地理加权回归模型结合高光谱反演盐生植物叶片盐离子含量

快速、无损地估算盐生植物叶片盐离子含量在植物生长监测、耐盐植物筛选和土壤盐渍化监测等方面有实用价值。该研究以新疆艾比湖保护区内盐生植物为研究对象,通过分析植物叶片盐离子(K~+、Na~+、Ca~(2+)、Mg~(2+))含量与冠层高光谱数据的光谱变换和二维植被指数(比值型植被指数(ratiovegetationindex,RVI)、差值型植被指数(difference vegetation index,DVI)、归一化型植被指数(normalized difference vegetation index,NDVI))的相关性选取特征波段,构建基于地理加权回归模型(geographically weighted regression,GWR)的叶片盐离子含量估算模型,并与BP神经网络模型(back propagation neural network)进行对比,研究基于GWR模型估算干旱区盐生植物叶片盐离子的可行性。结果表明,选取特征波段集中表现在红及短波红外波段:K~+含量在反射率倒数的对数选取的红光区域内波段使用GWR估算效果最佳;Na~+的特征波段在光谱变换下集中于短波红外区域,二维植被指数集中在近红外、短波近红外及黄、橙、红区域,各种波段选取下GWR对Na~+的含量估算均有较好效果,但反射率对数的一阶估算效果最好;Ca~(2+)含量在反射率平方根的一阶微分下选取的短波红外波段通过GWR模型估算效果最好;Mg~(2+)含量在DVI选取的位于红光区域特征波段估算效果最佳,但使用GWR模型对Mg~(2+)的估算精度不及BP模型。分析基于GWR盐离子模型估算模型发现,含量较高的离子估算效果更好,K~+、Na~+的模型精度优于Ca~(2+)、Mg~(2+)。在使用GWR模型估算植物叶片盐离子含量时,特征波段均指向红及短波红外波段,符合植被光谱机理的响应。     

基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例，基于土壤电导率 (Electrical conductivity，EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据，通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数，采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算，并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中，R_FD_RSI (R₁₉₁₃，R₂₁₄₂) 表现最佳 (r = 0.649) ；与PLSR相比，机器学习算法能够显著提高模型的估算精度，R²提高了34.55%。三种机器学习算法模型中，ELM表现最优 (R² = 0.884, RMSE = 3.071 mS?cm^-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息，并且基于机器学习算法的土壤EC估算模型精度显著提高，为干旱区土壤盐分定量估算提供了科学参考。     

基于机器学习的绿洲土壤盐渍化尺度效应研究

针对干旱区绿洲土壤盐渍化的生态环境问题，以新疆维吾尔自治区奇台绿洲为研究区，基于58个表层土壤盐度数据及与之对应的Landsat TM多光谱遥感影像数据，分别选取栅格重采样(空间分辨率为30～990m)和邻域滤波(窗口尺度为3×3、5×5、…、31×31)两种尺度转换方法获取不同尺度下Landsat TM派生数据，并据此计算相应的环境变量（总数为720）；随后利用梯度提升决策树（GBDT）模型在不同尺度下依托环境变量对土壤盐度进行模拟，并分析其定量关系。结果表明：单一尺度下，基于30m空间分辨率的邻域滤波方法对土壤盐度的解析力总体优于栅格重采样模式，其最大解析力分别为78.55%、75.31%。混合多种尺度下，对土壤盐度的解析效果较单一尺度得到明显提升，解析力最高可达90.66%，有效实现了信息互补。栅格重采样模式相对于邻域滤波而言，其调整R2波动范围更为宽泛，说明栅格重采样尺度变换方法相较于邻域滤波对土壤盐度-环境变量关系的表征更具灵敏性。     

基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。     

环境敏感变量优选及机器学习算法预测绿洲土壤盐分

基于机器学习预测干旱区(如新疆)土壤盐分的研究目前较少涉及且敏感变量的筛选还需深入探讨。该研究比较5种机器学习算法(套索算法,The Least Absolute Shrinkage and Selection Operator-LASSO;多元自适应回归样条函数,Multiple Adaptive Regression Splines-MARS;分类与回归树,Classification and Regression Trees-CART;随机森林,Random Forest-RF;随机梯度增进算法,Stochastic Gradient Treeboost-SGT)在3个不同地理区域(奇台绿洲,渭-库绿洲和于田绿洲)的性能表现;参与的变量被分为6组:波段,植被相关变量集,土壤相关变量集,数字高程模型(digital elevation model,DEM)衍生变量集,全变量组,优选变量组(全变量组经过算法筛选后的变量集合)。通过算法筛选,以示不同研究区的盐度敏感变量。同时借助以上述6组结果评判算法的性能。结果表明:综合分析6个变量组的R2和RMSE,预测精度排名如下:优选变量组植被指数变量组土壤相关变量组波段DEM衍生变量组。由于结果不稳定,全变量组未参与排名。在所有变量中,植被指数(EEVI,ENDVI,EVI2,CSRI,GDVI)和土壤盐度指数(SIT,SI2和SAIO)与土壤盐度相关性高于其他变量。综合评价以上5种算法,Lasso和MARS的预测结果出现极端异常值,但其预测结果能基本呈现土壤盐分空间分布格局。CART的结果能清晰分辨灌区和非灌区土壤盐分的分布态势,但二者内部并无太多变化且稳定性较差。RF和SGT的结果显示,二者在3个绿洲的土壤盐分值域范围和土壤盐分空间分布格局相似,纹理信息相对其他3个算法更为丰富。更为重要的是,算法在各个地区的结果都较为稳定。二者相比,SGT验证精度相对最高,其次为RF。     

基于光谱指数的绿洲农田土壤含水率无人机高光谱检测

土壤含水率(Soil moisture content,SMC)是发展精细灌溉农业的重要参数,因此对其进行精确估测十分必要。选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载的高光谱传感器获取的影像数据,基于Savitzky-Golay(SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs),连续统去除(Continuum removal,CR)3种不同预处理方法,共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与SMC的关系,并在遴选出最优指数及预处理方案的基础上构建干旱区绿洲农田SMC高光谱定量估算模型。结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs-SG预处理的PVI_((R644,R651))表现最优,相关系数为0.788,据此构建的三次拟合函数表现最优。基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上,更为深度地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R_c~2和RMSE为0.80、2.42%,验证集R_p~2与RMSE为0.91、1.71%,RPD为2.41。本研究构建的SMC估算模型减少了单一变量模型的误差;在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤水分状况天地空一体化遥感监测提供了崭新的视角和方案。     

伊犁河谷植被物候变化特征及其对气候变化的响应

本文基于2001—2021年MODIS NDVI数据和气象数据,利用TIMESAT软件提取伊犁河谷植被物候参数,结合Sen趋势分析、M—K检验和偏相关分析等方法,研究伊犁河谷植被物候变化特征及其对气候(气温、降水)变化的响应。结果表明：伊犁河谷植被生长季始期(Start of the growing season, SOS)、生长季末期(End of the growing season, EOS)、生长季长度(Length of growing season, LOS)主要集中在45～113 d, 290～335 d, 186～279 d,海拔每上升100 m, SOS约推迟1.9 d, EOS提前1 d, LOS缩短2.9 d。SOS呈提前的像元占79.91%;EOS呈推迟的像元占81.64%;LOS呈延长和缩短的像元占31.89%,26.39%。1 000 m以下草原SOS最早且提前天数最多(61.5 d);1 000 m以上草原EOS提前天数最多(34.8 d),阔叶林仅提前7.6 d。SOS受2,3月气温及1,2月降水影响,3月气温升高使SOS提前;EOS与8月气温正相关,与...     

集成土壤-环境关系与机器学习的干旱区土壤属性数字制图

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度（pH）、土壤盐分含量（Soil Salt Content,SSC)与土壤有机质（Soil Organic Matter, SOM）3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层（0—20 cm）土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树（Gradient Boosting Decision Tree,GBDT）模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差（Root Mean Square Error,RMSE）界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林（Random Forest, RF）、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型（Multiple Linear Regression,MLR）进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程（Elevation）、剖面曲率（Profile Curvature）、差值植被指数（Difference Vegetation Index）、扩展增强型植被指数（Extended Normalized Difference Vegetation Index）、调整土壤亮度植被指数（Modified Soil Adjusted Vegetation Index）、盐分指数S1（Salinity Index S1）以及盐分指数S6 （Salinity Index S6） 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R ²=0.6779,RMSE =0.2182,ρ_c=0.6084;在SSC预测中,验证集R ²=0.7945,RMSE =3.1803,ρ_c=0.8377;在SOM预测中,验证集R ²=0.7472,RMSE =3.5456,ρ_c=0.7009。 【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。