排序方式: 共有42条查询结果,搜索用时 7 毫秒
41.
快速监测区域土壤盐渍化信息,对于盐渍化治理与生态环境保护具有重要意义。本文以Sentinel-2A和Landsat8 OLI遥感影像为数据源,以银川平原为研究区,利用谷歌地球引擎(Google Earth Engine,GEE)平台,基于随机森林算法,通过建立光谱指数特征与地面实测土壤含盐量之间的关系,进行土壤含盐量估算。结果表明:GEE能够为土壤含盐量预测提供可靠的数据支撑;以Sentinel-2A为数据源建立的随机森林模型具有更好的预测精度(R2=0.789,RMSE=1.487),优于Landsat8 OLI,可用于土壤含盐量高分辨率遥感估算,能够为大尺度土壤含盐量监测工作提供理论支撑。 相似文献
42.
高光谱遥感是监测土壤盐渍化的重要手段之一,但野外光谱反射率易受土壤水分的影响,导致盐分监测精度难以保证。为有效消除水分因素,提高土壤含盐量反演精度,该研究以银川平原盐渍化土壤为研究对象,以野外土壤光谱反射率(reflectance,Ref)和实测土壤含盐量为数据源,分析不同含水率的土壤光谱特征,将反射率经过一阶微分(first derivative of reflectance,FDR)、正交信号校正(orthogonal signal correction,OSC)和一阶微分-正交信号校正(first derivative of reflectance - orthogonal signal correction,FDR-OSC)变换,分析各光谱数据与含盐量、含水率的相关性,确定最佳“除水”方法,然后基于支持向量机(support vector machine,SVM)建立土壤含盐量反演模型。结果表明:1)含水率与土壤光谱反射率呈反比,光谱在1 430、1 950、2 200 nm附近存在吸收带,1 950 nm附近为最主要吸收波段,且存在向长波漂移的现象。2)光谱数据与含水率相关性由强到弱的顺序为:Ref、OSC、FDR、FDR-OSC;与含盐量相关性由强到弱的顺序为:FDR-OSC、FDR、OSC、Ref。3)基于FDR-OSC“除水”的SVM含盐量模型决定系数Rc2、Rp2和相对分析误差(relative prediction deviation,RPD)分别达到0.952、0.960和5.04,具有极强的拟合和反演能力。研究结果可为银川平原及同类地区土壤含盐量的精准监测提供科学依据。 相似文献