基于无人机多光谱数据的农田土壤水分遥感监测

冯珊珊; 梁雪映; 樊风雷; 王塞; 伍健恒

doi:10.6054/j.jscnun.2020098

基于无人机多光谱数据的农田土壤水分遥感监测

冯珊珊¹,
梁雪映^{1, 2},
樊风雷^{1, 3, ,},
王塞¹,
伍健恒¹

1.
华南师范大学地理科学学院，广州 510631
2.
广东省生态环境技术研究所广东省农业环境综合治理重点实验室，广州 510650
3.
西藏大学高原地表环境遥感监测联合实验室，拉萨 850000

基金项目:

广东省基础与应用基础研究基金项目 2020A1515010562

广东省烟草专卖局科技项目 201705

详细信息

通讯作者:
樊风雷, 教授, Email:fanfenglei@gig.ac.cn

中图分类号: TP79
计量
- 文章访问数: 821
- HTML全文浏览量: 1703
- PDF下载量: 186
出版历程
- 收稿日期: 2020-03-31
- 网络出版日期: 2021-01-04
- 刊出日期: 2020-12-24

Monitoring of Farmland Soil Moisture Based on Unmanned Aerial Vehicle Multispectral Data

1.
School of Geography, South China Normal University, Guangzhou 510631, China
2.
Guangdong Key Laboratory of Integrated Agro-environmental Pollution Control and Management, Institute of Eco-environmental Science and Technology, Guangzhou 510650, China
3.
Joint Laboratory of Plateau Surface Remote Sensing, Tibet University, Lhasa 850000, China

摘要

摘要: 为了提高农田精准管理效率，基于无人机(Unmanned Aerial Vehicle，UAV)实时获取和传输的遥感数据设计了一种快速监测农田土壤水分的方法：首先，利用UAV飞行采集农田的多光谱数据，在农田选取一个代表性的重点观测区域进行随机样点土壤水分探测；然后，利用垂直干旱指数(Perpendicular Drought Index, PDI)，结合样点土壤水分数据快速构建农田土壤水分反演模型，进而获得大范围的农田土壤水分监测结果.并通过6个时相获取的UAV数据和样点土壤水分数据，进行方法实验和模型精度分析，结果表明利用该方法进行农田土壤水分监测的精度较高：6个时相土壤水分反演结果的决定系数R²均在0.8以上，其中5个时相的均方根误差RMSE和系统误差SE值均小于0.1.这证明了基于UAV数据设计的农田土壤水分监测方法的有效性和可行性，可以为大范围农田土壤水分的快速监测提供方法参考.
- 土壤水分 /
- 无人机 /
- 多光谱遥感 /
- 垂直干旱指数
Abstract: In order to improve the efficiency of precision farmland management, a method to quickly monitor the soil moisture content of farmland is designed, based on remote sensing data transmitted and obtained in real time with unmanned aerial vehicle (UAV). Firstly, multispectral images of farmland were obtained through UAV and a representative area of farmland was selected to detect the soil moisture content of random samples. Then, the perpendicular drought index (PDI) method, combined with the soil moisture data of samples, were used to construct an inversion model of soil moisture, with which the data of the soil moisture of a wide range of farmland were finally obtained. UAV images and soil moisture data in 6 different periods were used for the inversion accuracy analysis and the method validation. The results showed that this method is of high precision in soil moisture monitoring, with the coefficient of determination (R²) being more than 0.8 in 6 periods and the root mean square error (RMSE) and the systematic error (SE) being both less than 0.1 in 5 periods. This method of soil moisture monitoring based on UAV data had its validity and feasibility proved and could provide reference for rapid monitoring of large-scale farmland soil moisture.
- soil moisture /
- unmanned aerial vehicle(UAV) /
- multispectral remote sensing /
- perpendicular drought index(PDI)

HTML全文

土壤水分表示一定深度土层中土壤的干湿程度，是气候、生态、水文和农学等研究领域的一个基础参数^[1].在农业生产中，农田的土壤水分是旱涝指示因子，是农作物旱情判断及灌溉管理的基础指标，也是影响农作物的生长发育的重要因素，更是影响精准农业发展的关键因素^[2].因此，全面、实时和准确的农田土壤水分监测，对农作物长势的科学认识、精准灌溉技术的实施和农作物产量的评估都有重要的现实意义.

土壤水分监测方法主要有传统的土壤水分测定方法和遥感监测方法.传统的土壤水分测定方法是基于手工的单点测定，尽管具有测定精度高和操作简单的优点，但数据时效性差，且单点土壤水分信息不能代表区域土壤水分情况，难以满足大范围、实时的土壤水分监测需求^[3-4].

遥感技术的发展，给土壤水分的实时、动态、宏观监测提供了新思路，一定程度上弥补了传统测定方法的不足.遥感手段获取土壤水分是基于土壤表面的遥感数据，通过研究遥感数据与土壤水分的关系，建立土壤水分与遥感数据的关系模型来反演土壤水分信息^[5-6].目前利用遥感技术反演土壤水分主要用到的遥感波段有：可见光-近红外、热红外和微波.学者们基于这些遥感波段得到了许多模型和方法，如作物缺水指数(Crop Water Stress Index，CWSI)法^[7-8]、水分亏缺指数(Water Deficit Index，WDI)法^[9]、植被供水指数(Vegetation Supply Water Index，VSWI)法^[10]、微波法^[11-12]等.其中，可见光-近红外遥感监测土壤水分方法根据土壤反射率会随着土壤水分增加而降低的特征，通过构建光谱指数与土壤水分之间的关系模型进而反演土壤水分.基于近红外和红光(NIR-Red)对水分的吸收特性，GHULAM等^[13]提出了垂直干旱指数(Perpendicular Drought Index, PDI)，能有效探测土壤水分变化趋势，简单易用且物理意义明确，常应用于不同地区土壤水分的监测^[14-16].

目前的遥感方法可以实现对土壤水分的大面积监测，但仍存在时效性较差、精度较低的问题.无人机(Unmanned Aerial Vehicle, UAV)可以实时获取和传输高分辨率的遥感数据，UAV遥感可以弥补目前的遥感方法监测土壤水分时效性差的不足，为作物土壤水分监测提供了新的技术和思路.近年来，基于UAV遥感的土壤水分监测方法得到了广泛的研究，如：张智韬等^[17]利用UAV数据对裸土含水率进行大范围快速测定并确定了最佳土壤监测深度；陈震等^[18]利用UAV影像进行作物土壤水分亏缺反演研究，构建了土壤水分反演模型；葛翔宇等^[19]提出了一种基于UAV遥感快速监测土壤水分的新方案.当前，UAV遥感监测土壤水分的方法和相关模型正在不断地完善，如何利用UAV数据进行准确、快速、大范围的土壤水分监测是未来研究中的重点和难点.

本文旨在探索一种基于UAV遥感的农田土壤水分监测方法：利用实时获取的UAV多光谱数据，构建农田土壤水分反演模型，从而实现大范围农田土壤水分的快速监测，为农作物合理灌溉、农业精准化管理提供参考.

1. 研究区域

研究区域是位于广东省韶关市始兴县东北部的特色烟叶种植农田(中心经纬度：114°11′44″ E, 25°03′10″ N)，如图 1所示.该农田总面积约为16.67 hm²，田间作物种植统一有序，田埂排列整齐.作物的生长期为每年的3—6月份，图 1是2019年5月12日获取的农田范围的多光谱影像.由于研究区面积较大，为了快速建立农田土壤水分反演模型，本研究在农田中选取了一块面积为0.38 hm²的重点观测区(农田东北部的黄色矩形区域)，用于实地探测田间样点的土壤水分.

图 1 研究区域

Figure 1. The map of the study area

下载: 全尺寸图片幻灯片

2. 数据与方法

2.1 数据采集

数据采集包括UAV多光谱数据获取与田间样点的土壤水分探测. UAV数据的获取采用大疆精灵4 pro UAV信息采集系统，搭载Parrot Sequoia传感器作为遥感数据采集平台，飞行设备及野外调研照片如图 2所示. Parrot Sequoia传感器由多光谱传感器和光照传感器两部分组成，其获取的多光谱影像共有4个光谱通道：绿光Green(波长550 nm，带宽40 nm)、红光Red(波长660 nm，带宽40 nm)、红边Red_edge(波长735 nm，带宽10 nm)和近红外NIR(波长790 nm，带宽40 nm).本研究在作物生长期内一共飞行采集了6个时相的覆盖整块农田的UAV多光谱影像(具体时间见表 1)，UAV飞行高度均为80 m，UAV多光谱影像空间分辨率为0.1 m，数据质量良好.

图 2 无人机、多光谱传感器设备及野外作业

Figure 2. The UAV, multispectral sensor equipment and field work

下载: 全尺寸图片幻灯片

表 1 数据采集信息

Table 1. The information of data collection

序号	UAV飞行与田间样点土壤水分探测的日期	建模样点数量/个	验证样点数量/个
1	2019-04-21	16	11
2	2019-04-28	10	10
3	2019-05-12	9	11
4	2019-05-19	11	10
5	2019-05-25	11	10
6	2019-06-02	9	10

下载: 导出CSV

| 显示表格

为了快速建立农田土壤水分反演模型，每次飞行采集UAV多光谱数据完成后，均在重点观测区随机选取若干个建模样点，并进行土壤水分探测；最后，在农田其他区域也选取若干个验证样点并进行土壤水分探测，用于检验反演模型的精度水平，详细信息见表 1.田间样点的土壤水分采用Decagon公司生产的ECH₂O/EC-5土壤湿度监测仪进行单点测定，该仪器的探针插入土壤中, 通过计算土壤中电解质的质量分数来估算单位土壤容积中水分子所占的比例，则可快速探测出样点的土壤体积含水率(Volumetric Water Content，VWC)，仪器的测量偏差值为±0.03.每个样点最终记录的VWC值均是通过连续3次探测所取的平均值(VWC值越大，代表土壤水分越高)，每次探测时长为3~4 s，探测土壤深度为0~10 cm.

2.2 土壤水分监测方法

本文利用UAV多光谱数据和垂直干旱指数(PDI)，设计了一种快速监测农田土壤水分的方法，并通过6个时相获取的UAV数据进行方法实验.技术流程如图 3所示，具体方法介绍如下：(1)通过搭载在UAV的多光谱相机获取覆盖整块农田的多光谱数据，并对数据进行拼接、配准、校正等预处理；(2)计算归一化植被指数(NDVI)，从而得到植被覆盖(作物)范围，对植被覆盖范围进行掩膜处理，得到农田的土壤分布范围；(3)计算农田土壤范围的PDI，得到整块农田土壤水分分布趋势；(4)在整块农田中选定一个重点观测区，并在重点观测区随机选取建模样点探测土壤水分，即得到建模样点的VWC值；(5)构建PDI与VWC值的关系模型，即得到农田土壤水分反演模型；(6)计算整块农田的VWC值，得到整块农田的土壤水分反演结果；(7)在整块农田中(重点观测区除外)随机选取验证样点进行土壤水分探测，对土壤水分反演结果进行精度验证.

图 3 基于UAV数据的农田土壤水分监测技术路线

Figure 3. The research flowchart of farmland soil moisture monitoring based on UAV data

下载: 全尺寸图片幻灯片

下面将对本方法所用的归一化植被指数、垂直干旱指数和精度验证指标进行详细介绍.

2.2.1 归一化植被指数NDVI

在计算PDI之前需要剔除植被像元对土壤水分计算的影响，本文利用归一化植被指数(NDVI)^[20]得到植被覆盖范围，并对植被覆盖范围进行掩膜处理. NDVI计算公式如下：

${\rm{NDVI}} = \frac{{{R_{{\rm{nir}}}} - {R_{{\rm{red}}}}}}{{{R_{{\rm{nir}}}} + {R_{{\rm{red}}}}}}.$

(1)

2.2.2 垂直干旱指数PDI

土壤在红波段Red和近红外波段NIR的反射率具有线性关系，在NIR-Red光谱特征空间中，土壤的光谱变化表现为一个由近于原点发射的直线，称为“土壤基线”^[21]，可以表示为：

${R_{{\rm{nir}}}} = M \times {R_{{\rm{red}}}} + I,$

(2)

其中，R_red、R_nir分别是红光、近红外波段的反射率，M、I分别为土壤基线的斜率、截距.

GHULAM等^[13]利用了土壤在NIR-Red光谱特征空间的特性，建立了垂直干旱指数(PDI)，可以有效地探测土壤水分.其计算公式如下：

${\rm{PDI}} = \frac{{{R_{{\rm{red}}}} + M \times {R_{{\rm{nir}}}}}}{{\sqrt {{M^2} + 1} }}.$

(3)

在NIR-Red二维散点图中, PDI构成垂直于土壤基线的法线.在NIR-Red光谱特征空间上，从任何一个点到该法线的垂直距离可以说明土壤的干湿程度，距离越大则说明土壤越干旱，越小则说明土壤越湿润，即PDI值越大表示土壤水分越低，反之土壤水分越高.

2.2.3 精度验证指标

精度验证分别采用决定系数R²、均方根误差(Root Mean Square Error, RMSE)和系统误差(Systematic Error, SE)3个指标来分析.

R²可以用来度量2个变量之间的回归拟合效果，计算公式如下：

${R^2} = 1 - \frac{{\sum\limits_{i = 1}^n {{{({A_i} - {{\hat A}_i})}^2}} }}{{\sum\limits_{i = 1}^n {{{({A_i} - {{\widetilde A}_i})}^2}} }},$

(4)

其中， ${{{\hat A}_i}}$ 为估算值，A_i为实测值 ${{{\widetilde A}_i}}$ 为所有实测值的均值；n为样本数量；R²值介于0和1之间，R²值越接近1，表示2个变量的回归拟合效果越好.

RMSE用来评价所有检验样本的整体估算误差，计算公式如下：

${\rm{RMSE}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left( {{{\hat A}_i} - {A_i}} \right)}^2}} }}{n}} .$

(5)

SE用来评价系统误差的影响(如高估、低估)，计算公式如下：

${\rm{SE}} = \frac{{\sum\limits_{i = 1}^n {\left( {{{\hat A}_i} - {A_i}} \right)} }}{n}.$

(6)

RMSE和SE值越小，代表模型的估算精度越高.其中SE值大于0表示结果被高估，反之则表示被低估.

3. 结果与分析

3.1 土壤水分的反演模型

本文一共获取了6个时相的农田UAV多光谱数据和田间样点土壤水分数据进行实验.根据在重点观测区所探测的建模样点的土壤体积含水率(VWC)和农田土壤范围的PDI，分别建立VWC与PDI的关系模型，得到每个时相的农田土壤水分反演模型结果(图 4).

图 4 基于UVA数据的农田土壤水分反演模型

Figure 4. The inversion models of farmland soil moisture based on UAV data

下载: 全尺寸图片幻灯片

由6个时相的模型结果可知：PDI与VWC值均呈负相关关系，PDI越高，则VWC越低，即土壤水分越低；从模型的拟合效果来看，6个时相的模型方程的拟合较好，决定系数R²均在0.8以上，且拟合方程的显著性检验均具有统计学意义(P < 0.01).

3.2 土壤水分监测结果

基于上述的农田土壤水分反演模型，计算6个时相的农田VWC值(图 5)，即可以得到每个时相的农田土壤水分反演结果，实现整块农田土壤水分的监测.由图 5可知：(1)从农田土壤水分结果来看，经像元统计得到6个时相的农田VWC均值分别为0.28、0.34、0.16、0.23、0.16、0.15；农田土壤水分在作物生长期呈先增加后减少的趋势，在作物生长后期(2019年5月中下旬)则明显减少. (2)从农田土壤水分空间分布来看，农田的土壤水分在不同时期均存在空间分布不均的情况，在作物生长前期(2019年4月)表现得最为明显；2019年4月21日农田东边的土壤水分明显大于西边，4月28日农田南边的土壤水分明显大于北边.因此，通过土壤水分反演结果可以快速判断农田总体土壤水分的高低，还能快速获取农田土壤水分的空间分布情况，对农田精准灌溉和种植管理有重要的指导意义.

图 5 农田土壤水分反演结果

Figure 5. The inversion results of farmland soil moisture

下载: 全尺寸图片幻灯片

3.3 精度验证

为了检验6个时相土壤水分反演结果的精度水平，即对比模型反演结果(VWC估算值)与土壤水分实际探测值(VWC实测值)之间的差异，本文分别计算了VWC估算值与对应实测值之间的R²、RMSE和SE，以验证反演结果的精度.

由精度验证结果(表 2和图 6)可以看出：6个时相的VWC估算值与对应实测值之间的R²均在0.8以上；除2019年4月28日的结果外，其余5个时相的RMSE和SE值均小于0.1；6个时相的SE值均大于0，说明土壤水分反演结果略有高估.整体上，6个时相的农田土壤水分反演结果精度较高，证明本文设计的基于UAV数据的农田土壤水分监测方法是有效的、可行的.

表 2 农田土壤水分反演结果的精度

Table 2. The accuracy of inversion results of farmland soil moisture

土壤水分监测时间	R²	RMSE	SE
2019-04-21	0.81	0.07	0.03
2019-04-28	0.83	0.15	0.14
2019-05-12	0.81	0.05	0.03
2019-05-19	0.82	0.06	0.05
2019-05-25	0.80	0.05	0.03
2019-06-02	0.82	0.04	0.02

下载: 导出CSV

| 显示表格

图 6 VWC估算值与对应实测值之间的关系

Figure 6. The relationship between real and estimated VWC values

下载: 全尺寸图片幻灯片

4. 结论

土壤水分是作物生长和发育的保证，对农田土壤水分进行监测，快速判断农田土壤水分的高低，获取农田土壤水分的空间分布情况，对农作物合理灌溉和农业精准化管理有重要的指导意义.本文基于UAV多光谱数据和垂直干旱指数(PDI)实现了农田土壤水分的快速监测.

本文一共获取了6个时相的农田UAV多光谱数据和田间样点土壤水分数据，构建了6个时相的农田土壤水分反演模型，并得到对应的农田土壤水分反演结果.精度验证结果表明：整体上反演结果精度较高，6个时相的农田土壤水分反演结果R²均在0.8以上，5个时相的RMSE和SE值均小于0.1，说明本文设计的基于UAV数据监测农田土壤水分的方法是有效的、可行的.因此，未来农田土壤水分监测，可以利用实时获取的UAV多光谱数据，选取一个具有代表性的重点观测区进行随机样点土壤水分探测，快速构建农田土壤水分的反演模型，进而完成农田土壤水分的快速监测.本文提出的方法可以推广和应用于大范围农田土壤水分的快速监测.

图 1 研究区域

Figure 1. The map of the study area

下载: 全尺寸图片幻灯片

图 2 无人机、多光谱传感器设备及野外作业

Figure 2. The UAV, multispectral sensor equipment and field work

下载: 全尺寸图片幻灯片

图 3 基于UAV数据的农田土壤水分监测技术路线

Figure 3. The research flowchart of farmland soil moisture monitoring based on UAV data

下载: 全尺寸图片幻灯片

图 4 基于UVA数据的农田土壤水分反演模型

Figure 4. The inversion models of farmland soil moisture based on UAV data

下载: 全尺寸图片幻灯片

图 5 农田土壤水分反演结果

Figure 5. The inversion results of farmland soil moisture

下载: 全尺寸图片幻灯片

图 6 VWC估算值与对应实测值之间的关系

Figure 6. The relationship between real and estimated VWC values

下载: 全尺寸图片幻灯片

表 1 数据采集信息

Table 1 The information of data collection

序号	UAV飞行与田间样点土壤水分探测的日期	建模样点数量/个	验证样点数量/个
1	2019-04-21	16	11
2	2019-04-28	10	10
3	2019-05-12	9	11
4	2019-05-19	11	10
5	2019-05-25	11	10
6	2019-06-02	9	10

下载: 导出CSV

表 2 农田土壤水分反演结果的精度

Table 2 The accuracy of inversion results of farmland soil moisture

土壤水分监测时间	R²	RMSE	SE
2019-04-21	0.81	0.07	0.03
2019-04-28	0.83	0.15	0.14
2019-05-12	0.81	0.05	0.03
2019-05-19	0.82	0.06	0.05
2019-05-25	0.80	0.05	0.03
2019-06-02	0.82	0.04	0.02

下载: 导出CSV

参考文献(21)

[1]	MORAN M S, HYMER D C, QI J, et al. Comparison of ERS-2 SAR and Landsat TM imagery for monitoring agricultural crop and soil conditions[J]. Remote Sensing of Environment, 2002, 79(2/3):243-252. http://www.sciencedirect.com/science/article/pii/S0034425701002760
[2]	KUMAR S V, DIRMEYER P A, PETERS-LIDARD C D, et al. Information theoretic evaluation of satellite soil moisture retrievals[J]. Remote Sensing of Environment, 2018, 204:392-400. http://www.sciencedirect.com/science/article/pii/S0034425717304789
[3]	伍漫春, 丁建丽, 王高峰.基于地表温度-植被指数特征空间的区域土壤水分反演[J].中国沙漠, 2012, 32(1):148-154. http://d.wanfangdata.com.cn/Periodical/zgsm201201023 WU M C, DING J L, WANG G F. Regional soil moisture inversion based on surface temperature and vegetation index characteristic spaces[J]. Journal of Desert Research, 2012, 32(1):148-154. http://d.wanfangdata.com.cn/Periodical/zgsm201201023
[4]	汝博文, 缴锡云, 王耀飞, 等.基于MODIS数据的土壤水分空间变异规律[J].中国农村水利水电, 2016(4):38-42. http://d.wanfangdata.com.cn/Periodical/zgncslsd201604010 RU B W, JIAO X Y, WANG Y F, et al. Spatial variability of soil moisture content based in MODIS data[J]. China Rural Water and Hydropower, 2016(4):38-42. http://d.wanfangdata.com.cn/Periodical/zgncslsd201604010
[5]	仝兆远, 张万昌.土壤水分遥感监测的研究进展[J].水土保持通报, 2007(4):107-113. http://www.cqvip.com/Main/Detail.aspx?id=25293937 TONG Z Y, ZHANG W C. Progress of soil moisture monitoring by remote sensing[J]. Bulletin of Soil and Water Conservation, 2007(4):107-113. http://www.cqvip.com/Main/Detail.aspx?id=25293937
[6]	吴黎, 张有智, 解文欢, 等.土壤水分的遥感监测方法概述[J].国土资源遥感, 2014, 26(2):19-26. http://www.cnki.com.cn/Article/CJFDTotal-GTYG201402004.htm WU L, ZHANG Y Z, XIE W H, et al. Summary of remote sensing methods for monitoring soil moisture[J]. Remote Sensing for Land & Resources, 2014, 26(2):19-26. http://www.cnki.com.cn/Article/CJFDTotal-GTYG201402004.htm
[7]	IDSO S B, JACKSON R D, PINTER P J, et al. Normalizing the stress-degree-day parameter for environmental variability[J]. Agricultural Meteorology, 1981, 24(1):45-55. http://www.sciencedirect.com/science/article/pii/0002157181900327
[8]	JACKSON R D, IDSO S B, REGINATO R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4):1133-1138. doi: 10.1029/WR017i004p01133/pdf
[9]	MORAN M S, CLARKE T R, INOUE Y, et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49(3):246-263.
[10]	CARLSON T N, GILLIES R R, PERRY E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews, 1994, 9(1):161-173. doi: 10.1080/02757259409532220
[11]	ULABY F T, ASLAM A, DOBSON M C. Effects of vegetation cover on the radar sensitivity to soil moisture[J]. IEEE Transactions on Geoscience & Remote Sensing, 1982, 20(4):476-481. http://ieeexplore.ieee.org/document/4157335
[12]	李杏朝.微波遥感监测土壤水分的研究初探[J].遥感技术与应用, 1995(4):1-8. http://www.cnki.com.cn/Article/CJFDTotal-YGJS504.000.htm LI X C. A study on soil moisture monitoring by using microwave remote sensing[J]. Remote Sensing Technology & Application, 1995(4):1-8. http://www.cnki.com.cn/Article/CJFDTotal-YGJS504.000.htm
[13]	GHULAM A, QIN Q, ZHAN Z. Designing of the perpendicular drought index[J]. Environmental Geology, 2007, 52(6):1045-1052. doi: 10.1007/s00254-006-0544-2
[14]	詹志明, 秦其明, 阿布都瓦斯提·吾拉木, 等.基于NIR-Red光谱特征空间的土壤水分监测新方法[J].中国科学:D辑, 2006(11):1020-1026. http://www.cnki.com.cn/Article/CJFDTotal-JDXK200611004.htm ZHAN Z M, QIN Q M, GHULAM A, et al. A new method of soil moisture monitoring based on NIR-Red spectral feature space[J]. Science in China:Series D, 2006(11):1020-1026. http://www.cnki.com.cn/Article/CJFDTotal-JDXK200611004.htm
[15]	陈国茜, 周秉荣, 胡爱军.垂直干旱指数在高寒农区春旱监测中的应用研究[J].遥感技术与应用, 2014, 29(6):949-953. http://d.wanfangdata.com.cn/Periodical/ygjsyyy201406008 CHEN G X, ZHOU B R, HU A J. Application research of perpendicular drought index for spring drought monitoring in high and cold agricultural area[J]. Remote Sensing Technology & Application, 2014, 29(6):949-953. http://d.wanfangdata.com.cn/Periodical/ygjsyyy201406008
[16]	鹿国武, 尚建设, 周清, 等.基于高分一号数据的干旱监测方法研究[J].能源与环保, 2020, 42(1):63-66. http://www.ixueshu.com/document/2e1c32172b661dd8ebf9dfd2fc35f29d318947a18e7f9386.html LU G W, SHANG J S, ZHOU Q, et al. Research on drought monitoring method based on data of GF-1[J]. China Energy and Environmental Protection, 2020, 42(1):63-66. http://www.ixueshu.com/document/2e1c32172b661dd8ebf9dfd2fc35f29d318947a18e7f9386.html
[17]	张智韬, 王海峰, 韩文霆, 等.基于无人机多光谱遥感的土壤含水率反演研究[J].农业机械学报, 2018, 49(2):173-181. http://d.wanfangdata.com.cn/periodical/nyjxxb201802023 ZHANG Z T, WANG H F, HAN W T, et al. Inversion of soil moisture content based on multispectral remote sen-sing of UAVs[J]. Transactions of the Chinese Society of Agricultural Machinery, 2018, 49(2):173-181. http://d.wanfangdata.com.cn/periodical/nyjxxb201802023
[18]	陈震, 马春芽, 孙浩, 等.基于无人机影像的作物土壤水分亏缺反演方法[J].中国农业信息, 2019, 31(4):23-35. http://d.wanfangdata.com.cn/periodical/nyxxts201904003 CHEN Z, MA C Y, SUN H, et al. The inversion methods for water stress of irrigation crop based on unmanned aerial vehicle remote sensing[J]. China Agricultural Informa-tics, 2019, 31(4):23-35. http://d.wanfangdata.com.cn/periodical/nyxxts201904003
[19]	葛翔宇, 丁建丽, 王敬哲, 等.一种基于无人机高光谱影像的土壤墒情检测新方法[J].光谱学与光谱分析, 2020, 40(2):602-609. http://d.wanfangdata.com.cn/periodical/gpxygpfx202002046 GE X Y, DING J L, WANG J Z, et al. A new method for predicting soil moisture based on UAV hyperspectral ima-ge[J]. Spectroscopy and Spectral Analysis, 2020, 40(2):602-609. http://d.wanfangdata.com.cn/periodical/gpxygpfx202002046
[20]	DEERING D W. Measuring "forage production" of gra-zing units from Landsat MSS data[C]//Proceedings of the 10th International Symposium on Remote Sensing of Environment. Ann Arbor, Michigan: Environmental Research Institute of Michigan, 1975: 1169-1178.
[21]	赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003.

施引文献(38)

期刊类型引用(20)

1.	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. 节水灌溉. 2025(03): 105-112 . 百度学术
2.	阙艳红，吴苏，姜明梁，张成才，李风波，李炎朋. 融合多源遥感数据的夏玉米土壤水分反演方法对比研究. 节水灌溉. 2024(03): 91-98 . 百度学术
3.	王丽妍. 智能化农业技术在东北地区水稻种植上的应用. 特种经济动植物. 2024(05): 173-175 . 百度学术
4.	张成才，王蕊，侯佳彤，姜明梁，祝星星. 基于特征变量筛选的无人机多光谱遥感土壤含水量反演. 中国农村水利水电. 2024(05): 147-154 . 百度学术
5.	张成才，侯佳彤，王蕊，姜明梁，祝星星. 基于无人机多光谱与热红外数据的冬小麦土壤水分反演. 郑州大学学报(工学版). 2024(05): 111-118 . 百度学术
6.	程敬雅，景元书，薛晓萍，张继波，李楠，董智强，张玉双. 人工智能在现代农业气象领域应用的研究进展. 江西农业学报. 2024(07): 48-54 . 百度学术
7.	吴东丽，刘聪，郭超凡，丁明明，吴苏，阙艳红，姜明梁，李雁. 基于多源遥感数据与模型对比的冬小麦土壤含水量区域监测研究. 中国农学通报. 2024(25): 147-154 . 百度学术
8.	赵贵平，徐发俊. 基于无人机多光谱影像的农田土壤水分监测. 测绘通报. 2024(11): 177-182 . 百度学术
9.	陈潜. 基于高光谱数据的土壤含水量反演. 长江信息通信. 2024(12): 19-22 . 百度学术
10.	吴娟，何月红，黄涛，吕林涛，刘自增. 枸杞土壤含水量间接光谱估测模型. 安徽农业科学. 2023(11): 171-173+177 . 百度学术
11.	温积群，杨迁，王绍荃，赵勇. 基于深度强化学习的近程无人机数据采集方法研究. 自动化技术与应用. 2023(10): 121-124 . 百度学术
12.	严勇，余成，王颖，张志敏. 无人机多光谱遥感的水质参数反演研究. 海洋测绘. 2023(05): 67-72 . 百度学术
13.	胡炜杰，廖晓恬，黄丹颖，陈亚举，区晓阳. 红外技术在农产品安全领域的应用. 农产品质量与安全. 2022(02): 62-68 . 百度学术
14.	王钧，陆洲，罗明，徐飞飞，张序. 基于机载多光谱的冬小麦返青期土壤墒情反演. 浙江农业学报. 2022(06): 1297-1305 . 百度学术
15.	胡华宗. 基于无人机遥感技术的矿井地面塌陷综合监测. 能源与环保. 2022(09): 85-89 . 百度学术
16.	韩冷，何雄奎，王昌陵，刘亚佳，宋坚利，齐鹏，刘理民，李天，郑义，林桂海，周战，黄康，王忠，查海涅，张国山，周国涛，马勇，伏浩，聂宏远，曾爱军，张炜. 智慧果园构建关键技术装备及展望. 智慧农业(中英文). 2022(03): 1-11 . 百度学术
17.	马纬，武志明，温鑫伟，余科松. 遥感多光谱成像在解析土壤成分方面研究进展. 农业工程. 2022(11): 30-36 . 百度学术
18.	黄培峰，朱立学，陈家政. 农业无人机遥感技术研究进展. 机电产品开发与创新. 2021(03): 43-45 . 百度学术
19.	吕学研，张甦，张咏，尤佳艺，向一铭，郭仁庆，董圆媛. 无人机多光谱遥感在社渎港污染溯源中的应用. 水资源与水工程学报. 2021(03): 18-23 . 百度学术
20.	龙林丽，刘英，张旭阳，苏永东，陈孝杨. 无人机在矿区表土特征及地质灾害监测中的应用. 煤田地质与勘探. 2021(06): 200-211 . 百度学术

其他类型引用(18)

资源附件(0)

图(6) / 表(2)

计量

文章访问数: 821
HTML全文浏览量: 1703
PDF下载量: 186
被引次数: 38

1. 研究区域
2. 数据与方法
2.1 数据采集
2.2 土壤水分监测方法
2.2.1 归一化植被指数NDVI
2.2.2 垂直干旱指数PDI
2.2.3 精度验证指标
3. 结果与分析
3.1 土壤水分的反演模型
3.2 土壤水分监测结果
3.3 精度验证
4. 结论

基于无人机多光谱数据的农田土壤水分遥感监测

通讯作者: 樊风雷, 教授, Email:fanfenglei@gig.ac.cn

计量

出版历程