊珊, 梁雪映, 樊风雷, 等. 基于无人机多光谱数据的农田土壤水分遥感监测[J]. 华南师范大学学报(自然科学版), 2020,52(6):74-81.

FENG

S S

, LIANG

X Y

, FAN

F L

, et al. Monitoring of farmland soil moisture based on unmanned aerial vehicle multispectral data[J]. Journal of South China Normal University (Natural Science Edition), 2020,52(6):74-81.

本文引用 [1]

14	郭　文, 马梦梦, 孙培彦. 基于Sentinel-1A数据和BP神经网络的裸露地表土壤含水量反演研究[J]. 中国农村水利水电, 2023(1):89-94. GUO W, MA M M, SUN P Y. Research on the soil water content inversion based on sentinel-1A data and BP neural network[J]. China Rural Water and Hydropower, 2023(1):89-94. 本文引用 [1]

15	TAO L L, WANG G J, CHEN X, et al. Soil moisture retrieval using modified particle swarm optimization and back-propagation neural network[J]. Photogrammetric Engineering & Remote Sensing, 2019,85(11):789-798. 本文引用 [1]

16	ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radio Science, 2016,13(2):357-364. 本文引用 [1]

17	BINDLISH R, BARROS A P. Parameterization of vegetation backscatter in radar-based, soil moisture estimation[J]. Remote Sensing of Environment, 2001,76(1):130-137. 本文引用 [1]

王树果, 马春锋, 赵泽斌, 等. 基于Sentinel-1及Landsat 8数据的黑河中游农田土壤水分估算[J]. 遥感技术与应用, 2020,35(1):13-22+47.

WANG

S G

, MA

C F

, ZHAO

Z B

, et al. Estimation of soil moisture of agriculture field in the middle reaches of the Heihe River Basin based on sentinel-1 and landsat 8 imagery[J]. Remote Sensing Technology and Application, 2020,35(1):13-22+47.

本文引用 [1]

19	李　艳, 张成才, 罗蔚然. 利用改进的水云模型反演夏玉米拔节期土壤墒情方法研究[J]. 水利水电技术, 2019,50(3):212-218. LI Y, ZHANG C C, LUO W R. Study on inverting soil moisture of summer corn jointing stage with improved water-cloud model[J]. Water Resources and Hydropower Engineering, 2019,50(3):212-218. 本文引用 [1]

20	RUMELHART D E, HINTON G E, WILLIAMS R J. Learning internal representations by error propagation[J]. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations, 2012:318-362. 本文引用 [1]

21	TOKAR A S, JOHNSON P A. Rainfall-runoff modeling using artificial neural networks[J]. Journal of Hydrologic Engineering, 1999,4(3):232-239. 本文引用 [1]

22	HASSAN-ESFAHANI L, TORRES-RUA A, JENSEN A, et al. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J]. Remote Sensing, 2015,7(3):2 627-2 646. 本文引用 [1]

张成才, 王　蕊, 侯佳彤, 等. 基于特征变量筛选的无人机多光谱遥感土壤含水量反演[J]. 中国农村水利水电, 2024(5):147-154.

ZHANG

C C

, WANG

, HOU

J T

, et al. Inversion of soil water content for unmanned aerial vehicle multispectral remote sensing based on feature variable screening[J]. China Rural Water and Hydropower, 2024(5): 147-154.

本文引用 [1]

24	聂素云, 杨　彬, 夏　微, 等. 冬小麦多时期冠层含水量遗传优化遥感反演[J]. 华东师范大学学报(自然科学版), 2023(3): 71-81. NIE S Y, YANG B, XIA W, et al. Remote sensing inversion of multi-period winter wheat canopy water content based on a genetic algorithm[J]. Journal of East China Normal University (Natural Science), 2023(3):71-81. 本文引用 [1]

尹承深, 刘全明, 王春娟, 等. 基于地面光谱测量和主动微波遥感的反演土壤水分研究[J]. 西南农业学报, 2022,35(11):2 595-2 602.

YIN

C S

, LIU

Q M

, WANG

C J

, et al. Inversion of soil moisture by surface spectral measurement combined with active microwave remote sensing[J]. Southwest China Journal of Agricultural Sciences, 2022,35(11):2 595-2 602.

本文引用 [1]

26	李　虎, 钟　韵, 冯雅婷, 等. 无人机遥感的多植被指数土壤水分反演模型[J]. 光谱学与光谱分析, 2024,44(1):207-214. LI H, ZHONG Y, FENG Y T, et al. Multi-vegetation index soil moisture inversion model based on UAV remote sensing[J]. Spectroscopy and Spectral Analysis, 2024,44(1):207-214.

27	ZHANG L L, MENG Q Y, YAO S, et al. Soil moisture retrieval from the Chinese GF-3 satellite and optical data over agricultural fields[J]. Sensors, 2018,18(8):2 675. 本文引用 [1]

28	李伯祥, 陈晓勇, 徐雯婷. 基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分[J]. 水土保持研究, 2019,26(5):39-44. LI B X, CHEN X Y, XU W T. Inversion of soil moisture in vegetation-covered areas by sentinel-1A dual polarization based on water cloud model[J]. Research of Soil and Water Conservation, 2019,26(5):39-44. 本文引用 [1]

29	鲍艳松, 刘良云, 王纪华, 等. 利用ASAR图像监测土壤含水量和小麦覆盖度[J]. 遥感学报, 2006,10(2):263-271. BAO Y S, LIU L Y, WANG J H, et al. Estimation of soil water content and wheat coverage with ASAR image[J]. Journal of Remote Sensing, 2006,10(2):263-271. 本文引用 [1]

吴善玉, 鲍艳松, 李叶飞, 等. 基于神经网络算法的Sentinel-1和Sentinel-2遥感数据联合反演土壤湿度研究[J]. 大气科学学报, 2021,44(4):636-644.

S Y

, BAO

Y S

, LI

Y F

, et al. Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm[J]. Transactions of Atmospheric Sciences, 2021,44(4):636-644.

本文引用 [1]

31	谢凯鑫, 张婷婷, 邵　芸, 等. 基于Radarsat-2全极化数据的高原牧草覆盖地表土壤水分反演[J]. 遥感技术与应用, 2016,31(1):134-142. XIE K X, ZHANG T T, SHAO Y, et al. Study on soil moisture inversion of plateau pasture using radarsat-2 imagery[J]. Remote Sensing Technology and Application, 2016,31(1):134-142. 本文引用 [1]

32	孙时雨, 宋承运, 周　露. 基于优化BP神经网络ESA CCI土壤水分重建方法研究[J]. 无线电工程, 2023,53(11):2 507-2 514. SUN S Y, SONG C Y, ZHOU L. Research on ESA CCI soil moisture reconstruction method based on optimized BP neural network[J]. Radio Engineering, 2023,53(11):2 507-2 514. 本文引用 [1]

PDF(4312 KB)

访问

引用

详细情况

段落导航

摘要
Abstract
关键词
Key words
基金
引用本文
0 引言
1 研究区概况与数据预处理
1.1 研究区域概况
图1 研究区位置及采样点分布
1.2 数据源及预处理
1.2.1 地面实测数据
1.2.2 无人机数据
2 研究方法
2.1 基于改进水云模型计算土壤后向散射系数
2.2 基于BP神经网络的土壤墒情反演
图2 BP神经网络结构
表1 BP神经网络输入参数组合方案
2.3 精度评价指标
3 结果与分析
3.1 植被含水量反演结果
图3 植被含水量反演结果
3.2 基于改进水云模型与线性回归的土壤墒情反演结果
图4 单个极化下基于改进水云模型与线性回归的土壤墒情反演效果
图5 单个极化下基于水云模型与线性回归的土壤墒情反演效果
3.3 基于改进水云模型与BP神经网络的土壤墒情反演结果
图6 单个极化下基于改进水云模型与BP神经网络的土壤墒情反演效果
图7 线性回归模型与BP神经网络模型在不同极化下反演土壤墒情的效果对比
图8 不同极化组合下基于改进水云模型与BP神经网络的土壤墒情反演效果
表2 基于BP神经网络的各组合反演精度评价
4 讨论和结论
4.1 讨论
4.2 结论
参考文献

收稿日期	接受日期	出版日期
2024-06-11	2024-11-25	2025-03-05
发布日期
2025-03-24

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

基金

引用本文

0 引言

1 研究区概况与数据预处理

1.1 研究区域概况

图1 研究区位置及采样点分布

1.2 数据源及预处理

1.2.1 地面实测数据

1.2.2 无人机数据

2 研究方法

2.1 基于改进水云模型计算土壤后向散射系数

2.2 基于BP神经网络的土壤墒情反演

图2 BP神经网络结构

表1 BP神经网络输入参数组合方案

2.3 精度评价指标

3 结果与分析

3.1 植被含水量反演结果

图3 植被含水量反演结果

3.2 基于改进水云模型与线性回归的土壤墒情反演结果

图4 单个极化下基于改进水云模型与线性回归的土壤墒情反演效果

图5 单个极化下基于水云模型与线性回归的土壤墒情反演效果

3.3 基于改进水云模型与BP神经网络的土壤墒情反演结果

图6 单个极化下基于改进水云模型与BP神经网络的土壤墒情反演效果

图7 线性回归模型与BP神经网络模型在不同极化下反演土壤墒情的效果对比

图8 不同极化组合下基于改进水云模型与BP神经网络的土壤墒情反演效果

表2 基于BP神经网络的各组合反演精度评价

4 讨论和结论

4.1 讨论

4.2 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

基金

引用本文

0 引 言

1 研究区概况与数据预处理

1.1 研究区域概况

图1 研究区位置及采样点分布

1.2 数据源及预处理

1.2.1 地面实测数据

1.2.2 无人机数据

2 研究方法

2.1 基于改进水云模型计算土壤后向散射系数

2.2 基于BP神经网络的土壤墒情反演

图2 BP神经网络结构

表1 BP神经网络输入参数组合方案

2.3 精度评价指标

3 结果与分析

3.1 植被含水量反演结果

图3 植被含水量反演结果

3.2 基于改进水云模型与线性回归的土壤墒情反演结果

图4 单个极化下基于改进水云模型与线性回归的土壤墒情反演效果

图5 单个极化下基于水云模型与线性回归的土壤墒情反演效果

3.3 基于改进水云模型与BP神经网络的土壤墒情反演结果

图6 单个极化下基于改进水云模型与BP神经网络的土壤墒情反演效果

图7 线性回归模型与BP神经网络模型在不同极化下反演土壤墒情的效果对比

图8 不同极化组合下基于改进水云模型与BP神经网络的土壤墒情反演效果

表2 基于BP神经网络的各组合反演精度评价

4 讨论和结论

4.1 讨 论

4.2 结 论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

0 引言

4.1 讨论

4.2 结论