基于无人机多光谱遥感的土壤含盐量反演模型研究

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural network,BPNN）、随机森林（Random forest,RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。     

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层）,基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征,采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型,其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4),通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2,策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681,因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4,图像纹理特征+植被指数受到土壤背景的影响,策略4精度低于策略3精度,其R2v分别为0.614、0.657;各变量处理的最优模型均为ELM模型,建模集R2c分别为0.625、0.644、0.618、0.683,标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10cm、10~20cm、20~40cm、40~60cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数（NDVI-2）代入像元二分模型计算植被覆盖度,并划分为T1（裸土）、T2（低植被覆盖度）、T3（中植被覆盖度）、T4（高植被覆盖度）4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10cm、10~20cm、20~40cm、20~40cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。     

无人机热红外遥感反演玉米根域土壤含水率方法研究

为了减少土壤背景带来的干扰,更加准确、高效的获取无人机热红外图像中的玉米冠层温度,进而快速反演玉米地土壤含水率,以4种水分梯度处理的拔节期玉米为研究对象,借助无人机可见光和热红外图像,采用RGRI指数法、Otsu阈值法和不剔除土壤背景3种处理方法提取热红外图像中玉米冠层温度信息,计算作物水分胁迫指数(Crop water stress index,CWSI)并用于反演不同水分梯度处理下玉米地不同深度的土壤含水率,基于3种方法获得的CWSI分别记为CWSIRGRI、CWSIOtsu、CWSIsc.结果表明:①基于RGRI指数法获取的玉米冠层温度与实测冠层温度的相关性最高(R2均大于0.8;RMSE均小于1℃),Otsu方法次之,不剔除土壤背景方法效果最差.②在整个拔节期,CWSIRGRI反演土壤含水率效果最好(R2均大于0.5,P<0.01;效果显著),CWSIOtsu次之、CWSIsc反演效果最差.③选取CWSIRGRI为最优CWSI指标,其在玉米拔节期5个土壤深度内的R2呈现先上升后下降的趋势且都在0～30 cm深度内达到最大值.因此,基于RGRI指数法建立的CWSIRGRI可以作为反演玉米地土壤含水率的有效指标.     

基于无人机多光谱遥感的土壤含水率反演研究

为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。     

基于加权算法的空-天遥感升尺度土壤含盐量监测模型

利用无人机-卫星遥感升尺度转换方法可以有效提高土壤含盐量监测精度。以内蒙古河套灌区沙壕渠灌域为研究区,4月裸土期表层土壤为研究对象,分别采用主导变异权重法、局部平均法和最邻近法将试验区无人机4波段影像(0.1m)升尺度至与GF-1卫星(16m)同一尺度,引入3种变量组合作为模型输入变量并利用多元线性回归模型（Multivariable linear regression,MLR）和BP神经网络模型（Back propagation neural networks,BPNN）构建不同数据源关于土壤含盐量的定量监测模型。在此基础上,采用波段比值均值法对GF-1卫星数据进行修正,实现基于卫星因子的研究区土壤盐分升尺度反演。结果表明,经统计指标评价后得出主导变异权重法在4块试验区针对4波段影像的尺度转换效果总体上优于其他2种转换方法;3种无人机-卫星遥感升尺度转换方法中,主导变异权重法监测效果最佳,局部平均法次之,最邻近法效果最差;对筛选得到的2个模型进行升尺度修正,得到验证效果最佳的监测模型为基于混合变量组的多元线性回归模型,其R2v为0.420,RMSEv为0.219%,比直接采用GF-1卫星数据得到的混合变量组多元线性回归模型R2v高0.217,RMSEv低0.013个百分点。本文研究结果可为卫星、无人机多光谱遥感一体化监测裸土期农田土壤含盐量提供参考。     

覆盖度对无人机热红外遥感反演玉米土壤含水率的影响

为提高基于冠层温度信息反演土壤含水率的精度,以不同水分处理的拔节期大田玉米为研究对象,采用无人机热红外和可见光相机获取试验区遥感图像,通过不同图像分类方法剔除土壤背景,提取玉米植被覆盖度(Corn vegetation coverage,Vc)及冠层温度(Canopy temperature,Tc),并计算冠-气温差(Tca)和冠-气温差与覆盖度的比值,分析这两种指数与土壤含水率(Soil moisture content,Smc)之间的关系。结果表明,不同分类方法提取的玉米覆盖度以及冠层温度均存在差异,由灰度分割法、RGRI指数法、GBRI指数法3种分类方法剔除土壤背景后计算的冠-气温差、冠-气温差与覆盖度之比与土壤含水率均呈线性关系,并且冠-气温差、冠-气温差与覆盖度之比两种指数反演0～30 cm玉米根域深度的土壤含水率效果较好;其中,未剔除土壤背景的冠-气温差反演土壤含水率效果较差,GBRI指数分类法剔除土壤背景的冠-气温差反演土壤含水率效果有所提高(0～10 cm、10～20 cm、20～30 cm深度的R2由0. 255、0. 360、0. 131提高至0. 425、0. 538、0. 258);而冠-气温差与覆盖度的比值反演土壤含水率相比于冠-气温差精度明显提高,0～10 cm、10～20 cm、20～30 cm深度建模集R2高达0. 488、0. 600、0. 290,P 0. 001,验证集R2达0. 714、0. 773、0. 446,表明冠-气温差与覆盖度之比是反演玉米根域深度土壤含水率效果更优的指标。     

基于Sentinel-2影像的黄河南岸典型改良示范区土壤含盐量反演模型

土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归（PLSR）、逐步回归（SR）、岭回归（RR）3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明：示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性（相关系数绝对值不小于0.32）;对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R2和均方根误差（RMSE）分别为0.546和 2.687g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。     

基于无人机热红外遥感的玉米地土壤含水率诊断方法

为使热红外遥感诊断土壤含水率更加准确、高效,以不同水分处理的大田玉米为研究对象,借助无人机可见光图像,对热红外图像进行植土分离,并提取玉米冠层温度和地表土壤温度。通过剔除温度直方图两端1%的温度像元对温度信息进行优化,进而计算作物水分胁迫指数(Crop water stress index,CWSI)、冠层相对温差(Canopy relative temperature difference,CRTD)、地表相对温差(Surface relative temperature difference,SRTD),利用三者之和求得水分-温度综合指数(Water-temperature composite index,WTCI),并用于诊断不同深度的土壤含水率。结果表明,剔除温度直方图两端1%温度像元的玉米冠层温度与实测冠层温度的相关性更高(4次试验的R2由0. 823、0. 886、0. 899、0. 876提高至0. 906、0. 938、0. 944、0. 922),剔除温度直方图前端1%温度像元的地表土壤温度与实测地表温度的相关性也更高(2次试验的R2由0. 841、0. 875提高至0. 908、0. 925),即通过直方图法优化的温度更接近实测温度;在拔节前期,CWSI、WTCI诊断0～20 cm土壤含水率效果较优,而拔节后期、抽雄吐丝期、乳熟期诊断0～40 cm土壤含水率效果较优;在半覆盖条件下,包含冠层温度信息(CWSI、CRTD)和土壤温度信息(SRTD)的WTCI1与土壤含水率的相关性更高(0～40 cm:决定系数为0. 500、0. 821,高于0. 463、0. 748);在全覆盖状态下,包含冠层相对温差(CRTD)的WTCI2与土壤含水率的相关性更高(0～40 cm:决定系数为0. 809、0. 729,高于0. 721、0. 656),表明WTCI是诊断土壤含水率效果较优的指标。     

基于雷达遥感的不同深度土壤含盐量反演模型

为及时、有效地监测盐渍化土壤含盐量,以内蒙古河套灌区沙壕渠灌域为研究区,将Sentinel-1雷达影像作为数据源,同步采集不同深度土壤含盐量数据,通过组合两组雷达后向散射系数构建多种指数,并用灰度关联（Gray correlation degree,GCD）排除共线性强的指数,采用偏最小二乘回归（Partial least squares regression,PLSR）、分位数回归（Quantile regression,QR）和支持向量机（Support vector machine regression,SVM）3种方法,构建0~10cm、10~20cm不同深度下的土壤含盐量反演模型。结果表明,在3种回归方法中,SVM回归模型的精度最高,模型建模集决定系数R2c、验证集决定系数R2p均在04以上,建模集均方根误差RMSEc、验证集均方根误差RMSEp均小于03%,分位数回归模型次之,偏最小二乘回归模型最差;在各反演深度下,0~10cm深度的反演精度均高于10~20cm深度的反演精度,其中在0~10cm深度下SVM反演模型效果优于其他模型,R2c、R2p分别为0568和0686,RMSEc、RMSEp分别为0.201%和0.151%。本研究可为雷达遥感监测裸土期土壤盐渍化提供参考。     

基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36.83%,春季反射率比秋季平均高23.78%。利用模型中最优变量特征光谱指数对多光谱模型与高光谱模型进行融合,高多光谱融合反演模型训练集和验证集R2平均值分别为0.651和0.635,RMSE平均值分别为2.44 g/kg和2.49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36.19%和35.64%,RMSE平均值分别降低了34.28%和41.72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6.03%、6.05%和4.40%,验证集R2平均值分别提高了19.07%、12.21%和1.75%。构建的高多光谱融合模型反演灌域春秋两季平均盐分含量分别为6.05、5.97 g/kg,平均相对误差分别为9.65%和10.68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。     

基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。     

基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型

土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素,进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况,以黄河三角洲典型区域为研究区,获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量,通过优选敏感光谱参量,使用偏最小二乘回归（Partial Least Squares Regression,PLSR）和随机森林（Random Forest,RF）两种机器学习算法建立土壤盐分含量反演模型,实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高,相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR,且稳定性更好。（3）基于地物高光谱的RF模型（R² =0.54,RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R² =0.54,验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演,研究区总体以轻、中度盐渍化土壤为主,对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型,并结合各自数据源的优势进行优化,探索了地表无植被覆盖情况下的土壤盐分含量反演方法,对更精准反演土地盐渍化程度提供了参考。     

基于多源遥感协同反演的区域性土壤盐渍化监测

为进一步推动多源遥感技术在农业生产与管理中的应用,以内蒙古河套灌区解放闸灌域为试验区,利用地面实测光谱和地表组合粗糙度数据,联合C波段微波雷达SAR四极化后向散射系数数据,分别利用主成分回归(PCR)、多元逐步回归(MSR)和偏最小二乘回归(PLSR)选取盐分特征波段,并建模评价土壤盐渍化分布。首先,对光谱反射率及其对数、一阶与二阶导数4种光谱数据进行相关性分析,发现相较于原始光谱和对数变换,光谱的一、二阶导数具有更好的相关性,二阶导数变换的618~622 nm、1 802~1 806 nm、2 169~2 173 nm、2 344~2 348 nm这4个特征波段的相关系数分别为0.37、0.28、0.39和0.27;PLSR筛选的波段相较MSR选取的波段延后,但其二阶导数变换模型拟合度小于MSR。其次,在对比二阶导数变换的PCR、MSR和PLSR土壤盐分模型基础上,最终确定了协同光谱特征波段中心反射率二阶导数和雷达后向散射特性、地表组合粗糙度的BP人工神经网络(BPANN)模型为最佳预测模型,其预测模型的R~2为0.890 8,稳定性和预测精度均优于前述经验回归模型。融合多源遥感数据的神经网络模型可快速精准监测土壤盐渍化分布,为灌区土壤退化防治提供基础信息指导。