CN115791866B - 基于热红外遥感数据的土壤含水率实时监测系统及方法 - Google Patents

Abstract

本发明提供一种基于热红外遥感数据的土壤含水率实时监测系统及方法，属于土壤含水率监测技术领域；所要解决的技术问题为：提供一种基于热红外遥感数据的土壤含水率实时监测方法及监测系统硬件结构的改进；解决该技术问题采用的技术方案为：控制搭载有热红外遥感模块的无人机，全天候不间断采集待测区域地表热红外辐射图像数据；根据采集到的热红外辐射图像确定热红外辐射灰度值，采用普朗克黑体算法计算通道黑体辐射数值，基于回归多项式反函数计算得到待测区域地表裸土的亮度温度数值；实地采集待测区域离散土壤含水率数据，采集时间与无人机采集的热红外数据同步，并将采集数据分为实验数据集和验证数据集；本发明应用于土壤含水率监测。

Description

基于热红外遥感数据的土壤含水率实时监测系统及方法

技术领域

本发明提供一种基于热红外遥感数据的土壤含水率实时监测系统及方法，属于土壤含水率监测技术领域。

背景技术

土壤含水率对农情监测、生态恢复、滑坡预警等发挥着重要作用，目前采用的传统监测方法已经无法满足用于制作大面积、高精度、数据连续的土壤水分产品的应用需求。

目前采用的遥感监测技术具有快速获取、大面积、实时等优点，为预测大面积土壤水分时空信息、实时监测土壤水分动态变化提供了便利条件；在卫星遥感方面，多个卫星同一天的亮度温度观测值联合估计土壤湿度，平均每个卫星的土壤湿度反演得到复合的日土壤水分产品，空间分辨率为25km×25km，分辨精度较低；而采用基于多时相合成孔径雷达数据，估算裸地土壤水分含量，时间分辨率长达1个月，因此卫星遥感数据受到低空间分辨率和低时间分辨率的限制，在监测裸土土壤含水率的实时性和精度很难有良好的提升。

另外采用的GPS卫星信号信噪比土壤湿度反演效果良好，实验数据处理结果与理论相符，但探测过程受地表粗糙度以及植被覆盖影响，在反演裸土土壤水分的模型中，数据的有效性不能得到很好地保障。

随着机载遥感的发展，无人机传感器类型多样化，无人机遥感已成为一种新兴遥感应用平台，可以缓解高空间分辨率和高时间分辨率的矛盾，在低成本的基础上实现了空间和时间的统一，但目前尚无利用无人机热红外遥感数据直接获取地表亮度温度，以监测土壤裸土含水率的方法和途径。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于热红外遥感数据的土壤含水率实时监测方法及监测系统硬件结构的改进。

为了解决上述技术问题，本发明采用的技术方案为：基于热红外遥感数据的土壤含水率实时监测系统，包括监测无人机和监测上位机，所述监测无人机包括机身机架，在机身机架的端部等距设置有多台动力电机，所述动力电机的驱动端安装有快拆桨，所述机身机架的两侧还设置有差分天线和U-BLOX天线，在机身机架的中部安装有控制器，所述控制器的底部可拆卸的设置有热红外遥感模块，在控制器内部还设置有毫米波雷达和电池；

所述控制器通过导线分别与动力电机、差分天线、热红外遥感模块、毫米波雷达相连；

所述控制器的电源输入端与电池相连；

所述差分天线通过无线网络与监测上位机无线连接。

基于热红外遥感数据的土壤含水率实时监测方法，包括如下监测步骤：

步骤一：控制搭载有热红外遥感模块的无人机，全天候不间断采集待测区域地表热红外辐射图像数据；

步骤二：根据采集到的热红外辐射图像确定热红外辐射灰度值，采用普朗克黑体算法计算通道黑体辐射数值，计算公式为：

；

式中：为光谱辐射度，单位为；为第一辐射常数，值为；为第二辐射常数，值为； T为热力学温度，单位为 K；

通过二次多项式回归黑体辐射和热红外辐射灰度值，四次多项式回归开普勒黑体，基于回归多项式反函数计算得到待测区域地表裸土的亮度温度数值；

步骤三：实地采集待测区域离散土壤含水率数据，确定具体的采样区及采样点位置，规律性、分时段地采集离散点状裸土土壤含水率数据，采集时间与无人机采集的热红外数据同步，并将采集数据分为实验数据集和验证数据集；

步骤四：基于无人机采集的地表裸土亮度温度数据，相对应的实地采集土壤含水率实验数据集，建立一天内不同时间段地表裸土亮度温度反演裸土土壤含水率的线性模型关系；

步骤五：基于实地采集的土壤含水率数据来验证数据集反演线性模型的精度：

通过均方根误差RMSE值和相对分析误差RPD值来综合评价模型的反演精度，定义得到的RMSE值越小，模型的预测精度越高，所述均方根误差RMSE值和相对分析误差RPD值的计算公式如下：

；

；

式中，为土壤含水率模型预测值，为土壤含水率实测值，为土壤含水率验证数据集标准偏差，为土壤含水率模型的均方根误差；

步骤六：基于预测的模型精度确定应用模型，在区域尺度上的不同时间段内，将待测区域离散的实测土壤含水率数据和区域连续的无人机热红外地表裸土亮度温度建立线性模型，对裸土土壤含水率进行面状、连续监测。

所述步骤四建立线性模型关系的具体方法为：

通过可决系数R²，拟合模型整体的方差分析水平F、方差检验的显著性概率P，判断所建模型的相关程度以及显著性，当可决系数R²越接近于1，方差分析水平F值越大，显著性概率P值越接近于0，表示建模显著性越高，拟合程度越好。

所述步骤五中通过相对分析误差RPD值来评价模型反演精度的具体方法为：

当RPD值在2.5以上时，表明模型具有极好的预测能力；

当RPD值在2.0和2.5之间，表明模型具有很好的定量预测能力；

当RPD值在1.4和2.0之间时，表明模型具有一般的定量预测能力；

当RPD值在1.0和1.4之间时，表明模型具有区别高值和低值的能力；

当RPD值小于1.0 时，表明模型不具备预测能力。

本发明相对于现有技术具备以下的有益效果：

一、在探究裸土土壤含水率监测方面的研究中，传统土壤含水率监测方法为实地布点采点监测，消耗人力物力财力，不能实现数据连续、范围广、高精度的监测；本发明采用的无人机在空中飞行速度快，短时间完成研究数据采集，以低成本的手段获取连续地表温度，外业工作量大幅度减少，实现连续大范围地表裸土含水率监测。

二、卫星遥感数据监测土壤含水率总存在很多干扰因素，例如天空云层的遮挡、上方植被的覆盖、大气折射的影响等；而本发明利用无人机热红外影像数据，直接精确获取地表裸土亮度温度，利用地表亮度温度单一因素反演土壤含水率，避免天气影响以及地表条件限制，从而提高成果精度。

三、卫星遥感影像存在低空间分辨率、低时间分辨率的限制；本发明采用的无人机遥感在区域信息精细化上具有超高分辨率、高频次获取、实时观测等特点，可以与卫星遥感能力形成互补，缓解了高空间分辨率和高时间分辨率的矛盾，在低成本的基础上实现了空间和时间的统一，在监测裸土土壤含水率的研究中完美提高了监测精度。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明土壤含水率实时监测方法的步骤流程图；

图2为本发明线性回归模型中的参数关系示意图；

图3为本发明监测系统的结构示意图。

具体实施方式

如图1所示，本发明基于无人机遥感平台，基于热红外影像获取地表裸土亮度温度，建立区域连续地表亮度温度和实测离散土壤含水率之间的数学模型关系，借助地表亮度温度和模型关系实现含水率的连续、面状监测；在数据获取方面，通过改善遥感影像的分辨率，将空间分辨率精度提高到厘米级，时间分辨率精度达到分钟级，缓解高空间分辨率和高时间分辨率的矛盾，实现土壤含水率高精度监测；本发明对研究区域的准确化和精细化改进，避免植被覆盖对监测裸土土壤含水率的影响，在数据获取方面实现了高频次获取和实时观测，提高了含水率监测精度。

本发明通过无人机热红外影像准确获取地表裸土亮度温度，单一因素直接反演土壤含水率，简单准确地完成监测裸土土壤含水率的任务。如图3所示，进行无人机与热红外传感器模块等硬件连接安装顺序为：组装折叠脚架，安装快拆桨和无人机热红外遥感模块，最后安装智能电池。无人机管家连接千寻账号以后，飞机高精度差分信号实时传输至电脑端。航飞结束以后，生成所搭载热红外遥感航摄数据文件与对应的POS数据，后续处理为相同坐标系下的地表亮度温度影像图。无人机热红外遥感技术监测裸土土壤含水率相比于其他监测方法，省去了重复性的数据准备工作和权衡多影响因素间的权重分布任务，直接提高土壤含水率监测效率。

本发明在裸土土壤含水率监测方面的研究中，获取研究效果好的卫星遥感数据需要晴空无云作为前提条件，同时满足地表无植被干扰的要求。无人机遥感影像不受云层遮挡的影响，在高空间分辨率的基础上，也可对地表裸土研究区实现更精细化的选取。基于无人机热红外遥感的裸土土壤含水率监测方法的主要技术方案如下：

（1）全天候获取无人机热红外影像。无人机热红外遥感技术具备在白天和夜间获取地表温度的能力。无人机热红外遥感主要是利用地物本身的热辐射特性获取地表真实温度，白天易受太阳辐射的影响，也可在夜间获取地表裸土温度情况。本研究中利用无人机搭载热红外遥感模块，可全天候，不间断地提取地表裸土亮度温度，随时监测裸土土壤含水率。

（2）基于无人机热红外辐射得到地表亮度温度。利用无人机热红外辐射图确定热红外辐射灰度值，利用普朗克黑体定律（式（1））计算通道黑体辐射，二次多项式回归黑体辐射和热红外辐射灰度值，四次多项式回归开普勒黑体定律的计算结果，借助回归多项式反函数得到地表亮度温度。

（1）；

（3）实地采集区域离散土壤含水率数据。在研究区域中，确定具体的采样区及采样点位置，规律性、分时段地采集离散点状裸土土壤含水率数据，采集时间尽量与无人机热红外数据接近，将采集数据分为实验数据集和验证数据集。

（4）建立反演模型，初步形成监测关系。利用无人机热红外地表亮度温度和对应的实地土壤含水率实验数据集，建立一天不同时间段地表亮度温度反演裸土土壤含水率的线性模型关系。建模时通过可决系数（R²），拟合模型整体的方差分析水平（F）与方差检验的显著性概率P判断所建模型的相关程度以及显著性，R²越接近于1，F值越大，P值越接近于0，表示方程越显著，拟合程度也就越好。

（5）验证反演模型精度。利用实地土壤含水率验证数据集验证反演模型的精度，在模型精度验证阶段，通过均方根误差（RMSE）和相对分析误差（RPD）来综合评价模型的反演精度，RMSE越小，模型的预测精度越高。

当RPD在2.5以上时，表明模型具有极好的预测能力；

在2.0和2.5之间，表明模型具有很好的定量预测能力；

在1.4和2.0之间时，表明模型具有一般的定量预测能力；

在1.0和1.4之间时，表明模型具有区别高值和低值的能力；

小于1.0 时，表明模型不具备预测能力。

均方根误差（RMSE）和相对分析误差（RPD）的计算公式如下：

（2）；

（3）；

式中，为土壤含水率模型预测值，为土壤含水率实测值，为土壤含水率验证数据集标准偏差，为土壤含水率模型的均方根误差。

（6）确定模型，进行大面积、连续裸土土壤含水率监测。在区域尺度上，不同时间段内，将区域离散的实测土壤含水率数据和区域连续的无人机热红外地表裸土亮度温度成功建立线性模型，实现面状、连续监测裸土土壤含水率。

实施例

案例1基于无人机热红外遥感的地表裸土温度及含水率反演模型研究：

以地表裸土为研究对象，使用无人机热红外仪和土壤温湿度仪，获取实验区上午9点、下午1点、晚上6点三个时间的热红外辐射影像和实测土壤含水率。无人机采集整个试验区域大约用时20分钟。实验中土壤温湿度仪实测土壤含水率深度为地面以下3-5cm。

热红外遥感模块参数为红外波段为8-14µm，有效像素640×512，镜头参数为13mm定焦，测温范围为-20℃-150℃，测温精度为±3℃（-20℃-60℃），噪声等效温差为≤50mk@25℃。航线间距13米，拍照间距10米，速度14米/秒，无人机飞行高度108 m，旁向重叠度和航向重叠度都为80%，对应地面分辨率2.0cm/像素。土壤温湿度仪温度参数：量程-40～80℃，分辨率0.1℃，精度±0.5℃(25℃)，湿度参数：量程0-100%，分辨率0.1%，精度0-50%（±2%），50-100%（±3%）。

利用开普勒黑体定律的积分运算和光谱的波段响应函数乘积，求和，得到对应温度下黑体的辐射值，多项式二次和四次回归热红外辐射灰度值和黑体辐射，黑体辐射和亮度温度，计算反函数，完成热红外辐射灰度值到温度的转换，得到地表温度。线性回归分析地表温度与实测土壤含水率关系模型，由三个不同时间段的地表温度和土壤含水率的线性回归模型（图2），分析可知，线性分析模型中晚上6点的超过0.6，方差分析（F）高达121且都满足（P<0.001）的显著性差异水平（如下表1所示）。

表1

在模型验证阶段（如下表2所示），RMSE最小为3.88，RPD最大为2.50，表明晚上6点的遥测温度和实测土壤含水率构建的反演模型具有较好的定量预测能力。该结论在利用无人机热红外遥感技术进行区域连续含水率监测方面具备一定的参考价值。

表2

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.基于热红外遥感数据的土壤含水率实时监测方法，其特征在于：包括如下监测步骤：

步骤一：控制搭载有热红外遥感模块的无人机，全天候不间断采集待测区域地表热红外辐射图像数据；

步骤二：根据采集到的热红外辐射图像确定热红外辐射灰度值，采用普朗克黑体算法计算通道黑体辐射数值，计算公式为：

；

式中：为光谱辐射度，单位为；为第一辐射常数，值为；为第二辐射常数，值为；T为热力学温度，单位为K；

通过二次多项式回归黑体辐射和热红外辐射灰度值，四次多项式回归开普勒黑体，基于回归多项式反函数计算得到待测区域地表裸土的亮度温度数值；

步骤三：实地采集待测区域离散土壤含水率数据，确定具体的采样区及采样点位置，规律性、分时段地采集离散点状裸土土壤含水率数据，采集时间与无人机采集的热红外数据同步，并将采集数据分为实验数据集和验证数据集；

步骤四：基于无人机采集的地表裸土亮度温度数据，相对应的实地采集土壤含水率实验数据集，建立一天内不同时间段地表裸土亮度温度反演裸土土壤含水率的线性模型关系；

步骤五：基于实地采集的土壤含水率数据来验证数据集反演线性模型的精度：

通过均方根误差RMSE值和相对分析误差RPD值来综合评价模型的反演精度，定义得到的RMSE值越小，模型的预测精度越高，所述均方根误差RMSE值和相对分析误差RPD值的计算公式如下：

；

；

式中，为土壤含水率模型预测值，为土壤含水率实测值，为土壤含水率验证数据集标准偏差，为土壤含水率模型的均方根误差；

步骤六：基于预测的模型精度确定应用模型，在区域尺度上的不同时间段内，将待测区域离散的实测土壤含水率数据和区域连续的无人机热红外地表裸土亮度温度建立线性模型，对裸土土壤含水率进行面状、连续监测；

基于热红外遥感数据的土壤含水率实时监测方法使用的监测系统，包括监测无人机和监测上位机，所述监测无人机包括机身机架，在机身机架的端部等距设置有多台动力电机，所述动力电机的驱动端安装有快拆桨，所述机身机架的两侧还设置有差分天线和U-BLOX天线，在机身机架的中部安装有控制器，所述控制器的底部可拆卸的设置有热红外遥感模块，在控制器内部还设置有毫米波雷达和电池；

所述控制器通过导线分别与动力电机、差分天线、热红外遥感模块、毫米波雷达相连；

所述控制器的电源输入端与电池相连；

所述差分天线通过无线网络与监测上位机无线连接。

2.根据权利要求1所述的基于热红外遥感数据的土壤含水率实时监测方法，其特征在于：所述步骤四建立线性模型关系的具体方法为：

通过可决系数R²，拟合模型整体的方差分析水平F、方差检验的显著性概率P，判断所建模型的相关程度以及显著性，当可决系数R²越接近于1，方差分析水平F值越大，显著性概率P值越接近于0，表示建模显著性越高，拟合程度越好。

3.根据权利要求2所述的基于热红外遥感数据的土壤含水率实时监测方法，其特征在于：所述步骤五中通过相对分析误差RPD值来评价模型反演精度的具体方法为：

当RPD值在2.5以上时，表明模型具有极好的预测能力；

当RPD值在2.0和2.5之间，表明模型具有很好的定量预测能力；

当RPD值在1.4和2.0之间时，表明模型具有一般的定量预测能力；

当RPD值在1.0和1.4之间时，表明模型具有区别高值和低值的能力；

当RPD值小于1.0 时，表明模型不具备预测能力。

Images