无人机多光谱影像的红壤多参数协同反演

邢明杰; 徐兴倩; 徐伟恒; 朱翔; 赵琳

doi:10.12404/j.issn.1671-1815.2504778

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10314-10321 DOI: 10.12404/j.issn.1671-1815.2504778

农业科学

无人机多光谱影像的红壤多参数协同反演

邢明杰 ¹ ,
徐兴倩 ¹^,²^,^* ,
徐伟恒 ³ ,
朱翔 ¹ ,
赵琳 ¹

作者信息 +

Synergistic Inversion of Red Soil Parameters from UAV Multispectral Imagery

XING Ming-jie ¹ ,
XU Xing-qian ¹^,²^,^* ,
XU Wei-heng ³ ,
ZHU Xiang ¹ ,
ZHAO Lin ¹

Author information +

文章历史 +

摘要

土壤水分、介电常数与压实度是表征土壤关键物理属性的关键参数,在数字土壤制图(digital soil mapping,DSM)和精准农业与生态研究中具有重要意义。以昆明典型红黏土农田区为对象,同步获取高分辨率多光谱遥感影像并实地测定表层土壤体积含水量、介电常数及压实度。基于影像数据计算植被指数,并结合皮尔逊相关系数分析(Pearson correlation analysis, PCA)与变量重要性投影(variable importance in projection,VIP)算法筛选提取关键光谱特征,分别构建多元线性回归(multiple linear regression,MLR)和随机森林(random forest,RF)模型进行土壤参数定量反演并制图。结果表明:VIP算法能有效提取对参数预测贡献显著的光谱特征,RF模型预测性能显著优于MLR(R²>0.94)。参数空间分布图清晰揭示了水分、介电常数及压实度的空间分异特征:水分与介电常数空间分布高度一致,反映物理关联性,压实度则呈现更复杂的空间异质性。研究表明,基于无人机多光谱的反演模型可实现红壤物理参数的高精度协同反演,对提升土壤资源信息化管理及支撑可持续农业具有重要价值。

Abstract

Soil moisture, dielectric constant, and compaction degree are key physical parameters of soil, playing a great significance role in digital soil mapping (DSM), precision agriculture, and ecological research. A typical red clay farmland area in Kunming was selected as the study object. High-resolution multispectral remote sensing images were synchronously acquired. Field measurements of surface soil volumetric water content, dielectric constant, and compaction degree were conducted. Vegetation indices were calculated from the image data. Pearson correlation analysis and the variable importance in projection (VIP) algorithm were used to extract key spectral features. Multiple linear regression (MLR) and random forest (RF) models were constructed for quantitative inversion of soil parameters and for mapping. The results show that the VIP algorithm can effectively extract spectral features that significantly contribute to parameter prediction. The predictive performance of the RF model is found to be significantly better than that of the MLR model, with an R² value greater than 0.94. The spatial differentiation characteristics of moisture, dielectric constant, and compaction degree are clearly revealed by the spatial distribution maps. A high consistency is observed between the spatial distributions of moisture and dielectric constant, reflecting their physical correlation. More complex spatial heterogeneity is exhibited by compaction degree. The inversion model based on UAV multispectral imagery is shown to enable high-precision simultaneous inversion of red soil physical parameters, which is of great value for improving the information management of soil resources and supporting sustainable agriculture.

Graphical abstract

关键词

多光谱 / 土壤水分 / 土壤介电常数 / 土壤压实度

Key words

multispectral / soil moisture / soil dielectric constant / soil compaction

引用本文

引用格式 ▾

邢明杰, 徐兴倩, 徐伟恒, 朱翔, 赵琳. 无人机多光谱影像的红壤多参数协同反演[J]. 科学技术与工程, 2026, 26(24): 10314-10321 DOI:10.12404/j.issn.1671-1815.2504778

XING Ming-jie, XU Xing-qian, XU Wei-heng, ZHU Xiang, ZHAO Lin. Synergistic Inversion of Red Soil Parameters from UAV Multispectral Imagery[J]. Science Technology and Engineering, 2026, 26(24): 10314-10321 DOI:10.12404/j.issn.1671-1815.2504778

登录浏览全文

4963

注册一个新账户忘记密码

数字土壤制图作为现代土壤科学与地理信息学的交叉领域,已成为优化土地资源管理、提升农业生产力及维护生态系统稳定的关键技术支撑^[1-2]。通过构建高分辨率的空间显式土壤属性数据库,该技术不仅可揭示土壤理化性质的微观异质性特征,更能为精准农业决策、水土流失防控及碳汇能力评估提供科学依据。近年来,随着多源遥感技术的快速发展,土壤含水率、介电常数、容重及压实度等核心参数的协同监测需求日益凸显,这些参数通过多尺度耦合模型可反演土壤持水-导水机制、养分迁移动力学及机械阻抗效应,直接关联作物根系发育、灌溉效率优化与耕作质量评价等应用场景^[3-5]。

土壤水分、介电常数及压实度的精准监测是解析土壤-作物系统能量交换过程的核心环节。传统监测手段中,土壤水分测定主要依赖烘干失重法、时域反射仪(time domain reflectometry, TDR)及中子探针法,其精度可达±1%~3%,但存在采样破坏性、空间代表性差等缺陷^[6-7];介电常数检测多采用电容传感器或阻抗分析仪,通过电磁波传播特性反演土壤介电谱(1~50 MHz频段),但易设备安装困难;压实度评估则以机械贯入仪、动态锥贯仪(dynamic cone penetrometer, DCP)为主,通过力学响应指标建立与土壤容重的指数关系^[8]。上述方法虽在实验室尺度上可靠,但难以满足大尺度动态监测需求^[9]。随着遥感技术向多维度、多时相方向发展,基于无人机平台的多光谱成像技术为突破传统监测瓶颈提供了新路径^[10]。多光谱传感器通过400~2 500 nm光谱区间捕捉土壤反射率特征,其在可见光(visible, VIS)与近红外(near-infrared, NIR)波段对水分含量变化敏感,短波红外(short-wave infrared, SWIR)波段可有效识别含铁氧化物与有机质特征吸收谷^[11]。尽管基于无人机多光谱遥感反演土壤水分、盐度、有机质等参数的技术相对成熟^[12-14],但目前基于无人机多光谱技术的红壤多参数协同反演研究仍有待深入,突破该技术瓶颈亟须构建融合算法模型进行多参数反演与数字制图,对红壤资源精准管理和生态修复具有重要应用价值。

为此,现以云南省昆明市红黏土为对象,构建基于无人机多光谱影像的红壤多参数协同反演技术框架。通过采集典型研究区的无人机多光谱影像绿(green,G)、红(red,R)、红边(red edge,RE)、近红外(near-infrared,NIR)4波段并计算归一化植被指数 (normalized difference vegetation index,NDVI)等植被指数,结合田间原位测定的含水率、介电常数及压实度数据,采用皮尔逊相关系数法量化光谱反射率与参数间的线性关联特征,并引入特征重要性投影(variable importance in projection, VIP)算法评估各波段对模型的贡献度权重。筛选出NIR波段和NNIR光谱指数等水分敏感关键特征后,分别建立偏最小二乘回归(partial least squares regression, PLSR)与随机森林(random forest, RF)双模预测体系反演土壤参数并进行评价分析,最后通过模型预测和克里金插值融合地形校正因子,生成高精度数字土壤图集。以期为西南生态农业提供高精度时空管护方案。

1 材料和方法

1.1 研究区概况

研究在云南省昆明市盘龙区云南农业大学后山试验基地(25°08'N,102°45'E,)进行,如图1所示。该地属于云南高原,呈高原丘陵地貌,平均海拔1 900 m,属亚热带高原季风性湿润气候,年平均降雨量在800~1 000 mm。试验基地雨热条件良好,适合发展花卉、蔬菜、茶叶、中药材等特色农业。该地区土壤为红黏土,是典型的区域性土壤,具有较强的保水能力,天然含水率较高,农业灌排问题成为发展精准农业的关键问题。

1.2 土壤参数测定

试验采样充分考虑研究区域土地利用类型、地表作物等因素,选取植被覆盖度小,地面较水平的裸土区。为了获取明显差异参数的土样,实验前对研究区进行随机浇灌处理。土样采集时间为2025年1月4日,用标准环刀在无人机采集多光谱影像后进行0~10 cm深度原位采样,并利用RTK记录125个采样点的经纬度信息。将土样带回实验室采用烘干法测定含水率和干密度,并用公式计算土壤压实度。

(1)

${\rho }_{\mathrm{d}}=\frac{{\rho }_{\omega }}{1+\omega }$

(2)

$\eta =\frac{{\rho }_{\mathrm{d}}}{{\rho }_{\mathrm{d}\mathrm{m}\mathrm{a}\mathrm{x}}}\times 100\mathrm{\%}$

式中:ρ_d为土壤干密度,g/cm³;ρ_ω为土壤湿密度,g/cm³;ω为土壤含水率,%;η为土壤压实度,%;ρ_dmax为最大干密度,g/cm³。

土壤介电常数是土壤外加电场强度与最终土壤介质内部电场强度的比值,反映了土壤在电磁场作用下的极化特性^[15]。实验中用北京恒奥仪器仪表有限公司生产的介电常数及介电损耗测试仪DZ5001测定介电常数,其计算公式为

(3)

${\epsilon }_{\mathrm{r}}=\frac{Cd}{{\epsilon }_{0}A}$

式(3)中:ε_r为土壤相对介电常数;C为电容值,F;d为土样厚度,mm;A为极板面积,mm²;ε₀为真空介电常数,其值为 8.854×10^-12 F/m。

1.3 多光谱数据获取与处理

1.3.1 多光谱数据获取

研究区域影像采集使用大疆公司生产的大疆精灵3多光谱版(DJI Mavic 3 M)无人机系统,该设备配备1个33.9 mm(4/3规格)CMOS RGB彩色影像传感器和4个9.07 mm(1/2.8规格)CMOS单色光谱传感器,能够同时采集1张RGB彩色影像和G、R、RE、NIR波段单色影像各1张。影像采集时间为晴朗天气的14:00—16:00,多光谱影像采集前用25%、50%、75%标准反射率白板校正。无人机影像采集后用大疆智图(DJI Terra)软件V3.7.2完成影像拼接和辐射校正等预处理工作。最后用Python软件提取采样点的光谱信息为光谱特征筛选做准备。

1.3.2 植被指数构建

植被的存在会显著改变地表反射率,掩盖土壤本身的光谱特征,导致反演结果偏差。通过引入植被指数,可以有效分离植被覆盖对土壤光谱信息的影响,提高土壤参数反演的精度^[16-18]。参考文献[17,19-20],引入NDVI、差值植被指数(difference vegetation index,DVI)、修正叶绿素吸收指数(modified chlorophyll absorption in reflectance index,MCARI)、绿色叶绿素指数(green chlorophyll index,GCI)、归一化近红外指数(normalized near-infrared ratio,NNIR)、归一化比值植被指数(normalized ratio,NR)、水体指数(normalized difference water index,NDWI)共7个植被指数反映植被密度与健康状况,为建立更准确的土壤-植被交互模型提供依据,从而增强遥感反演模型的鲁棒性与适用性。具体的植被指数计算公式如表1所示。

1.3.3 光谱特征筛选

在遥感定量预测土壤参数研究中,冗余光谱信息会影响模型的效率与精度,所以通常要进行数据降维。皮尔逊相关性分析(Pearson correlation analysis,PCA)和变量重要性投影分析(variable importance projection analysis,VIP)可以有效筛选对土壤参数敏感的光谱特征,建立高精度的反演模型。PCA用于衡量光谱波段与土壤参数之间的线性相关程度,适用于初步筛选敏感波段;而VIP基于偏最小二乘回归模型,能够综合反映各波段对模型建模的贡献度,更具全局代表性。

相比而言,皮尔逊分析计算简单但易受冗余波段干扰,VIP则能更有效地识别关键特征波段,有利于提升反演模型的精度与稳定性。两种算法的计算公式分别为

(4)

${r}_{xy}=\frac{\stackrel{n}{\sum _{i=1}}({x}_{i}-\stackrel{-}{x})({y}_{i}-\stackrel{-}{y})}{\sqrt{\stackrel{n}{\sum _{i=1}}\left({x}_{i}{-\stackrel{-}{x})}^{2}\stackrel{n}{\sum _{i=1}}\right({y}_{i}{-\stackrel{-}{y})}^{2}}}$

(5)

$VI{\mathrm{P}}_{j}=\sqrt{\frac{p}{a}\stackrel{a}{\sum _{h=1}}{w}_{jh}^{2}{S}_{\mathrm{S}}\left(h\right)}$

式中:r_xy为变量x与y的皮尔逊相关系数;n为样本数量;x_i、y_i分别为第i个样本变量x和y的观测值;

$\stackrel{-}{x}、\stackrel{-}{y}$

分别为变量x和y的样本均值;VIP_j为第j个特征的变量重要性得分;p为原始特征的总数;a为偏最小二乘模型中的潜变量的数量;h为潜变量的索引;w_jh为第j个特征在第h个潜变量上的权重系数;S_S(h)为第h个潜变量解释的平方和。

1.4 建模方法与精度评价

多元线性回归(multiple linear regression,MLR)和RF作为典型参数与非参数建模方法,在土壤参数反演中各具优势。MLR具有结构简单、可解释性强的特点,适用于探索多光谱特征与土壤参数之间的线性关系,有助于识别关键敏感波段;而RF作为一种集成学习算法,能够处理高维、非线性数据,具备较强的抗过拟合能力和特征选择功能,适用于复杂地表条件下的土壤参数建模。结合二者可对比分析线性与非线性模型在反演精度与稳定性方面的差异,提升研究结果的科学性与适用性。将实验室测定的土壤含水率、介电常数和压实度数据作为标签,多光谱反射率和植被指数作为特征输入MLR和RF算法训练反演模型,其中125个样本随机选取80%作为训练集,20%作为测试集,算法均通过Python代码实现。

为了评价反演模型的效果,分别计算训练集和测试集的决定系数(R²)和均方根误差(root mean square error,RMSE)指标分析精度。计算公式为

(6)

${R}^{2}=1-\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\dot{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}{-\stackrel{-}{y})}^{2}}$

(7)

$RMSE=\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\dot{y}}_{i}{)}^{2}}$

式中:n为样本数;

${y}_{i}、{\dot{y}}_{i}$

分别为第i个观测值的实测值和预测值;

$\stackrel{-}{y}$

为所有观测点的平均值。

1.5 土壤参数制图

基于多光谱影像计算植被指数,选取预测效果最好的反演模型预测研究区域的土壤水分、介电常数和压实度值生成栅格数据文件,最后导入制图软件整饰并进行数字土壤制图。

2 结果与分析

2.1 土壤参数统计

研究区土壤含水率的变化范围为20.35%~46.67%,介电常数为8.85~77.35,压实度为58.69%~100%,各项指标均表现出不同程度的变异特征(表2)。其中,土壤含水率平均值为31.29%,表明研究区域土壤含水率较高;介电常数平均值为30.80,标准差达13.90,变异系数为45.14%;土壤压实度平均值为79.70%,标准差为8.71%,变异系数为10.93%,属于中等范围内,对土壤通透性和植物生长产生轻微至中度的影响。各项参数的差异性变化为深入研究土壤光谱特性提供了多样化的样本基础。

2.2 多光谱数据处理结果

将原始多光谱反射率和计算的植被指数分别于土壤水分、介电常数和压实度进行相关性分析。用Python语言编程计算各波段反射率和植被指数对土壤水分、介电常数以及压实度的VIP得分,设置0.8的阈值筛选光谱特征进行建模。绘制的PCA分布矩阵与VIP得分如图2、图3所示。

由图2(a)~图2(c)可知,土壤水分和介电常数的所有光谱反射率与植被指数都通过了显著性检验,无法提取有效的光谱特征,土壤压实度的光谱特征中R和MCARI没有通过显著性检验。由图3(a)~图3(c)可知,基于VIP算法,土壤水分和介电常数的光谱特征VIP得分相近,且NIR波段反射率是对其最重要的特征,最终可筛选出G、RE、NIR、NNIR共4个光谱特征作为输入变量,土壤压实度则多筛选出NDWI光谱特征作为输入变量。

对比PCA和VIP算法筛选的结果可知,VIP算法能有效去除冗余的光谱信息。因此以VIP算法筛选的光谱特征作为输入变量进行土壤参数反演建模。

2.3 模型评价

以VIP算法优选的光谱特征作为输入因子,进行Python编程MLR和RF模型预测土壤水分、介电常数和压实度,打印模型的性能参数R²、RMSE如表3所示。由表3可知,MLR土壤水分反演模型R²为0.428,RMSE为4.32%,精度较低,而RF反演模型的R²为0.936,RMSE为1.45%,具有极高的精度,可以精确预测土壤水分,土壤介电常数和压实度反演模型中,MLR的表现较差,而RF模型R²都大于0.936,能够精准预测土壤参数。

2.4 土壤参数制图

对比MLR与RF反演模型发现,RF模型能够精确预测研究区内的各种土壤参数。因此,采用Python编程读取多光谱影像数据,并用125个土样训练RF预测研究区内的土壤参数,最后生成预测栅格数据文件导入制图软件制图,土壤水分、介电常数和压实度的反演分布如图4所示。RF模型预测的SMC为23.4%~43.4%,其中右下角部分土壤水分含量较高;而SDC变化范围为10.9~65.5,与土壤水分分布情况大致相同,也是右下角的值较高;相反的是,SCD为61.4%~95.2%,在土壤水分高的位置压实度则是最低的。

3 讨论

随着无人机技术的成熟,环境监测、工程测绘尤为便利,土壤参数反演与数字土壤制图技术也极为方便,但是目前的应用仍停留在土壤水分^[21]、有机质^[22]、叶绿素^[23]等关键参数的估算上,对于路基工程的压实度等监测略有欠缺^[24-25]。此外,关于红壤的水分-介电特征的研究也较为缺乏。为此,以红黏土作为研究对象,基于无人机多光谱构建土壤多参数反演模型并进行数字土壤制图分析其关系。

在光谱特征的筛选上,由于多光谱波段反射率和植被指数之间存在线性关系,所以典型的PCA算法难以筛选出有用的光谱特征,相比之下,基于偏最小二乘法的VIP算法能够解决这种线性关系,筛选出有用的光谱特征,为高精度高效率的模型建立奠定基础。VIP评分能够有效评估各波段对模型建模的贡献度,从而剔除冗余信息,保留关键敏感波段。通过引入VIP算法,不仅提高了特征选择的准确性,还增强了模型对土壤属性反演的解释能力。结合RF模型的非线性建模优势,进一步提升了土壤参数的预测精度。结果表明,融合偏最小二乘与VIP筛选的方法在处理多光谱数据中具有良好的适应性与稳定性,为后续大规模遥感反演应用提供了可行的技术路径。这与赵文举等^[26]的研究结果一致。

从模型性能结果来看,RF在土壤水分、介电常数和压实度3个目标变量的预测任务中均显著优于MLR。具体而言,RF模型在训练与测试数据上的R²均高于MLR,且RMSE更小,表明其具备更强的非线性拟合能力与泛化性能。值得注意的是,土壤水分、介电常数和压实度的反演精度存在差异,其中土壤介电常数的预测误差相对较大,可能与其与光谱反射率之间的关系更为复杂有关。此外,各模型在测试集上的表现略有下降,但整体保持稳定,说明模型具有一定鲁棒性。RF算法在多光谱反演土壤属性任务中展现出良好的应用潜力,为精准农业与土壤监测提供了技术支持。

基于多光谱遥感数据与机器学习方法对土壤水分、介电常数和压实度进行了空间反演与分析,结果表明所构建的模型在揭示土壤属性空间异质性方面具有较高精度和应用潜力。从反演图来看,土壤含水率高于20%,进一步验证了红壤保水能力强的结论,介电常数为10.9~65.5,介于1(空气)~84(水),属于正常范围^[27-28]。土壤水分与介电常数的空间分布呈现出高度一致性,说明土壤介电常数与土壤水分有极强的相关性,中部及南部区域呈现高值聚集,反映出该区域较高的含水量,这与当地地形低洼、水分汇集有关;而北部及东部区域则表现为低值区,可能受地表蒸发强烈、浇灌不足或土壤持水能力差等因素影响。相比之下,土壤压实度的空间分布虽在部分区域与土壤水分高度相反,但整体变化趋势更为复杂,说明其不仅受土壤水分的影响,还受到农业机械碾压、耕作方式等人为因素的显著调控^[29-30]。值得注意的是,三类土壤属性的反演结果均表现出一定的空间连续性与结构特征,验证了所采用的随机森林模型在处理非线性关系与多源数据融合方面的优势。同时,结合偏最小二乘回归中的VIP筛选方法,有效提升了光谱特征的选择效率与建模稳定性,进一步增强了模型的解释力与泛化能力。然而,反演结果仍存在一定局限性,如局部区域预测偏差较大,可能源于未考虑的环境因子(如地形起伏、植被类型差异)或光谱信息的饱和效应。总体而言,所构建的方法体系在土壤属性反演中展现出良好的适用性与推广价值,为实现大范围、快速、无损的土壤监测提供了可行的技术路径,并为精准农业与土地资源管理提供了科学依据与数据支撑。

虽然基于无人机多光谱遥感进行土壤多参数的反演模型与制图研究结果精度较高,但是在试验的设备与方案上存在一定的不足:一是由于经费原因,试验所用的多光谱传感器仅有G、R、RE、NIR共4个波段,缺乏B波段的响应解释,尽管土壤水分对B波段的敏感性较低。二是在试验方案上没有很好地考虑地形因素对土壤水分的影响,导致土壤水分的分布不均匀。未来将进一步投入试验设备,获取更精准的试验数据,以期实现土壤多参数的便捷、精准获取。

4 结论

(1)相比PCA算法,基于偏最小二乘法的VIP算法能够更好地处理多光谱共线性问题,去除冗余的光谱信息,提取更少的光谱特征。表明VIP算法应用于土壤多参数反演研究可行且具有更好的效果。

(2)相比传统的MLR算法,集成学习算法RF在复杂的非线性问题中具有较强的解析能力和较高的模型鲁棒性,测试集R²为0.936~0.951,预测结果波动小。所以RF对于土壤的不同参数反演结果最能体现其变化与分布情况。

(3)土壤介电常数与土壤水分分布具有高度的一致性,压实度分布相对复杂,虽部分区域与土壤水分分布相反,但更多受人为耕作和机械碾压等因素控制,表现出更强的空间异质性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Meng X, Bao Y, Liu H, et al. A new digital soil mapping method with temporal-spatial-spectral information derived from multi-source satellite images[J]. Geoderma, 2022, 425: 116065.

[2]	Hussain S S, Ganie A A, Dar W A, et al. The role of digital soil mapping in soil survey and agricultural planning[J]. International Journal of Plant & Soil Science, 2024, 36(9): 438-449.

[3]	Qu T, Li Y, Zhao Q, et al. Drone-based multispectral remote sensing inversion for typical crop soil moisture under dry farming conditions[J]. Agriculture, 2024, 14(3): 484.

[4]	Wang Y, Ma Y, Zhou F, et al. More precise monitoring of soil moisture content in agricultural fields by upscaling conversion of multispectral image data from unmanned aerial vehicles[J]. IEEE Access, 2024, 12: 79892-79904.

[5]	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[J]. 测绘通报, 2024(11): 177-182.

[6]	Zhao Guiping, Xu Fajun. Monitoring of farmland soil moisture based on multispectral images from unmanned aerial vehicles[J]. Bulletin of Surveying and Mapping, 2024(11): 177-182.

[7]	潘宁, 王帅, 刘焱序, 等. 土壤水分遥感反演研究进展[J]. 生态学报, 2019, 39(13): 4615-4626.

[8]	Pan Ning, Wang Shuai, Liu Yanxu, et al. Advances in remote sensing inversion of soil moisture[J]. Acta Ecologica Sinica, 2019, 39(13): 4615-4626.

[9]	蒋瑞瑞, 甘甫平, 郭艺, 等. 土壤水分多源卫星遥感联合反演研究进展[J]. 自然资源遥感, 2024, 36(1): 1-13.

[10]	Jiang Ruirui, Gan Fuping, Guo Yi, et al. Advances in multi-source satellite remote sensing joint inversion for soil moisture[J]. Remote Sensing of Natural Resources, 2024, 36(1): 1-13.

[11]	王延仓, 李笑芳, 张文胜, 等. 基于高光谱技术公路路基土壤压实度定量反演的研究[J]. 光谱学与光谱分析, 2023, 43(7): 2294-2300.

[12]	Wang Yancang, Li Xiaofang, Zhang Wensheng, et al. Quantitative retrieval of highway subgrade soil compaction using hyperspectral technology[J]. Spectroscopy and Spectral Analysis, 2023, 43(7): 2294-2300.

[13]	Yang W, Li Z, Chen G, et al. Soybean (Glycine max L.) leaf moisture estimation based on multisource unmanned aerial vehicle image feature fusion[J]. Plants, 2024, 13(11): 1498.

[14]	孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3): 1-17.

[15]	Sun Gang, Huang Wenjiang, Chen Pengfei, et al. Advances in multispectral remote sensing technology application for light and small unmanned aerial vehicles[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17.

[16]	张东兴, 刘江, 杨丽, 等. 基于VIS-NIR的播种沟内土壤水分测量传感器研究[J]. 农业机械学报, 2021, 52(2): 218-226.

[17]	Zhang Dongxing, Liu Jiang, Yang Li, et al. Research on soil moisture sensors for seed furrows based on VIS-NIR technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 218-226.

[18]	王延仓, 顾晓鹤, 朱金山, 等. 利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量[J]. 光谱学与光谱分析, 2014, 34(1): 201-206.

[19]	Wang Yancang, Gu Xiaohe, Zhu Jinshan, et al. Quantitative inversion of organic matter content in northern fluvo-aquic soil using reflectance spectroscopy and simulated multispectral data[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 201-206.

[20]	丁启东, 王怡婧, 张俊华, 等. 利用CARS算法联合协变量估算盐碱农田土壤水分和有机质含量[J]. 应用生态学报, 2024, 35(5): 1321-1330.

[21]	Ding Qidong, Wang Yijing, Zhang Junhua, et al. Estimation of soil moisture and organic matter content in saline-alkali farmland using the cars algorithm combined with covariates[J]. Acta Ecologica Sinica, 2024, 35(5): 1321-1330.

[22]	Araya S N, Fryjoff-Hung A, Anderson A, et al. Advances in soil moisture retrieval from multispectral remote sensing using unoccupied aircraft systems and machine learning techniques[J]. Hydrology and Earth System Sciences, 2021, 25(5): 2739-2758.

[23]	徐兴倩, 王海军, 赵熹, 等. 红黏土介电常数模型试验研究[J]. 土木工程学报, 2023, 56(11): 165-173, 183.

[24]	Xu Xingqian, Wang Haijun, Zhao Xi, et al. Experimental study on dielectric constant model of red clay[J]. Chinese Journal of Civil Engineering, 2023, 56(11): 165-173, 183.

[25]	姚阔, 郭旭东, 周冬, 等. 高光谱遥感土地质量指标信息提取研究进展[J]. 地理与地理信息科学, 2014, 30(6): 7-12.

[26]	Yao Kuo, Guo Xudong, Zhou Dong, et al. Research progress on extracting land quality indicators from hyperspectral remote sensing data[J]. Geography and Geoinformation Science, 2014, 30(6): 7-12.

[27]	张成才, 侯佳彤, 王蕊, 等. 基于无人机多光谱与热红外数据的冬小麦土壤水分反演[J]. 郑州大学学报(工学版), 2024, 45(5): 111-118.

[28]	Zhang Chengcai, Hou Jiatong, Wang Rui, et al. Inversion of winter wheat soil moisture based on multispectral and thermal infrared data from unmanned aerial vehicles[J]. Journal of Zhengzhou University (Engineering Science), 2024, 45(5): 111-118.

[29]	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.

[30]	Li Hu, Zhong Yun, Feng Yating, et al. Multi-vegetation index soil moisture retrieval model based on UAV remote sensing[J]. Spectroscopy and Spectral Analysis, 2024, 44(1): 207-214.

[31]	Chen Z, Chen H, Dai Q, et al. Estimation of soil moisture during different growth stages of summer maize under various water conditions using UAV multispectral data and machine learning[J]. Agronomy, 2024, 14(9): 2008.

[32]	Zhu S, Cui N, Zhou J, et al. Digital mapping of root-zone soil moisture using UAV-based multispectral data in a kiwi fruit orchard of northwest China[J]. Remote Sensing, 2023, 15(3): 646.

[33]	邢明杰, 徐兴倩, 徐伟恒, 等. 基于优选光谱特征的红壤水分反演模型研究[J]. 灌溉排水学报, 2025, 44(11): 70-79.

[34]	Xing Mingjie, Xu Xingqian, Xu Weiheng, et al. Study on red soil moisture inversion model based on optimized spectral features[J]. Journal of Irrigation and Drainage, 2025, 44(11): 70-79.

[35]	邓昀, 吴蔚, 石媛媛, 等. 基于空洞卷积神经网络的红壤有机质含量预测研究[J]. 光谱学与光谱分析, 2024, 44(10): 2941-2952.

[36]	Deng Yun, Wu Wei, Shi Yuanyuan, et al. Research on predicting organic matter content in red soil based on hollow convolutional neural networks[J]. Spectroscopy and Spectral Analysis, 2024, 44(10): 2941-2952.

[37]	李宣, 宋开山, 刘吉平, 等. 基于遥感融合数据的玉米叶片叶绿素含量反演方法[J]. 科学技术与工程, 2025, 25(11): 4428-4437.

[38]	Li Xuan, Song Kaishan, Liu Jiping, et al. Method for retrieving chlorophyll content in maize leaves based on fused remote sensing data[J]. Science Technology and Engineering, 2025, 25(11): 4428-4437.

[39]	Kong D, Luo C, Liu H. Enhancing soil organic matter mapping in saline-alkali and black soil areas with prior knowledge and multi-temporal remote sensing[J]. Journal of Integrative Agriculture, 2026, 25(4): 1700-1715.

[40]	Wang X, Xu Z, Li J, et al. Physical-based subgrade compaction assessment combining vibratory response and real-time soil deformation[J]. Transportation Geotechnics, 2026, 56: 101749.

[41]	赵文举, 段威成, 王银凤, 等. 基于敏感变量筛选的多光谱植被含水率反演模型研究[J]. 农业机械学报, 2023, 54(9): 343-351, 385.

[42]	Zhao Wenju, Duan Weicheng, Wang Yinfeng, et al. Research on multispectral vegetation water content inversion model based on sensitive variable screening[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(9): 343-351, 385.

[43]	孙满利, 付菲, 沈云霞. 土的含水率测定方法综述[J]. 西北大学学报(自然科学版), 2019, 49(2): 219-229.

[44]	Sun Manli, Fu Fei, Shen Yunxia. Review of methods for determining soil moisture content[J]. Journal of Northwest University (Natural Science Edition), 2019, 49(2): 219-229.

[45]	Guan Y, Grote K, Schott J, et al. Prediction of soil water content and electrical conductivity using random forest methods with UAV multispectral and ground-coupled geophysical data[J]. Remote Sensing, 2022, 14(4): 1023.

[46]	Janbazialamdari S, Flippo D, Ridder E, et al. Soil compaction prediction in precision agriculture using cultivator shank vibration and soil moisture data[J]. Agriculture, 2025, 15(17): 1896.

[47]	Kudumo L P, Itanna F, Thierfelder C. Field soil moisture content under conventional tillage and conservation agriculture practices in Liselo, Namibia[J]. International Journal of Agriculture and Technology, 2025, 5(1): 1-5.

基金资助

云南省基础研究计划农业联合专项(202301BD070001-171)

国家自然科学基金(42367025)

国家自然科学基金(42307269)

云南省高层次人才培养支持计划“青年拔尖人才”专项(YNWR-QNBJ-2020-030)

PDF (13532KB)

访问

被引

详细

导航

Received	Published	Revised
2025-06-26	2026-08-28	2026-01-07
Online Date
2026-09-04

摘要