基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

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。     

基于遥感的乌鲁木齐市绿地资源信息提取技术研究

城市绿地是城市生态系统中的一个子系统,可以综合调节城市生态环境。本文基于遥感信息,对乌鲁木齐市绿地格局进行研究和探讨,对城市绿地专题信息进行提取。主要通过计算TM影像及各主成分分量和归一化植被指数NDVI的相关系数来进行波段组合,提高遥感影像的目视解译精度和分类精度,然后与其他资料对比研究,可以发现该方法对于城市绿地信息提取能取得较好结果。研究表明乌鲁木齐市城市绿地存在面积较少,分布状况不均匀。     

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。     

土壤盐渍化高光谱特征分析与建模

基于高光谱遥感技术快速、无损的检测优势,以新疆渭干河-库车河三角洲绿洲为例,探讨利用反射光谱来预测土壤含盐量的可行性。利用野外采集的土壤样本,在实验室内测得了土壤含盐量及原始光谱反射率。利用光谱分析技术计算高光谱指数,与土壤样本含盐量进行相关性分析,筛选出土壤含盐量的光谱特征波段,基于逐步多元线性回归和偏最小二乘回归建立土壤盐分动态监测模型。通过精度检验,结果表明:基于偏最小二乘回归方法,以对数二阶微分光谱特征波段所构建的盐渍化遥感监测模型最优,模型的稳定性和预测精度最高。利用反射光谱来预测土壤含盐量可实现区域尺度上的土壤盐渍化实时监测和评价。     

艾比湖湿地不同盐渍化土壤粒度组成及可蚀性研究

为了研究内陆干旱区不同盐渍化土壤的粒径组成及其可蚀性的空间分布,在不同盐渍化程度上探讨其与土壤中盐分含量的相互关系,本研究以新疆维吾尔自治区艾比湖湿地为研究靶区,利用2015年5月获取的66个表层土壤样品,对土壤的粒度组成、含盐量、分形维数和可蚀性因子K值进行了研究。结果表明:样品中盐土占比达到59.09%,平均含盐量达131.59 g/kg,研究区内盐渍化现象既普遍又严重;土壤颗粒以粉粒和砂粒为主,随着盐渍化程度的加剧黏粒含量不断增加,砂粒含量则相反;土壤颗粒的分形维数D值介于2.14~2.60,平均值为2.45;随着盐渍化程度加剧,分形维数逐渐变大,K值也随之逐渐增大,盐土的K值最大达0.093;土壤可蚀性因子K值与含盐量的相关性较高(r=0.596**),在一定程度上可以说明,土壤的含盐量水平越高,K值越大,越容易被侵蚀。     

基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算

土壤盐渍化是农业生产中最关键的生态问题之一,是一种降低土壤质量,严重影响作物产出的缓慢土壤退化过程。因此,土壤盐分的监测及评估对干旱区的土地管理与恢复至关重要。选取艾比湖湿地为研究区,基于2016年干湿两季(5月/9月)的Landsat8 OLI遥感影像,147个土壤实测样点的电导率(Electrical Conductivity, EC)数据及其对应的室内反射光谱数据,通过光谱重采样技术,建立该研究区土壤EC的偏最小二乘(partial least-squares regression, PLSR)定量估算模型,并尝试对干湿两季的土壤盐渍化状况进行对比分析。结果表明:(1)艾比湖湿地土壤盐渍化较为严重,湿季土壤EC(23.90 mS·cm~(-1))高于干季(11.62 mS·cm~(-1));(2)基于重采样处理后的光谱数据及13个光谱指数所建立的PLSR模型具有较好的精度(R2=0.91,RMSE=6.48mS·cm~(-1),RPD=2.45),说明该模型可以有效地对区域尺度的土壤EC进行定量估算。(3)从2016年5月至9月,艾比湖湿地的中度和重度盐渍土面积增加,轻度盐渍土和盐土面积减少。本研究将两种不同分辨率的数据进行联合建模,既提升了传统光学遥感影像模型的精度,又将高光谱数据扩展至像元尺度上,为土壤盐分信息的遥感提取提供了科学参考。     

渭-库绿洲土壤剖面盐分分布特征及驱动因子分析

[目的]监测渭-库绿洲土壤盐渍化的空间分布特征,探究驱动因子作用机理,对当地因地制宜进行土壤盐渍化调控。[方法]采用决策树、克里金插值和灰色关联度分析研究了渭-库绿洲土壤盐渍化的剖面分布特征,着重分析了样本点海拔、植被覆盖度、地下水位、TW( I 地形湿度指数)、地下水矿化度5个驱动因子对土壤盐渍化的影响。[结果]①研究区表层土壤(0~10 cm)属于重度盐渍化土壤,10~20、20~40、40~60 cm各深度剖面土壤属于中度盐渍化土壤。土壤EC1:5有强的空间变异性,其分布格局受灌溉等人为驱动因素的影响较大。②绿洲内部(即耕作区)表层土壤属于非盐渍化区域,绿洲东部10~20、20~40、40~60cm土层有轻、中度的盐渍化现象。绿洲内部表层以下土壤盐分高于表层,绿洲存在潜在的盐渍化风险。耕作区外围绿洲-荒漠交错带区域各剖面层均属于盐渍化区域,随着剖面深度的增加,盐渍化程度在不断减弱。③样本点海拔、植被覆盖度、地下水位、TWI、地下水矿化度与土壤EC1:5的灰色关联度大小次序为:0~10 cm土层:地下水矿化度>TWI>样本点的海拔>植被覆盖度>地下水位;10~20、20~40 cm土层:地下水矿化度>样本点的海拔>TWI>植被覆盖度>地下水位。[结论]渭-库绿洲土壤盐渍化主要分布在绿洲-荒漠交错带区域,土壤盐分表聚强烈,地下水矿化度是造成该研究区土壤盐渍化问题的首要原因。     

绿洲土壤表层含盐量空间变异分析的插值方法研究

为了比较土壤表层含盐量空间变异性研究的各种空间插值方法的优劣,以渭库绿洲为例,运用基于ArcGIS的4种空间插值方法（反距离加权、样条函数、克里格、协同克里格空间插值方法）,分析了土壤表层含盐量的空间变异性。并通过分析各个交叉检验统计量来验证评估数据的误差,从而选取最优的空间插值方法。结果表明:4种插值方法的插值结果基本能反映含盐量的空间分布特征,简单克里格法更适合绿洲表层土壤含盐量的空间插值;通过空间插值可以发现表层土壤含盐量呈现出东南高、西北低的态势。对渭库绿洲土壤盐分空间分布特征及空间变异进行了解,有利于土壤盐渍化的快速诊断,是盐渍化土壤治理和改良的重要基础。