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。     

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。     

基于野外VIS-NIR光谱的土壤盐分主要离子预测

为明确干旱区土壤盐分主要离子的特征光谱,建立精度高和稳定性好的盐渍土预测模型,以新疆阜康市为研究区域,采用网格法采集55个土壤样本,利用实测VIS-NIR光谱,选择多元线性回归(MLR)、支持向量机(SVM)、随机森林(RF)法构建土壤盐分主要离子含量反演模型,而后对反演精度进行检验。结果显示:(1)在0.01显著水平下,土壤盐分与Na~+、Cl~–、Ca~(2+)含量均呈显著相关,相关系数分别为0.978、0.814、0.645;(2)综合光谱响应和相关性分析确定土壤盐分主要离子的特征波段为459、537、1 381、1 386 nm,显著特征波段为459、537 nm;(3)3种模型拟合效果从高到低依次为RFMLRSVM,采用RF所建模型盐分主要离子(Na~+、Cl~–、Ca~(2+))R~2最高,RMSE最小,RPD最大,分别为2.11、2.03、1.80,为最优预测模型。通过选取土壤主要离子显著特征波段,进而采用RF法构建其估测模型,可以有效提取干旱区土壤盐分的主要离子信息。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

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。     

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。     

基于光谱变换的宁夏银北地区可溶性阴离子反演

可溶性阴离子是土壤盐分的重要组成部分,对植物生长发育有重要影响。为探讨野外实测光谱对土壤可溶性阴离子的反演精度,以宁夏银北平罗县盐渍化土壤为研究对象,对野外实测光谱选用6种常规变换[平滑R、平滑倒数1/R、平滑对数lg(R)、平滑倒数的对数lg(1/R)、平滑一阶微分R′、平滑二阶微分R″]预处理,然后分别利用相关性分析和逐步回归法筛选离子敏感特征波段,最后采用主成分回归(PCR)、偏最小二乘回归(PLSR)和支持向量机(SVM)建立土壤各阴离子反演模型。结果表明:1)研究区土壤中Cl-和SO42-含量较高,CO32-含量最低,属于氯化物-硫酸盐盐渍土。2)原始反射率经R″变换后与土壤阴离子的相关性最强,与CO32-、HCO3-、Cl-和SO42-相关系数分别达到0.572、0.741、0.802和0.545。3)与相关性分析相比,逐步回归(SR)更好地解决了光谱间共线性的问题,反演精度更高。4)与PCR、PLSR相比,SVM所建可溶性阴离子反演模型效果最佳。土壤CO32-、Cl-、SO42-反演效果最佳的模型均为R″-SR-SVM,其中对CO32-的反演模型建模决定系数(Rc2)为0.984、验证决定系数(Rp2)为0.560、相对分析误差(RPD)为6.76;SO42-的反演模型Rc2为0.970、Rp2为0.841、RPD为5.59;Cl-的反演模型Rc2为0.925、Rp2为0.940、RPD为3.62;HCO3-效果最佳的模型为R′-SR-SVM,Rc2为0.970、Rp2为0.840、RPD为5.59。研究结果可为该区域及同类地区土壤盐渍化反演提供理论依据。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息，可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据，并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数，在此基础上引入红边波段建立新的光谱指数，同时使用Elastic-net算法（ENET）对光谱变量进行筛选，并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组；运用BP神经网络（Back Propagation Neural Networks，BPNN）、支持向量机（Support Vector Machine，SVM）和极限学习机（Extreme Learning Machine，ELM）3种机器学习方法，构建作物覆盖下不同土壤深度的土壤盐分反演模型，并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明，使用ENET变量选择方法可以有效筛选出最优光谱变量，且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组；ELM模型反演效果优于SVM模型和BPNN模型，其验证集的决定系数为0.783，均方根误差为0.141，一致性相关系数为0.875；研究区域内，作物覆盖下的土壤盐分最佳反演深度为10～20 cm；在不同土壤深度下，基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度，这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

基于WorldView-3多光谱和关键环境变量的土壤镉含量反演

快速准确获取农田土壤重金属含量对区域土地质量评估和粮食安全至关重要。该研究以江西省仙槎河流域小龙钨矿周边农田土壤为研究对象,采用WorldView-3多光谱影像提取光谱反射率并进行光谱变换处理,同时考虑了地形、人类活动和土壤属性等影响农田土壤镉（Cd）含量空间分布的关键环境因子,将光谱、环境变量、光谱与环境变量分别作为模型的自变量,选取了偏最小二乘（Partial Least Squares Regression,PLSR）、支持向量机（Support Vector Machines,SVM）、BP神经网络（Back Propagation Neural Network,BPNN）和随机森林（Random Forest,RF）4种回归算法构建土壤Cd含量预测模型,并利用精度评价指标优选出最佳反演模型。结果表明：仅输入多光谱特征进行Cd含量反演的模型精度总体偏低,R2低于0.2。相比之下,单独输入环境变量的模型精度结果最为理想,最优模型（RF）精度R2可达0.782。然而,融合光谱信息与环境变量共同建模后并未显著提高模型精度,反而导致较优模型（RF）精度略微降低,R2为0.693。研究结果表明,关键环境协变量是决定研究区农田土壤重金属Cd空间分布反演的重要变量,而利用多光谱信息进行土壤重金属反演的能力有限。此外,随机森林模型是预测土壤重金属空间分布的有效手段。     

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。     

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。     

Spatial modeling of soil salinity using multiple linear regression,ordinary kriging and artificial neural network methods

Salinity as an important property of soil plays a major role in reducing the fertility in the world. Accurate information about the spatial change of soil salinity is essential for sustainable soil management and utilization in agriculture lands. For this purpose, 150 soil samples were collected from Dashte-e-Tabriz Iran and tested and soil salinity was estimated by land surface parameters including elevation, aspect, length of slope, wetness index, slope and normalized difference vegetation index as basic parameters. In order to model and predict the salinity, ordinary kriging (OK), artificial neural networks (ANN) and multiple linear regressions (MLR) were used. Accuracy of models was evaluated by the coefficient of determination (R²), root mean square error (RMSE) and mean absolute error (MAE). Based on Pearson correlation, elevation, normalized difference vegetation and wetness indices were selected for soil salinity spatial modeling from six land surface parameters. The results showed that the ANN had the lowest RMSE and highest R2. The values of R2, RMSE and MAE were 0.36, 25.89 and 17.06 for regression and 0.56, 17.70 and 13.05 for OK and 0.69, 16.06 and 11.60 for ANN, respectively, which indicated more accuracy of ANN in comparison with MLR and OK.     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一，对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性，该研究收集新疆艾比湖湿地78个典型样点，其中选取54个样本作为训练集，24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument，MSI）、数字高程模型（Digital Elevation Model，DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数），经过极端梯度提升（Extreme Gradient Boosting，XGBoost）算法筛选有效特征变量，构建了关于土壤电导率（Electrical Conductivity，EC）的随机森林（Random Forest，RF）、极限学习机（Extra Learning Machine，ELM）和偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型，并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化；红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合，3类指数组合的建模取得了较为理想的预测精度，其中RF模型表现最优（验证集R2=0.83，RMSE=4.81 dS/m，RPD=3.11）；在整个研究区内，中部和东部地区土壤盐渍化程度尤为严重。因此，XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

基于Landsat 8数据的荒漠土壤水分遥感反演

[目的]分析荒漠土壤水分变化特征,为南疆干旱区荒漠土壤水分遥感监测提供理论依据和方法支持。[方法]以Landsat 8数据构建干旱地区荒漠土壤水分建模指示因子,通过优选的26个光谱指数、地表温度(Ts)和地形数据(DEM)为建模因子,分别以偏最小二乘(PLSR)、支持向量机(SVM)和随机森林(RF)3种方法构建土壤水分反演模型,对模型进行验证和对比,选取最优模型反演空台里克土壤水分空间分布。[结果]①TVDI,NR,GLI等26个优选的光谱指数中,Ts和DEM与土壤水分均达极显著相关,可作为南疆干旱区荒漠土壤水分遥感建模的指示因子;②对比3种模型,RF模型建模集和预测集的R²分别为0.93,0.91,预测集RPD为3.90,各评价指标均为最高,PLSR模型精度次之,SVM模型精度最低;③以RF模型反演研究区表层土壤水分,在不同土地利用分类中土壤水分分布特征存在明显差异,特别在盐结皮区域的差异尤为突出。[结论]利用光谱指数、环境因子和地形数据构建的多因子、多指数综合的模型能较高精度地反演干旱区荒漠表层土壤水分,对研究该地区土地荒漠化和生态环境治理具有一定参考价值。     

基于模型平均法的表层土壤含水率多模型综合反演

土壤水分是农作物和牧草生长的关键因素,也是影响全球气候变化和水循环的重要因子,因此准确监测土壤水分对促进农牧业可持续管理至关重要。基于Landsat 8 OLI多光谱影像,在表面生物物理特性和地形参数的基础上,结合野外实测土壤含水率,采用经验模型法分别构建了反距离加权法（Inverse Distance Weighting,IDW）、多元线性回归（Multivariable Linear Regression,MLR）、随机森林（Random Forest,RF）的土壤含水率反演模型,并采用模型平均法（Granger-Ramanathan,GR）进行组合反演,结果显示,通过模型平均法组合单一模型后在该研究区的土壤含水率反演中表现出了更好的适用性,模型平均法GR对于土壤含水率的估算效果佳,建模集与验证集R2≥0.88,均方根误差均不大于1.42%,且模型性能远优于反距离加权法、多元线性回归和随机森林。     

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,已严重威胁到了绿洲经济的健康发展,亟待治理。     

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。