多光谱遥感结合随机森林算法反演耕作土壤有机质含量

土壤有机质(Soil Organic Matter,SOM)遥感反演一般以单期影像作为输入量,为研究多时相影像遥感结合随机森林提高SOM遥感反演精度的可能性,该研究以黑龙江省农垦总局胜利农场耕地范围为研究区,以Sentinel-2A和Landsat 8影像作为数据源,获取两期裸土遥感影像,构建光谱指数,以随机森林算法筛选波段和光谱指数作为输入量,构建SOM反演模型。结果表明:1)两期影像的SOM反射光谱响应波段包括二者共有的中心波长:约560、660、850 nm,以及Sentinel-2A特有的中心波长740 nm 4个波段;2)基于单期影像最佳波段和光谱指数,Sentinel-2A影像SOM最优反演模型R2为0.913,均方根误差为0.860 g/kg,精度高于Landsat 8影像反演模型;3)单期影像最佳波段引入光谱指数,相比以最佳波段作为输入量,使SOM最优反演模型的均方根误差分别提高了28.867%和8.722%;4)引入时相信息,基于单期和两期影像波段和光谱指数,SOM最优反演模型精度由高到低为两期影像(R2为0.938,均方根误差1.329 g/kg)、Sentinel-2A影像(R2为0.935,均方根误差为1.944 g/kg)、Landsat 8影像(R2为0.922,均方根误差2.022 g/kg),两期影像SOM最优反演模型的稳定性和精度略高于单期影像。研究结果证明了Sentinel-2A影像数据以及多时相裸土影像反演SOM的优势。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

基于高光谱的土壤不同颗粒含量预测分析

以典型黄河下游冲积平原区的土壤为研究对象,分析土壤高光谱特征,探讨土壤质地不同粒级颗粒含量的统一估测途径,为土壤质地快速监测评价提供技术支持。选择原始光谱,及其倒数、对数、标准正交变换、多元散射变化、一阶微分、二阶微分共7种光谱变换形式,首先主成分降维,然后分别建立土壤黏粒、粉粒和砂粒含量的支持向量机预测模型,采用决定系数、均值绝对误差、均方根误差3种精度指标来衡量模型的预测能力。结果表明:原始光谱的对数为最佳光谱变换形式,具有最佳的土壤不同颗粒含量估测能力,决定系数R2 ≥ 0.6853,均值绝对误差MAE ≤ 0.1193,均方根误差RMSE ≤ 0.1683;黏粒含量的变化范围相对集中,预测能力整体表现的相对较强,R2 = 0.8127,MAE = 0.0820,RMSE = 0.1248。通过筛选最佳光谱变换处理,主成分降维,支持向量机预测,建立了土壤中黏粒、粉粒和砂粒含量的统一估测途径,实现了简单快捷的高光谱估测。     

重采样间隔对土壤质地高光谱预测模型精度的影响

光谱重采样是光谱预处理的基础环节之一,对高光谱预测模型精度有着重要影响。本文采集丰乐河流域162个土样,实验室内对土样进行质地分析和光谱测量,基于不同重采样间隔下光谱反射率R和连续统去除CR数据,利用偏最小二乘PLS回归方法构建土壤粉粒和砂粒含量的高光谱预测模型(R-PLS和CR-PLS),探讨不同采样间隔对土壤质地光谱预测模型精度的影响,分析高光谱数据预测土壤质地的最佳重采样间隔。结果表明:随着采样间隔的增大,R曲线的形状特征发生一定变化,进而导致光谱特征吸收带的变化间接影响着土壤质地的预测精度。比较与分析不同采样间隔下R-PLS、CR-PLS模型预测集评价指标的变化情况,随着采样间隔的增大,粉粒和砂粒R-PLS和CR-PLS模型的预测精度整体上逐渐减小。在相同采样间隔下,R-PLS模型的预测性能总体上高于CR-PLS模型。在R-PLS高光谱预测模型中,粉粒的最佳采样间隔为1～16 nm,砂粒为1～64 nm。该研究可为后续土壤质地的预测提供研究基础和理论参考。     

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。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

基于Sentinel-1双极化雷达影像的土壤含盐量反演

该文以松嫩平原土地盐碱化区域-大庆市为研究区,Sentinel-1双极化雷达影像为数据源,结合研究区土壤采样的全盐含量测量值,反演研究区表层土壤含盐量。首先,在研究区进行土壤采样,并在实验室化验土壤样品的全盐含量,利用S1TBX软件对雷达影像进行噪声处理、辐射校正、几何校正;然后通过分析雷达影像不同极化组合的后向散射系数与土壤含盐量之间的关系,确定最优的极化组合方式;最后,利用回归分析的方法建立土壤含盐量的反演模型并进行精度评价。研究结果显示:(VV~2+VH~2)/(VV~2-VH~2)极化组合的后向散射系数可以较好的分离不同含盐量的土壤,建立起来的反演模型,决定系数R~2达到0.872,均方根误差RMSE为0.988。该研究可以满足大区域土地盐碱化监测的需要,并为Sentinel-1雷达数据在土壤成分提取等方面研究提供了参考。     

蚁群算法在土壤质地高光谱预测建模中的应用

为提高土壤质地高光谱预测模型精度,以巢湖流域177个土样光谱为基础数据源,运用蚁群算法选择特征波长,结合BP神经网络构建土壤质地光谱预测模型,并与全光谱构建的光谱预测模型进行比较。结果表明,运用蚁群算法选择特征波长构建的光谱预测模型精度优于全光谱构建的预测模型精度,土壤粉粒含量预测模型预测集决定系数R2为0.76,RPIQ为2.23,土壤砂粒含量预测模型预测集决定系数R2为0.72,RPIQ为1.94;全光谱土壤粉粒含量预测模型预测集R2为0.57,RPIQ为1.75,全光谱土壤砂粒含量预测模型预测集R2为0.48,RPIQ为1.82。运用蚁群算法选择光谱特征波长建模,减少了数据冗余,提高了预测模型精度。     

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。     

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。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率

土壤含水率是农业、环境、气象等领域进行建模的重要参数。该研究将微波遥感与光学遥感相结合,利用Sentinel-1数据交叉极化比及变换土壤调节植被指数对地表粗糙度进行估计,构建了一种改进的水云模型(modifiedwatercloud model, MWCM)。分析将NDVI、NDWI和NDWI1725,2200等植被指数作为植被冠层含水率时,水云模型(water cloud model,WCM)及MWCM农田地表土壤含水率的反演精度。结果表明:从总体精度上来看,MWCM的反演精度优于WCM。在不同植被覆盖度情况下:当植被覆盖度为中、低程度(NDVI0.5),MWCM具有较高的反演精度;在较高的植被覆盖度情况下(NDVI≥0.5),WCM与MWCM的反演精度较为接近。MWCM可有效的建立微波后向散射系数与地表土壤水分的关系,提高土壤含水率反演精度,为各种地表覆盖类型的土壤含水率反演提供研究思路及理论支持。     

基于高光谱的ASTER影像土壤盐分模型校正及验证

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提.该文以新疆维吾尔自治区典型盐渍化区域——艾比湖流域为研究区,analytical spectral devices(ASD)光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer(ASTER)影像为数据源,结合实测土壤盐分含量信息,对遥感定量反演土壤盐渍化现象进行研究.再经过光谱反射率数学变换后,结合相关性分析,利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型,对遥感影像光谱盐分估算模型进行校正,以提高遥感定量监测盐渍化土壤的精度.结果表明:ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳,决定系数R2分别为0.59和0.82.经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91,有效地提高大尺度条件下土壤盐渍化反演精度.研究为大尺度土壤盐分定量遥感监测提供了一种有效方法.     

覆膜对无人机多光谱遥感反演土壤含盐量精度的影响

快速、准确地获取农田土壤盐分含量对指导合理灌溉及盐渍土的治理有重要意义。该文以内蒙古河套灌区沙壕渠灌域内的覆膜耕地为研究对象,利用无人机多光谱相机获取研究区内5月和6月的多光谱遥感数据,并同步采集区域内表层土壤含盐量数据,研究覆膜对无人机多光谱遥感图像反演农田土壤盐分含量精度的影响。利用支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)和极限学习机(extreme learning machine,ELM)3种机器学习方法,分别构建去膜前后基于原始光谱反射率和优选光谱指数的土壤含盐量估算模型。结果表明,去膜前后的各模型均可有效估测土壤盐分含量,但基于去膜处理后的数据构建的盐分含量估算模型精度较不去膜处理的有所提升,同时,基于光谱指数构建的盐分含量估算模型精度比基于光谱反射率构建的模型精度高;利用ELM构建的盐分含量估算模型在6月份预测效果最佳,其中基于光谱反射率和光谱指数的建模R2和RMSE分别为0.695、0.663和0.182、0.191,验证R2和RMSE分别为0.717、0.716和0.171、0.169。研究结果可为无人机多光谱遥感估算覆膜状态下的农田土壤盐分含量提供参考。     

基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GDBT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）模型A-1对比模型A-0增加了红边波段,模型A-1比模型A-0提高了9.752%;3）从不同的预测算法来看,GDBT算法能较好地适用于研究区的土壤有机质预测,GDBT算法、Sentinel-2A与GEE的结合是SOM预测制图的一种有效方法。     

基于Sentinel-2卫星数据的灌区农田土壤水盐协同反演

土壤含水量（soil water content, SWC）和土壤含盐量（soil salt content, SSC）是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率（R_v）对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明：RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分：决定系数R²为0.63～0.74,均方根误差为0.017～0.028;盐分：决定系数R²为0.68～0.75,均方根误差为0.0525～0.0617)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。     

Sentinel-2多光谱卫星遥感反演植被覆盖下的土壤盐分变化

为克服植被覆盖条件下土壤盐分含量与光谱反射率之间相关性较差所带来反演精度较低的问题,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,利用Sentinel-2卫星同步获取光谱数据,通过构建以归一化植被指数（Normalized Difference Vegetation Index,NDVI）为分支标准的盐分深度决策树确定反演土壤盐分含量的最佳深度,然后构建以NDVI和表层土壤含水率为分支标准的类别决策树,将土壤样本划分为不同类别,以此分别构建土壤盐分反演模型,并评估反演效果。研究结果表明,决策树能增强光谱反射率对土壤盐分含量的敏感性,光谱反射率与土壤盐分含量的相关系数达0.66以上。基于随机森林（Random Forest,RF）的盐分反演模型可取得理想的反演效果,决定系数为0.77,均方根误差为0.27%,相对分布误差为2.65,相对分析误差为8.99。土壤盐分含量反演模型能较好地反演表层（<20 cm）和深层（>40～60 cm）土壤盐分含量,在反演中层（20～40 cm）土壤盐分含量上存在一定局限。当地表有植被覆盖时,利用决策树可有效地提高土壤盐分含量的反演精度（与未考虑决策树相比,决定系数和相对分布误差分别提高0.34和0.67）。研究结果可为监测灌区内作物生育期间土壤盐分含量的动态变化提供方法参考。     

基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

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。