基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型（Multivariable linear regression,MLR）、逐步回归模型（Stepwise regression,SR）和岭回归模型（Ridge regression,RR）,分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明：在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。     

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。     

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。     

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。     

基于GF-1卫星遥感的河套灌区土壤含水率反演模型研究

为探究植被覆盖条件下GF-1卫星反演农田土壤含水率的可行性,以河套灌区解放闸灌域沙壕渠为研究区,采用GF-1卫星遥感影像作为数据源,通过全子集筛选法确定不同土壤深度下光谱指数的最优自变量组合,并分别采用多元线性回归(MLR)、BP神经网络(BPNN)、支持向量机(SVM)3种算法,构建不同深度下土壤含水率反演模型。结果表明,全子集筛选后模型反演精度有较大提升,且过拟合现象减弱;植被覆盖条件下各深度土壤含水率敏感程度从大到小依次为0~40cm、0~60cm、20~40cm、0~20cm、40~60cm;植被覆盖条件下各模型对土壤含水率反演能力由强到弱依次为BPNN、SVM、MLR;筛选后BPNN在深度0~40cm下的建模集和验证集R2adj均能达到0.50以上,RMSE在0.02%以内。研究结果可为植被覆盖条件下利用GF-1卫星监测农田土壤含水率提供参考。     

基于无人机-卫星遥感升尺度的土壤水分监测模型研究

土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R²达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R²达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R²由0.413提升至0.571,RMSE由0.026%降至0.022%...     

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。     

基于遥感模型SDI的土壤盐渍化临界水位研究

【目的】基于遥感模型快速识别大尺度空间土壤盐渍化程度并及时预警,以防止土壤盐渍化。【方法】通过分析归一化植被指数（NDVI）、盐分指数（SI）和地下水埋深之间的响应关系,探讨了一种基于遥感模型SDI(Salinization Detection Index)的土壤盐渍化临界地下水位确定方法,并应用于民勤绿洲区。【结果】(1)植被NDVI与土壤盐渍化程度具有指数关系,盐渍化遥感监测指数SDI可以综合反映区域植被长势和土壤盐渍化程度。(2)SDI和地下水埋深在空间分布上呈显著负相关关系,说明SDI能够较好地反应土壤盐渍化程度。【结论】民勤绿洲区轻度盐渍化、中度盐渍化和重度盐渍化对应的地下水埋深分别为4.7、3.2、1.8 m。     

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。     

大田葵花土壤含盐量无人机遥感反演研究

以内蒙古河套灌区沙壕渠灌域内大田葵花为研究对象,划分4块不同盐分梯度的试验地,利用无人机搭载六波段多光谱相机和热红外成像仪获取遥感数据,并同步采集区域内不同土壤深度处的盐分数据。利用灰色关联法对构建的光谱指数进行筛选,同时结合冠层温度数据,采用偏最小二乘回归(PLSR)、支持向量机(SVM)、反向传播神经网络(BPNN)和极限学习机(ELM) 4种建模方法构建大田葵花不同生育期、不同土壤深度的盐分反演模型。结果表明,基于葵花现蕾期数据构建的盐分反演模型整体效果优于开花期,以优选盐分指数和光谱指数作为变量组构建的模型效果优于植被指数变量组,盐分反演效果较好的土壤深度为0～20 cm和20～40 cm。不同建模方法对比结果表明,机器学习盐分反演模型的效果优于偏最小二乘回归模型,其中在葵花现蕾期0～20 cm土壤深度处,以光谱指数作为变量组构建的BPNN盐分模型反演效果最好,建模集和验证集R2分别达到0.773和0.718,验证集RMSE、CC分别达到0.062%和0.813。本研究成果可为无人机遥感在大田葵花土壤盐分监测方面的应用及相关研究提供参考。     

土壤养分遥感监测研究进展

用遥感技术监测土壤养分是精准施肥中的一个重要手段。为此,综合分析了土壤养分遥感监测在光谱特征指标的选择、反演方法、反演模型及其适用性等方面的研究进展。研究指出,随着空间信息技术的发展,遥感技术在土壤养分预测中将展现出更广阔的应用前景。土壤养分遥感反演模型对环境、土壤类型、土壤剖面等方面的适用性、光谱特征指标的选择、动态监测模型的建立、多源数据和多种技术手段的集成将是土壤养分监测今后的发展研究方向。     

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。     

板栗树红蜘蛛虫害无人机高光谱遥感监测研究

为了快速、高效、无损监测板栗树的红蜘蛛病虫害,以实地采集的板栗树局部感染明显叶片、感染轻重不均匀叶片、恢复中的感染叶片及不同感染程度叶片为研究对象,利用UHD185型高光谱相机和数码相机获取各种叶片的高光谱图像和RGB图像,以RGB图像为参考,选择各种叶片的感兴趣区,在高光谱图像上提取感兴趣区的光谱曲线,通过微分运算提...     

基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果,能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段,利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义。因此,以苎麻种质资源为研究对象,采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数,运用相关性分析法(Pearson correlation analysis, PCA)、递归特征消除法(Recursive feature elimination, RFE)2种最优特征筛选方法和线性回归(Linear regression, LR)、决策树(Decision tree, DT)、随机森林回归(Random forest, RF)、支持向量机(Support vector machines, SVM)、偏最小二乘回归分析(Partial least squares regression analysis, PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index, LAI)和叶片相对含水量(Relative water ...     

基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

基于无人机光谱遥感的田块尺度蒸散发空间分布估算

针对农田中高分辨率空间模式蒸散量(ET)缺少有效量化的问题,提出一种基于无人机(UAV)估算农田蒸散量的方法。构建了M100型多旋翼无人机搭载FLIR Vue ProR热像仪和Micasense Red Edge多光谱成像仪的采集数据平台;将无人机数据匹配卫星遥感蒸散模型,比较典型单层模型METRIC(Mapping evapotranspiration at high resolution with internalized calibration)模型和典型双层模型RSEB(Remote sensing energy balance)模型在农田中的适用程度;针对RSEB模型的土壤热通量计算方式不适用于农田环境的问题,对模型进行基于多光谱数据的改进;针对模型中温度参数易产生较大误差的问题,基于无人机热像仪数据与实际温度间的关系,对获取的热像仪数据进行校正;将模型计算值与涡度相关系统(OPEC)测量值进行对比。结果表明,结合无人机多光谱数据的RSEB模型经过温度校正可得到结果较为准确的通量数据,显热通量均方根误差为20. 013 W/m~2,平均绝对误差为15. 835 W/m~2,潜热通量均方根误差为40. 202 W/m~2,平均绝对误差为26. 017 W/m~2,进而得到分米级分辨率的农田蒸散量空间分布图。本文估算方法可以有效获取高分辨率空间模式的田间蒸散量,为精准农业灌溉提供技术支持。     

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。