基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

盐荒地作为研究区的"临时盐库"，其土壤盐分远高于研究区平均水平，因此探究不同土地利用类型土壤盐分的光谱响应差异以及对盐分遥感模型的影响，是实现不同土地类型土壤盐分反演值更加接近真实值的重要途径。该研究以河套灌区永济灌域为例，针对耕地和盐荒地土壤分别进行原位高光谱测定（FieldSpec 4 Hi-Res，ASD），对光谱数据进行多种光谱变换（基础数学变换、导数变换及光谱指数）后，分别基于特征波长和特征光谱指数构建单一土地类型盐分反演模型（耕地（Agricultural Land，AL）、盐荒地（Salinized Wasteland，SW））和整体盐分反演模型（耕地+盐荒地（Agricultural Land + Salinized Wasteland，AL+SW）），对比分析2种建模方式下的模型精度，提出区域土壤盐分遥感反演的最佳建模方式。结果表明：AL、SW和AL+SW中土壤样本数据的平均含盐量分别为5.09、13.42和7.09 g/kg，且在各等级盐分区间内，SW的光谱反射率均大于AL，其中轻度盐化土、中度盐化土和重度盐化土的光谱反射率平均差值分别为0.040、0.020和0.034；光谱变换和光谱指数均能有效改善不同土地类型中土壤盐分与光谱的相关性。相比基础变换（倒数、对数、根式等），导数变换不仅增大了敏感波长的范围，还使得特定波长处相关系数得到显著提升。不同土地类型中基于特征光谱指数的模型精度均高于基于特征波长的模型；单一土地类型盐渍化反演模型明显提高了区域土壤盐分的反演精度，单一土地类型盐渍化反演模型中（AL、SW模型）各变换下光谱指数模型平均R2相比整体模型（AL+SW模型）由0.50提高到了0.61，其中基础变换、一阶导数和二阶导数模型平均R2相比整体模型分别提高了0.06、0.11和0.17，同时，基于最优光谱指数的单一土地类型盐渍化反演模型平均R2相比整体模型由0.74提高到了0.92。因此，当区域中存在盐分相差较大的多种土地利用类型时，对不同土地利用类型单独构建土壤盐分反演模型能确保反演结果更接近实际情况。     

基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究

针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R~2=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R~2=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R~2从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。     

基于多光谱影像反演土壤盐分的建模方法研究

土壤盐分的定量遥感反演,为快速、准确、全面地监测盐渍化状况提供了可能。本文以黄河三角洲地区垦利县为例,实地调查采集土壤样本,并获取同时相Landsat 8影像,建立土壤盐分遥感反演的BP神经网络、偏最小二乘回归、主成分分析、多元线性回归多种模型,进而进行精度对比分析,评价、优选最佳建模方法,最后,基于最佳模型进行研究区土壤盐分的空间分布反演分析。结果显示:遥感影像的反射率与土壤盐分含量并不是单纯的线性关系,构建的盐分估测模型BP神经网络预测决定系数为0.8467,均方根误差为0.071,明显高于传统线性统计模型,能较好地模拟土壤盐分与光谱数据的关系。该研究既能为盐渍土的治理、利用提供数据支持,又能推动盐渍化区域遥感研究的定量发展。     

干旱区典型绿洲土壤有机质的反演及影响因素研究

为了大面积、高精度地反演土壤有机质含量,为农业可持续发展提供数据支撑。以新疆渭干河-库车河三角洲绿洲为研究区,采用波段平均法将实测高光谱窄波段拟合为Landsat 8 OLI遥感影像的宽波段,建立土壤有机质含量的估算模型,并将最优估算模型应用到经过波段校正的Landsat 8OLI遥感影像中。结果表明:(1)反射率进行倒数、对数、平方、一阶微分等数学变换后与有机质含量的相关性显著提高;(2)土壤有机质的高光谱估算模型拟合度较高,最优估算模型的决定系数R2为0.852,采用比值法对多光谱波段反射率进行校正,校正后的遥感影像反演结果得到了较大提高,检验样本的决定系数R2从0.711提升至0.849。从反演结果来看,将高光谱估算模型应用到经过订正的多光谱影像,土壤有机质反演模型的精度得到了大幅度提高,运用此方法可以实现高精度的土壤有机质区域化反演。(3)有机质的分布受土地利用类型、土壤颗粒组成、土壤质地的影响,其中土壤质地对有机质的空间分布影响最为显著。     

基于光谱变换的高光谱指数土壤盐分反演模型优选

该文探索基于光谱变换建立光谱指数,进而建立土壤盐分反演模型的可行性。运用倒数、导数、对数等15种光谱变换对土壤含盐量进行反演,并利用原始光谱的波段反射率构造光谱指数对土壤盐分进行建模。在15种高光谱变换中,一阶微分R'和一阶对倒数(log1/R')变换下土壤盐分估算模型的精度较高。但总体而言,基于单一光谱变换和光谱指数的模型模拟精度均较低。采用光谱变换建立光谱指数,并进一步建立土壤盐分反演模型,结果表明,基于(log1/R')光谱变换构建归一化植被指数,然后建立的土壤盐分精度最高,经验证,其R2为0.89,均方根误差为3.34 g/kg,高于单一方法构建的模型,可为半干旱地区土壤盐分反演提供参考。     

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。     

基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算

土壤盐渍化是农业生产中最关键的生态问题之一,是一种降低土壤质量,严重影响作物产出的缓慢土壤退化过程。因此,土壤盐分的监测及评估对干旱区的土地管理与恢复至关重要。选取艾比湖湿地为研究区,基于2016年干湿两季(5月/9月)的Landsat8 OLI遥感影像,147个土壤实测样点的电导率(Electrical Conductivity, EC)数据及其对应的室内反射光谱数据,通过光谱重采样技术,建立该研究区土壤EC的偏最小二乘(partial least-squares regression, PLSR)定量估算模型,并尝试对干湿两季的土壤盐渍化状况进行对比分析。结果表明:(1)艾比湖湿地土壤盐渍化较为严重,湿季土壤EC(23.90 mS·cm~(-1))高于干季(11.62 mS·cm~(-1));(2)基于重采样处理后的光谱数据及13个光谱指数所建立的PLSR模型具有较好的精度(R2=0.91,RMSE=6.48mS·cm~(-1),RPD=2.45),说明该模型可以有效地对区域尺度的土壤EC进行定量估算。(3)从2016年5月至9月,艾比湖湿地的中度和重度盐渍土面积增加,轻度盐渍土和盐土面积减少。本研究将两种不同分辨率的数据进行联合建模,既提升了传统光学遥感影像模型的精度,又将高光谱数据扩展至像元尺度上,为土壤盐分信息的遥感提取提供了科学参考。     

基于ANN技术和高光谱遥感的盐渍土盐分预测

土壤盐渍化是干旱、半干旱农业区主要的土地退化问题,及时、精准、动态地监测盐渍土盐分,对于治理、防治盐渍土和进行农业可持续发展至关重要。以松嫩平原西部长岭县为例,利用盐渍土高光谱数据构建盐渍土盐分遥感预测模型。电导法测得土壤盐量,用ASD高光谱仪野外采集高光谱数据,利用光谱导数变换选择能够表征盐渍土盐分信息的最佳波段,即550、720、760、820和940 nm。通过比较3层和4层72种不同神经网络结构,最终选择5-6-1 结构的3层神经网络预测盐渍土盐分（R2 = 0.895,RMSE = 0.089）。与传统回归相比（R2 = 0.81,RMSE = 0.25）,运用高光谱数据与人工神经网络方法相结合,能够提高盐渍土的预测精度,说明人工神经网络在构建光谱反射率与土壤参数关系研究中具有突出优势。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

光谱指数用于EO-1 Hyperion 数据估算中国黄河三角洲地区土壤盐分

Soil salinization is one of the most common land degradation processes. In this study, spectral measurements of saline soil samples collected from the Yellow River Delta region of China were conducted in laboratory and hyperspectral data were acquired from an EO-1 Hyperion sensor to quantitatively map soil salinity in the region. A soil salinity spectral index (SSI) was constructed from continuum-removed reflectance (CR-reflectance) at 2052 and 2203 nm, to analyze the spectral absorption features of the salt-affected soils. There existed a strong correlation (r = 0.91) between the SSI and soil salt content (SSC). Then, a model for estimation of SSC with SSI was established using univariate regression and validation of the model yielded a root mean square error (RMSE) of 0.986 and an R² of 0.873. The model was applied to a Hyperion reflectance image on a pixel-by-pixel basis and the resulting quantitative salinity map was validated successfully with RMSE = 1.921 and R² = 0.627. These suggested that the satellite hyperspectral data had the potential for predicting SSC in a large area.     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

基于国产高分一号卫星数据的区域土壤盐渍化信息提取与建模

土壤盐渍化是干旱半干旱地区土地退化的主要原因之一,给当地生态系统和社会经济的可持续发展带来了严重的威胁,而对盐渍化空间分布信息的提取是治理盐渍化的基础。因此,选取生态脆弱区渭—库绿洲为研究区,利用2014年7月19日GF-1多光谱影像数据,提取光谱指数及波段信息,结合实际采样点的土壤表层电导率数据(0~10 cm),采用偏最小二乘回归模型(partial least squares regression,PLSR)对土壤盐渍化进行模拟,并对研究区盐渍化分布进行模拟和评估。结果表明:实测土壤表层电导率与光谱指数相关性较好;利用PLSR对渭—库绿洲土壤表层盐渍信息建模,对土壤盐渍化信息提取效果较好,精度较高;充分利用了GF-1影像包含的信息,提高了高分辨率遥感影像盐渍化信息提取的精度;非盐渍化和轻度盐渍化面积分别占总面积的42.88%和17.16%,绿洲中部偏东及东南区域,盐渍化现象稍弱,可成为今后绿洲扩张的重点方向;而中度盐渍化、重度盐渍化和盐土面积分别占总面积的29.51%、8.57%和1.88%,绿洲北部/西部及西南方向的重度盐渍化区域紧挨绿洲区域,已严重威胁了绿洲经济的健康发展,亟待治理。     

Model-Based Integrated Methods for Quantitative Estimation of Soil Salinity from Hyperspectral Remote Sensing Data:A Case Study of Seffected South African Soils

Soil salinization is a land degradation process that leads to reduced agricultural yields. This study investigated the method that can best predict electrical conductivity (EC) in dry soils using individual bands, a normalized difference salinity index (NDSI), partial least squares regression (PLSR), and bagging PLSR. Soil spectral reflectance of dried, ground, and sieved soil samples containing varying amounts of EC was measured using an ASD FieldSpec spectrometer in a darkroom. Predictive models were computed using a training dataset. An independent validation dataset was used to validate the models. The results showed that good predictions could be made based on bagging PLSR using first derivative reflectance (validation R2 = 0.85), PLSR using untransformed reflectance (validation R2 = 0.70), NDSI (validation R2 = 0.65), and the untransformed individual band at 2257 nm (validation R2 = 0.60) predictive models. These suggested the potential of mapping soil salinity using airborne and/or satellite hyperspectral data during dry seasons.     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。     

基于热红外发射率光谱的土壤盐分预测模型的建立与验证

该研究尝试性地分析盐渍化土壤热红外发射率光谱特征,并建立土壤盐分高光谱预测模型,旨在为遥感传感器识别土壤盐分信息奠定基础。首先,采用FTIR（Fourier transform infrared spectrometer）温度与发射率分离处理软件进行土壤温度和发射率的分离。运用高斯滤波平滑法对研究区野外测的土壤样品热红外发射率光谱数据进行滤波去噪处理。其次,对不同土壤含盐量热红外发射率光谱数据进行特征分析;然后在原始热红外发射率光谱数据的基础上进行4种形式的数学变换,分析热红外发射率光谱数据的变换处理形式与土壤含盐量之间的定量相关性。最后,使用多元回归方法建立预测模型并进行精度评价。结果表明：经过数据变换处理后,发射率光谱差异性有所提高;以平方根变换后的热红外光谱数据建立的预测模型效果较好,R2达到0.82。该研究将热红外遥感独特的发射率光谱特性应用于土壤盐渍化的实际科学问题中,为定量地分析盐渍土热红外发射率光谱信息提供参考。