Estimation of Soil Water Content in Winter Wheat Field at Jointing Stage Using Multi-Source Features and Machine Learning

准确、及时地监测土壤含水量（SWC）对作物灌溉管理和智慧农业实践具有重要的支撑作用。遥感技术为大规模农田土壤含水量估算或反演提供了快速便捷的手段。然而，现有机理建模方法受参数本地化和地表异质性限制，机器学习数据驱动方法则缺乏良好的物理解释性。针对单一数据驱动方法和单一植被微波散射模型的不足，并探究不同特征变量在机器学习中的估算效果，本研究提出了一种融合机器学习策略与多源特征的创新估算模型，所采用特征包括光谱指数和经典水云模型（WCM）衍生的特征。该模型的新颖性在于平衡物理解释性与数据驱动精度，即通过WCM提取相关土壤后向散射参数，再将其作为机器学习的输入特征。研究在冬小麦拔节期同步获取了田间实测数据与无人机（UAV）多源遥感数据，包括多光谱和合成孔径雷达（SAR）数据。通过提取SAR微波后向散射系数和光学植被指数等变量，并进行特征筛选和参数敏感性分析，优化了基于反向传播（BP）神经网络、支持向量回归（SVR）和随机森林（RF）算法的模型输入变量集。研究结果表明，所建立的估算模型具有优良的估算性能，尤其是RF算法，最高R²为0.855，最低MAE为0.0212 cm³/cm³，最低RMSE为0.0253 cm³/cm³。研究还表明，不同特征输入方案对土壤含水量估算性能有明显影响。总体而言，RF估算精度最佳，SVR次之，BPNN再次之。本研究证明，融合多源遥感数据与机器学习的模型能够提升冬小麦田土壤含水量估算能力，也可为华北平原冬小麦田土壤含水量监测提供一种有前景的方法。