+7 906 644 66 80 _____info@gisproxima.ru
Оставить заявку

Совместное использование гиперспектральных изображений с БПЛА и алгоритмов машинного обучения для мониторинга влажности почвы

Научный перевод-изложение статьи: Ge X., Wang J., Ding J., Cao X., Zhang Z., Liu J., Li X. (2019). Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring. PeerJ 7:e6926. DOI: 10.7717/peerj.6926.
Авторы: Xiangyu Ge, Jingzhe Wang, Jianli Ding, Xiaoyi Cao, Zipeng Zhang, Jie Liu, Xiaohang Li. Синьцзянский университет, Урумчи, Китай.
Редакционный формат: перевод основного научного содержания с сохранением методологии, ключевых численных результатов, оригинальных рисунков и пояснений к ним. Иллюстрации воспроизведены без перевода подписей внутри самих графиков; русскоязычные подписи приведены под изображениями.

Аннотация

Влажность почвы (soil moisture content, SMC) является одним из определяющих факторов устойчивости сельскохозяйственного производства в аридных районах. В отличие от спутниковой съёмки, беспилотные летательные аппараты (БПЛА) обеспечивают высокое пространственное разрешение и гибкость организации наблюдений. Исследование посвящено построению количественных моделей влажности пахотного слоя почвы на основе гиперспектральных изображений посевов озимой пшеницы, спектральных индексов и методов машинного обучения.
Для площади приблизительно 2,5 га в районе города Фукан, Синьцзян, Китай, собраны 70 образцов поверхностной почвы (0–10 см). Гиперспектральные данные получены камерой Headwall Nano-Hyperspec в диапазоне 400–1000 нм. Проанализированы методы спектральной предобработки и двухволновые индексы DI, RI, NDI, PI, а затем построены модели Random Forest (RF) и Extreme Learning Machine (ELM). Лучшим оказался метод PIR (перпендикулярный индекс + случайный лес): R² на валидации — 0,907, RMSEP — 1,477 процентного пункта влажности, RPD — 3,396. Полученная карта влажности удовлетворительно воспроизвела наблюдаемое пространственное распределение.
Ключевые слова: гиперспектральная съёмка, БПЛА, влажность почвы, точное земледелие, Random Forest, ELM, спектральные индексы, дистанционное зондирование.

1. Введение

Влажность почвы влияет на агрегатное состояние, доступность питательных веществ и физико-химические процессы, а также является важной переменной для оценки водного баланса, гидрологических и климатических процессов. Для орошаемого земледелия сведения о пространственных различиях влажности помогают выбирать режим полива и обеспечивать посевы влагой в критические фазы развития.
Традиционное определение влажности по отбору и высушиванию проб является сравнительно затратным и требует значительного объёма полевых работ. Гиперспектральное дистанционное зондирование позволяет оценивать свойства растений и почв на больших площадях. Спектр растительного покрова изменяется под действием водного стресса, поэтому характеристики посевов могут использоваться как косвенные признаки влажности подстилающей почвы.
Авторы отмечают, что простые спектральные индексы, построенные только по исходным значениям отражения, не полностью используют доступную спектральную информацию. Производные, преобразование в оптическую плотность, удаление континуума и двумерный поиск оптимальной пары длин волн позволяют уменьшить помехи и усилить информативные признаки. Сложные нелинейные связи между спектрами и почвенной влажностью делают перспективными методы RF и ELM по сравнению с обычной линейной регрессией.
Цели исследования: установить связь SMC с двухволновыми индексами после различных преобразований спектров; сравнить две модели машинного обучения; составить цифровую карту влажности верхнего слоя почвы аридного агроландшафта.

2. Материалы и методы

2.1. Район исследований и схема отбора проб

Экспериментальный участок расположен у города Фукан в Синьцзян-Уйгурском автономном районе Китая (87°51′15″ в. д.; 44°21′14″ с. ш.), на северной границе Фуканского оазиса в переходной зоне пустыни Гурбантюнгют. Климат умеренный континентальный, пустынный; среднегодовые осадки менее 200 мм, среднегодовая температура около 7,1 °C. На участке выращивали озимую пшеницу.
Рисунок 1. Географическое положение города Фукан и расположение точек отбора проб: A — положение Синьцзяна в Китае; B — город Фукан; C — схема размещения пробных площадок.

2.2. Гиперспектральная съёмка с БПЛА

Использована шестироторная платформа DJI Matrice 600 Pro с камерой Headwall Nano-Hyperspec. Спектральный диапазон камеры составляет 400–1000 нм, спектральное разрешение — около 6 нм, интервал дискретизации — 2,2 нм; регистрировались 270 спектральных каналов и 640 пространственных элементов вдоль линии сканирования. При высоте 100 м пространственное разрешение изображений составляло приблизительно 4 см.
Полёт выполнен 17 апреля 2018 года в 15:00 по пекинскому времени, во время возобновления вегетации озимой пшеницы. За пять дней до измерений не отмечались осадки или искусственные воздействия. Перед взлётом проведены коррекция тёмного сигнала и калибровка по белому эталону; последующая обработка и ортотрансформирование выполнялись в Hyperspec III и Headwall SpectralView.
Рисунок 2. Платформа для съёмки: A — БПЛА DJI Matrice 600 Pro; B — гиперспектральная камера Headwall Nano-Hyperspec.

2.3. Определение влажности почвы

В период воздушной съёмки в поле выделили 70 площадок размером 0,5 × 0,5 м. Координаты фиксировали GPS. Пробы отбирали четырёхточечным методом в окрестности растений пшеницы из слоя 0–10 см. Образцы герметизировали в алюминиевых ёмкостях; в лаборатории их высушивали при 105 °C на протяжении 48 часов. Результаты использовались как наземные эталонные значения влажности для обучения и проверки моделей.
Рисунок 3. Аэрофотосъёмка сельскохозяйственного участка и схема отбора: A — работа БПЛА над посевом; B — четырёхточечный метод отбора почвенных проб.

2.4. Предобработка гиперспектральных изображений

Первичная фильтрация выполнена методом Савицкого—Голея с полиномом второго порядка и окном в пять спектральных каналов. Затем исследованы шесть преобразований исходных данных отражения R: первая производная FDR, вторая производная SDR, удаление континуума CR, преобразование в оптическую плотность A, первая производная оптической плотности FDA и вторая производная оптической плотности SDA. Предобработку выполняли в ENVI/IDL 5.3 и MATLAB R2016b. Для каждой пробной площадки извлекали усреднённый спектр.
Разные преобразования не эквивалентны: производные подчёркивают локальные изменения кривой отражения, однако могут удалять полезную информацию; преобразование в оптическую плотность и удаление континуума усиливают проявление отдельных полос поглощения. Поэтому оптимальный вариант определяли по статистической связи с фактической влажностью.

2.5. Спектральные индексы

Сначала исследованы 30 известных вегетационных индексов, включая NDVI, NDVI705, RVI, NDCI, GNDVI, OSAVI, NDRE и другие. Затем для поиска оптимальных комбинаций двух длин волн использовали четыре семейства индексов:
DI(Rᵢ, Rⱼ) = Rᵢ − Rⱼ — разностный индекс; RI(Rᵢ, Rⱼ) = Rᵢ / Rⱼ — индекс отношения; NDI(Rᵢ, Rⱼ) = (Rᵢ − Rⱼ)/(Rᵢ + Rⱼ) — нормализованный разностный индекс; PI(Rᵢ, Rⱼ) = (Rᵢ − 0,4401·Rⱼ − 0,3308)/√(1 + 0,4401²) — перпендикулярный индекс.
Здесь Rᵢ и Rⱼ — отражательная способность на двух выбранных длинах волн диапазона 400–1000 нм. Коэффициенты PI рассчитаны по линии почвенного фона y = 0,4401x + 0,3308, определённой в спектральном пространстве красного канала 655 нм и ближнего ИК-канала 866 нм.

2.6. Обучение и оценка моделей

Разбиение выборки осуществляли алгоритмом SPXY, учитывающим совместные расстояния в пространствах признаков и отклика: 50 наблюдений вошли в калибровочную, 20 — в валидационную выборку. Для RF использовали 500 деревьев, минимальный размер листа 5 и подбор mtry на основе ошибки вне обучающей выборки (out-of-bag). Для ELM применяли однослойную сеть с 30 скрытыми нейронами и сигмоидальной функцией активации.
Качество оценивали коэффициентом детерминации R² для калибровки и валидации, среднеквадратической ошибкой RMSEC / RMSEP и отношением RPD. В работе RPD > 2 интерпретируется как высокая прогностическая пригодность, 1,4–2 — умеренная, менее 1,4 — слабая.
Рисунок 4. Схема исследования: A — полевой сбор данных и спектральная предобработка; B — построение двумерных индексов DI, RI, NDI и PI; C — сравнение алгоритмов и картографирование влажности по лучшей модели PIR.

3. Результаты

3.1. Распределение почвенной влажности

Средняя влажность по 70 образцам составляла 24,45 %, стандартное отклонение — 5,37 процентного пункта. Для обучающей выборки среднее значение — 24,87 % (диапазон 12,23–36,63 %), для проверочной — 23,39 % (14,95–34,83 %). Близость распределений указывает на сопоставимость обучающей и проверочной частей данных.
Рисунок 5. Описательная статистика влажности почвы: распределение значений во всей совокупности, калибровочной и валидационной выборках.

3.2. Влияние спектральных преобразований

Производные первого и второго порядка существенно меняли форму спектров и интенсивность признаков, в то время как оптическая плотность и удаление континуума акцентировали отдельные участки спектра, в особенности синие полосы и красный край. Исследование показало, что спектральная предобработка должна подбираться под конкретную задачу и не может ограничиваться одним универсальным фильтром.
Рисунок 6. Гиперспектральные изображения и кривые после разных способов предобработки: исходный куб, R, FDR, SDR, CR, A, FDA и SDA. Красная линия — средний спектр; серое поле — стандартное отклонение.

3.3. Сравнение стандартных и оптимизированных индексов

Для традиционных одно- и двухполосных индексов максимальные значения R² на проверке составляли около 0,66 (NDVI — 0,664; NDVI705 — 0,663; RVI — 0,662). Авторы сочли их недостаточными для надёжной самостоятельной оценки влажности. При двумерном поиске полос модуль корреляции |r| возрастал: для исходных данных 0,724–0,772, для варианта A-PI достигал 0,788 в одной из комбинаций. Результаты в таблице 3 статьи для максимума по группам содержат A-PI = 0,773; эти показатели относятся к разным этапам выбора оптимальных пар длин волн.
Рисунок 7. Карты квадрата корреляции r² между влажностью и двумерными спектральными индексами при разных преобразованиях. Тёмно-красные области соответствуют более тесной связи с влажностью почвы.

3.4. RF и ELM: сравнительная точность

Модели случайного леса систематически превосходили модели ELM. Максимальную точность обеспечила модель PIR, использующая перпендикулярный индекс в сочетании с Random Forest: R²val = 0,907; RMSEP = 1,477; RPD = 3,396. Даже минимальное значение R²val для RF составляло 0,847, тогда как лучший вариант ELM достигал 0,820.
Рисунок 8. Диаграмма Тейлора для моделей RF и ELM: сопоставление расчётных и измеренных величин влажности; PIR демонстрирует наилучшее согласие с наблюдениями.

3.5. Пространственное картографирование

На построенных картах почвенная влажность в целом была выше на западе и севере участка, ниже — на востоке и юге. Модель PIR воспроизвела пространственную неоднородность, хотя в отдельных частях выявлены завышенные или заниженные значения. Авторы связывали отклонения с особенностями дренажной сети и разреженным растительным покровом; максимальная величина остатка, приведённая в статье, составляет 2,323 процентного пункта.
Рисунок 9. Пространственное распределение влажности почвы: A — значения по наземным измерениям; B — результаты модели PIR; C — карта остатков прогнозирования.

4. Обсуждение

4.1. Информативные спектральные области

Основные чувствительные длины волн были сосредоточены около 420, 440, 460, 700 и 750 нм. Эти области связаны с поглощением пигментов растительности и положением красного края спектра, который изменяется при физиологическом водном стрессе. Таким образом, в исследовании влажность почвы восстанавливается косвенно — через состояние растительного покрова, а не через непосредственное измерение полос поглощения воды почвой.
Рисунок 10. Распределение информативных длин волн: красная кривая — спектральное отражение, синие столбцы — частота выявления чувствительных спектральных каналов.

4.2. Двумерная корреляционная спектроскопия

Синхронные двумерные корреляционные спектры позволили оценить совместные изменения сигналов при различных способах предобработки. Производные снижали влияние части нерелевантных признаков, но одновременно могли уменьшать число информативных спектральных откликов. Для преобразования в оптическую плотность выявлены характерные пики примерно при 450, 670, 740 и 980 нм, согласующиеся с выбранными спектральными диапазонами.
Рисунок 11. Двумерные синхронные корреляционные спектры для исходных данных и преобразований FDR, SDR, CR, FDA, SDA и A.

4.3. Практическая применимость и ограничения

Машинное обучение учитывает нелинейность зависимости почвенной влажности от спектральных признаков. Авторы связывают преимущество RF с устойчивостью ансамбля деревьев при сравнительно небольшом объёме обучающей выборки и сложном взаимодействии спектральных переменных. На диаграммах «измерено — предсказано» варианты RF в среднем располагаются ближе к линии 1:1, хотя отдельные модели склонны недооценивать влажность.
Рисунок 12. Диаграммы сопоставления измеренной и предсказанной влажности для восьми моделей: A — PIR; B — RIE; C — NDIR; D — PIE; E — DIR; F — NDIE; G — RIR; H — DIE. Красная линия — 1:1, чёрная — регрессия.
Ключевые ограничения, отмеченные авторами: исследование проведено на одном участке и в одну дату; спектры посевов зависят от сорта, фазы вегетации, питательного состояния и погодных условий; переносимость модели на другие регионы и культуры остаётся недостаточно проверенной. Необходимы сезонные наблюдения и расширенные спектральные базы для оценки устойчивости подхода.

5. Заключение

Объединение предварительно обработанных гиперспектральных данных БПЛА, оптимизированных двухволновых индексов и Random Forest позволило выполнить пространственную оценку влажности почвы под посевами озимой пшеницы в засушливой зоне. Перпендикулярный индекс PI показал высокую чувствительность к вариациям влажности, а модель PIR достигла R²val = 0,907, RMSEP = 1,477 и RPD = 3,396. Карта влажности по лучшей модели воспроизвела основные пространственные закономерности наземных измерений.
Исследование демонстрирует перспективность гиперспектральных наблюдений для информационной поддержки полива и точного земледелия. Вместе с тем установленные зависимости требуют независимой проверки в другие сроки, на иных посевах и территориях прежде, чем их можно будет считать универсальными.

Публикационные сведения и библиография

Оригинальная статья: Ge X. et al. (2019). Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring. PeerJ, 7, e6926. DOI: 10.7717/peerj.6926. Опубликована 3 мая 2019 г. Лицензия CC BY 4.0.
Внутритекстовые библиографические указания авторов сохранены по смыслу в изложении. Полный список цитируемых источников представлен на страницах 22–27 исходной публикации.
06 ноября / 2026