《Smart Agricultural Technology》：Systematic Comparison of Band Selection Strategies and Sensor Configurations for Soil Moisture Classification Using UGV-Mounted Hyperspectral Imagery
编辑推荐：
准确监测土壤水分对精准农业至关重要，但当前的遥感与地面传感方法常受限于固定安装、传感深度有限或测量延迟。本研究提出了一种在真实田间条件下，基于无人地面车辆(UGV)搭载高光谱成像系统的土壤水分分类波段选择策略与传感器配置的系统比较。研究人员在美国北达科他州三个
准确监测土壤水分对精准农业至关重要，但当前的遥感与地面传感方法常受限于固定安装、传感深度有限或测量延迟。本研究提出了一种在真实田间条件下，基于无人地面车辆(UGV)搭载高光谱成像系统的土壤水分分类波段选择策略与传感器配置的系统比较。研究人员在美国北达科他州三个农田采集了整个生长季的土壤样本，并使用SPECIM FX10 (400–1000 nm)和FX17 (900–1700 nm)传感器获取高光谱图像，同时结合6、12、18和24英寸深度的重量法土壤水分测量数据将土壤分为四类。利用随机森林(RF)和偏最小二乘回归(PLSR)识别信息波段，结果表明特征引导的波段选择相比均匀或连续波段子集显著提升了分类性能，其中基于RF的选择在减少波段数量的同时获得了最强性能。最具信息量的波长集中在短波红外(SWIR)区域，特别是1400–1500 nm附近，对应于强烈的水吸收特征。传感器配置分析显示，FX17传感器在所有土壤深度(6–24英寸)上均实现了比单独使用FX10及类别匹配的交叉传感器光谱组合更高的准确率(0.9583)。在评估的一维卷积神经网络(CNN)、长短期记忆网络(LSTM)和CNN–LSTM架构中，一维CNN在保持结构更简单、计算复杂度更低的同时取得了最佳整体性能。基于FX17数据集训练的最优CNN模型被进一步用于生成图像级土壤水分分类图，证明了该框架在空间土壤水分测绘中的可扩展性。总体而言，特征引导的波段选择、适当的传感器配置以及富含SWIR的高光谱传感可有效支持田间监测和精准农业的土壤水分分类。
该研究针对传统遥感与地面传感在土壤水分监测中的局限性，构建了基于无人地面车辆(UGV)的高光谱成像框架。研究人员在北达科他州三个农田采集了非扰动土壤样本，使用SPECIM FX10与FX17传感器获取400–1700 nm光谱数据，并结合6至24英寸深度的重量法测定结果将土壤水分划分为四类。关键技术方法包括：采用随机森林(RF)和偏最小二乘回归(PLSR)进行特征重要性分析与波段选择；构建一维卷积神经网络(CNN)、长短期记忆网络(LSTM)及CNN–LSTM混合模型进行分类；实施像素级学习并通过软投票聚合至样本级；采用固定划分与k折交叉验证相结合的评估策略，并在样本层面进行类别匹配的跨传感器光谱组合分析。
研究结果
3.1. 特征选择与重要光谱区域
研究人员通过RF和PLSR对400–1700 nm范围内的光谱波段进行重要性排序。结果显示，所有选定的前50个信息波段均位于近红外(NIR)至短波红外(SWIR)区域，可见光(VIS)区域未发现有效波段。RF倾向于选择1400–1500 nm附近的SWIR波段，这与OH振动倍频引起强水吸收的物理机制一致；而PLSR则更多选择了NIR区域的弱吸收波段。光谱曲线分析进一步证实，NIR–SWIR区域尤其是1450 nm附近的水分吸收特征对土壤水分分类具有决定性作用，且随着土壤含水量增加，反射率呈下降趋势。
3.2. 传感器配置与评估策略分析
基于CNN架构的比较表明，覆盖NIR–SWIR波段的SPECIM FX17传感器在固定划分和交叉验证中均取得了最高分类准确率(0.9583)，显著优于仅覆盖VIS–NIR的FX10传感器。尽管尝试了类别匹配的交叉传感器光谱组合，但其性能并未持续超越单独的FX17，这表明在现有设计下，SWIR波段已包含大部分水分敏感信息，VIS–NIR区域的加入可能引入冗余。
3.3. 土壤水分分类深度学习模型比较
研究人员比较了三种深度学习架构在FX17数据集上的表现。结果显示，一维CNN以0.9583的准确率实现了最佳整体性能，且在宏平均指标上表现最平衡。LSTM和CNN–LSTM虽达到了0.9444的准确率，但在捕捉局部光谱特征方面略逊于CNN。混淆矩阵分析指出，所有模型在类别0（极干）和类别1的分类上表现完美，主要误差发生在高湿度的类别2与类别3之间，这与高水分条件下光谱响应相似性增加有关。
3.4. 波段选择策略与分类性能
在四种波段选择策略中，基于RF选择的前50个波段结合CNN模型取得了最高的分类准确率(0.9722)。相比之下，均匀间隔波段和连续波段子集的性能波动较大，部分连续子集准确率低于0.81。这证实了基于物理特征引导的波段选择能够在不损失信息的前提下大幅降低数据维度并提升模型效能。
结论与讨论
研究表明，特征引导的波段选择与富含SWIR的传感器配置对土壤水分分类至关重要。RF算法能有效识别与水分强吸收相关的SWIR波段，从而实现高性能降维。FX17传感器因覆盖关键水分吸收带而表现出最优性能。在深度学习模型中，一维CNN凭借其提取局部光谱特征的能力，在精度与计算效率上取得了最佳平衡。该框架成功从样本级分类扩展至图像级空间制图，为精准农业提供了一种灵活、高分辨率的土壤水分监测解决方案。论文发表于《Smart Agricultural Technology》。
