采煤矿区表层土壤有机质含量遥感反演

利用LandSat ETM+影像反演煤炭开采区表层土壤有机质含量的空间格局,对采样点各波段光谱反射率进行数学变换,并将所得结果与有机质含量进行相关性分析.挑选出敏感波段,建立了表层土壤有机质含量的光谱预测模型.结果表明,研究区表层土壤有机质含量与第5波段和第7波段反射率呈极显著的负相关关系(R分别为-0.585和-0.543,P＜0.001);对反射率进行数学变换可以改善其与有机质之间的相关性;用第1波段反射率对数的倒数和第5波段反射率的倒数建立二元回归方程(R2 =0.616 2,p＜0.001)对研究区土壤有机质有很好的预测能力(R2 =0.616 2,RMSE=0.89);有机质含量在10～15g/kg范围的图斑面积最大,占研究区总面积的50.44％;表层土壤有机质随开采沉陷坡度的增加呈减少的趋势;煤炭开采沉陷对表层土壤有机质含量的扰动属于失碳效应.     

黑土典型区土壤有机质遥感反演

土壤有机质（SOM）含量时空变异规律研究对于土壤肥力评价、土壤碳库估算、土壤资源利用与保护具有重要意义,而地貌、成土母质、土壤类型等差异、高光谱卫星影像较少等因素制约了区域尺度的SOM含量遥感反演方法研究的开展。该文以黑龙江省黑土带典型区为例,采集区域土壤样本,获取Landsat TM遥感影像,基于有机质含量与土壤反射率的定量关系,建立区域SOM遥感预测模型。结果表明：黑土区SOM含量高,一般大于2%,决定了有机质对土壤反射光谱特性的主要作用,而且该区SOM空间变异性显著,且耕作方式、气候等因素决定了裸土时间长,因而该区适于SOM含量遥感反演;有机质与TM各波段反射率均显著相关,最大相关系数在第3波段（0.63～0.69 μm）,为-0.710,其次为4波段（0.76～0.90 μm）,与实验室基于高光谱反射率数据分析的结果一致;基于TM影像2、3、4波段的SOM指数模型最优,预测精度高、稳定性好,可以用于揭示黑土典型区SOM含量的空间分布特征。该研究将为改进土壤理化参数遥感反演、土地质量评价、土壤碳库估算等工作方法提供理论与技术支持。     

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TM数据的黑土有机质含量空间格局反演研究

以吉林省黑土区为例,采集区域土壤样本,获取Landsat TM遥感影像,基于有机质含量(SOM)与土壤反射率的定量关系,筛选出与土壤有机质分布相关的波段TM1、TM5,建立区域土壤有机质遥感预测模型。结果表明,表层土壤有机质含量的对数值与TM1、TM5的灰度值(Digital Number,DN)呈显著负相关关系,满足二次多项式回归关系,基于TM1、TM5波段DN值的回归模型预测研究区表层土壤有机质含量,结果可靠。研究区表层土壤有机质含量15 g kg-1的区域主要分布在东部地区,含量在15~20 g kg-1的区域主要分布在中部地区,含量在20~25 g kg-1的土壤主要集中在西部地区。调查表明东部地区和中部地区主要是典型黑土,地形部位较高,排水条件较好;西部地区主要是草甸黑土,地势平坦,地下水位适中,水分条件充足,有机质含量较高。     

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HJ卫星的棉田土壤有机质空间分布格局反演

以北疆绿洲区棉田表层土壤为研究对象,利用国产HJ-1A/1B卫星CCD多光谱数据对裸土有机质空间分布格局进行研究。通过分析多光谱数据不同波段的光谱反射率及其变换形式与实地采样得到的土壤有机质含量的相关性,探寻适合绿洲区棉田表层土壤有机质含量快速反演的敏感波段及参数,并针对不同参数分别建立一元线性、二次、三次、对数、倒数、幂函数、生长型、S型回归模型,以及多元回归模型;对生成的模型进行综合对比分析,获取北疆绿洲区棉田表层土壤有机质含量的最佳反演模型,从而实现整个研究区土壤有机质空间格局的遥感反演。结果表明:HJ卫星多光谱数据4个波段的反射率均与土壤有机质含量存在显著的相关性,第3波段的倒数与土壤有机质含量相关性最为显著;且以第3波段光谱反射率作为因变量得到的三次线性回归模型对土壤有机质含量进行反演的效果最佳;通过空间布局反演得到研究区土壤有机质空间分布整体呈现南北两端有机质含量较高,中部有机质含量较低的格局。该研究表明虽然与黑土有机质含量具有差别,但是遥感技术仍能够作为绿洲区土壤有机质含量空间布局反演的方法,为遥感技术在土壤参数监测中更好的发挥作用提供理论支持,同时也为新疆棉田生产管理和农田可持续利用提供科学依据。     

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RS和GIS的西河流域土壤有机碳含量的空间反演

基于遥感(RS)和地理信息系统(GIS)方法掌握土壤有机碳含量是当前土壤学科的发展趋势。本文利用西河流域Landsat 8 OLI遥感影像及121个样点土壤表层(0~20 cm)有机碳含量和地面辅助数据建立预测模型并进行了空间反演。结果表明,仅用遥感光谱信息建立的土壤有机碳含量预测模型均达极显著水平(P=0.000),表明遥感光谱信息能用于表层土壤有机碳含量的预测建模。在引入成土母质、地貌类型和农地利用方式等地面辅助因子后,预测模型决定系数R2明显增大(P=0.000),由0.385提高到了0.579,这表明地面辅助因子能有效改善模型精度。空间反演显示,最优模型的插值图能较好地表现区域土壤有机碳含量分布的基本格局,但对于个别值区的反演效果仍有待进一步提升。     

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带，土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区，Landsat 8 OLI影像和ALOS 12.5m DEM为数据源，基于波段反射率、反射率对数、亮度指数与相关地形因子，分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型，构建农牧交错带SOM多光谱反演模型。结果表明：(1)根据重要性排序，选择Landsat8OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量，RF和BPNN模型的精度优于MLSR模型。(2)引入高程(E)与坡向变率(SOA)后，3种模型的预测精度提高，BPNN模型精度提高最多，R2提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为：BPNN模型(R2=0.82,RMSE=1.4 g/kg)>RF模型(R2=0.71,RMSE=1.9 g/kg)>MLSR模型(R2=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。     

基于改进植被指数的黄河口区盐渍土盐分遥感反演

快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土,以垦利县为例,基于Landsat 8 OLI多光谱影像,在传统植被指数的基础上引入短波红外波段进行扩展,提出了改进植被指数;然后基于改进前后对应的植被指数,分别采用多元逐步回归(multivariable linear regression,MLR)、反向传播神经网络(back propagation neural networks,BPNN)和支持向量机(support vector machine,SVM)方法构建土壤盐分含量的遥感反演模型,并进行模型验证、对比和优选;最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示:相对传统植被指数,扩展后植被指数可增强与土壤盐分的相关性,大幅降低指数间的多重共线性;采用上述3种方法建模,改进后模型的精度比改进前都有提高,验证集决定系数R2提高0.04~0.10,均方根误差RMSE降低0.13~0.73,相对分析误差RPD提高0.25~0.34,改进后模型RPD均大于2.0,普遍达到性能良好;对比3种建模方法,SVM建模精度最高,BPNN模型次之,MLR分析精度最低,最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型,建模集R2和RMSE为0.75、3.48,验证集R2、RMSE和RPD为0.78、3.02和2.56,模型较为准确、可靠;基于该模型反演的研究区土壤盐分含量整体较高,盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重,与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像,引入第7波段对植被指数进行改进,从而构建土壤盐分含量的支持向量机模型,可获得较好的土壤盐分空间分布反演结果。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

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。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。     

基于连续小波变换的潮土有机质含量高光谱估算

土壤有机质含量快速估算对于土壤肥力评价、土壤信息化管理和精准施肥具有重要意义。该文通过对北京顺义地区64个土壤样品高光谱曲线进行连续小波变换,估算了该地区潮土有机质质量分数,并与4种常用光谱变换方法进行了比较。结果表明,潮土具有与其他类型土壤类似的光谱曲线,经过去包络线处理后,在可见与近红波段都出现了明显吸收峰;采用连续小波变换方法所确定的潮土有机质估算的敏感波段为1194、486和866nm,对应小波分解尺度为2,3和4;利用小波能量系数与有机质质量分数所构建的多元线性回归模型的决定系数R2为0.67,模型实测值与预测值的检验精度R2为0.75,RMSE为0.21;而采用4种常用光谱变换方法建立的潮土有机质估测模型的R2最高只有0.09,说明连续小波变换方法更适合于潮土有机质质量分数估测。Kringing插值分析表明,应在顺义地区东南部增加取样点,以提高模型估算精度。该研究可为潮土土壤肥力的快速测定提供参考。     

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。     

Spectroscopy-Based Soil Organic Matter Estimation in Brown Forest Soil Areas of the Shandong Peninsula, China

Soil organic matter (SOM) is important for plant growth and production. Conventional analyses of SOM are expensive and time consuming. Hyperspectral remote sensing is an alternative approach for SOM estimation. In this study, the diffuse reflectance spectra of soil samples from Qixia City, the Shandong Peninsula, China, were measured with an ASD FieldSpec 3 portable object spectrometer (Analytical Spectral Devices Inc., Boulder, USA). Raw spectral reflectance data were transformed using four methods:nine points weighted moving average (NWMA), NWMA with first derivative (NWMA + FD), NWMA with standard normal variate (NWMA + SNV), and NWMA with min-max standardization (NWMA + MS). These data were analyzed and correlated with SOM content. The evaluation model was established using support vector machine regression (SVM) with sensitive wavelengths. The results showed that NWMA + FD was the best of the four pretreatment methods. The sensitive wavelengths based on NWMA + FD were 917, 991, 1 007, 1 996, and 2 267 nm. The SVM model established with the above-mentioned five sensitive wavelengths was significant (R²=0.875, root mean square error (RMSE)=0.107 g kg^-1 for calibration set; R²=0.853, RMSE=0.097 g kg^-1 for validation set). The results indicate that hyperspectral remote sensing can quickly and accurately predict SOM content in the brown forest soil areas of the Shandong Peninsula. This is a novel approach for rapid monitoring and accurate diagnosis of brown forest soil nutrients.     

基于地理加权回归模型的博斯腾湖湖滨绿洲土壤盐分离子含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,分析HCO_3~–、Cl~–、SO_4~(2–)、Ca~(2+)、Mg~(2+)、Na~++K~+等主要土壤盐分离子含量与土壤高光谱反射率的分数阶微分光谱变换与RSI、DSI、NDSI等二维土壤指数的相关性优选特征波段,构建基于地理加权回归模型的土壤盐分离子含量估算模型。研究结果表明:Na~++K~+的微分变换特征波段集中在468～724 nm与1 182～1 539 nm,二维土壤指数的特征波段集中在1 742～2 395 nm,基于RSI的特征波段优选下地理加权回归模型对Na~++K~+含量的估算效果较好,建模集R~2=0.94,RMSE=0.22,验证集R~2=0.74,RMSE=0.19;SO_4~(2–)含量在1.2阶优选的位于469～636 nm波段估算效果较佳,建模集R~2=0.91,RMSE=0.02,验证集R~2=0.75,RMSE=0.33;Ca~(2+)、Mg~(2+)优选的特征波段主要集中在912～2 340 nm的近红外波段;Cl~–含量在1阶的近红外波段建模效果较好,建模集R~2=0.74,RMSE=0.03,验证集R~2=0.93,RMSE=0.11;含量相对较高的Na~++K~+、SO_4~(2–)、Cl~–的地理加权回归模型精度高于含量较低的Ca~(2+)、Mg~(2+)。