基于Albedo-MSAVI特征空间的渭库绿洲土壤盐渍化研究

选取新疆塔里木河流域渭库绿洲为研究区,以landsat 8 OLI和野外调查为基础数据,分析盐渍化土壤与反照率(Albedo)和修改型土壤调节植被指数(MSAVI)的关系,并提出Albedo-MSAVI特征空间概念,构建监测土壤盐渍化不同指数模型SDI。结果表明:Albedo-MSAVI特征空间分布呈现明显的规律性,即地表反照率与修改型土壤调节植被指数在第1象限呈双曲线分布,且盐渍化与非盐渍化土壤分异明显;SDI模型与土壤含盐量的决定系数为0.96,能够较好地反映绿洲盐渍化情况;不同盐渍化程度的SDI平均差异与非盐渍化SDI平均差异特征明显,其差值为0.12~0.34。因此SDI指数可以作为盐渍化信息快速提取的指标,且SDI模型的构建有利于干旱区大尺度定量监测和评价土壤盐渍化工作。     

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。     

塔里木盆地北缘绿洲盐渍化地地物光谱特征分析

以新疆塔里木盆地北缘渭干河—库车河三角洲绿洲为研究区,采用CI700便携式野外光谱仪,通过大量的野外调查以及实地测点,分析了该绿洲盐渍化地区的几种典型地物(盐渍化地、细沙地、沙丘、棉花地等以及柽柳、骆驼刺、芦苇等)的光谱特性及其变化规律,尤其是对盐渍化地和盐生植被的光谱曲线的差异做出了分析,并根据实际情况,采用移动平均法进行了噪声去除,分析实测光谱数据噪声特征。同时利用导数光谱技术清除植被环境背景影响。并且也利用归一化的方法基本消除了不同程度的盐渍地光谱和同一采样点不同时期的盐渍地光谱由于采样时的光照条件、气候条件等所引起的光谱差异。在对实测光谱数据进行处理的基础上,并利用ENVI软件建立了小型的渭干河—库车河三角洲绿洲主要地物的光谱库,该库可服务于渭—库绿洲的地物调查、植被调查、植被分类和环境监测等遥感应用。     

干湿季节下基于遥感和电磁感应技术的塔里木盆地北缘绿洲土壤盐分的空间变异性

土壤盐渍化问题是制约干旱半干旱区植被生长最主要的生态环境地质问题,也是影响绿洲农业生产的障碍性问题。而将遥感与近感技术相结合,是当前评价、监测及预报土壤盐渍化程度的先进方法。以新疆塔里木盆地北缘的渭干河-库车河三角洲绿洲为例,以遥感数据和解译后的电磁感应数据为基础数据源,利用解译后的数据结合GIS和地统计学知识以及野外实测所得到的土壤电导率和盐分资料,分别采用泛克里格(Universal Kriging)、光谱指数回归(Spectral Index Regression)和回归残差泛克里格(Regression-Universal Kriging)3种方法研究了该地区两个关键季节(干季和湿季)土壤盐分的空间变异特征。研究结果表明:研究区的土壤浸提液电导率EC_1:5和土壤盐分呈现显著相关,可以用EC_1:5来代替土壤的全盐量进行分析;电磁感应仪(EM38)所测各季节土壤表观电导率与EC_1:5的相关系数均达到1%显著水平,以表观电导率垂直读数(EM_V) 和水平读数(EM_H)为自变量的多元回归模型拟合效果较好;研究区各季节的表层土壤电导率的空间分布均表现为强相关性,说明土壤采样点间的内部结构性良好,采用能够充分考虑到干旱区表层土壤电导率空间变异的尺度依赖性的球状套合模型,能够更好的拟合土壤表观电导率的空间结构;经过精度比较,回归残差泛克里格法为最优预测方法,这表明将遥感和电磁感应技术相结合,能够有效的提高预测与评估土壤盐分空间分布的精度,为精确地进行土壤盐分预测以及土壤次生盐渍化的防控提供了一定的依据。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;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(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

新疆典型盐渍区植被覆盖度遥感动态监测——以渭干河-库车河三角洲绿洲为例

以新疆典型盐渍区——渭干河-库车河三角洲绿洲为研究对象.首先,基于1989,2001,2006年的TM/ETM+遥感数据,以RS为技术手段,借助GIS空间分析方法、植被指数法,根据像元二分原理,采用复合植被指数VBSI估算植被覆盖度,其估算精度达到83.52%;其次,生成渭干河-库车河三角洲绿洲植被覆盖度分级图,并对其格局变化进行分析与评价,揭示出渭干河-库车河三角洲绿洲植被覆盖的时空变化规律.中高覆盖度、高覆盖度以林地、草地和耕地为主,对保持植被覆盖度起重要作用;林地面积的变化对重心转移起关键作用,而草地、耕地的波动则会影响到重心转移方向;林地、草地和耕地对于保持地区植被覆盖率有重要作用,应在长期土地利用规划中坚持植树造林,保持草地、保护耕地和控制未利用地;最后,利用植被覆盖度图像所提供的各覆盖度级的数量和空间分配状况来评价该绿洲植被覆盖度的动态变化,并进一步分析植被覆盖度变化的原因.基于遥感技术进行渭干河-库车河三角洲绿洲植被覆盖度动态变化分析的研究思路和方法能够为该绿洲生态环境保护提供参考依据.     

马雷绿洲植被覆盖度时空变化特征及与气候因子的关系

基于TM/ETM遥感数据和FCD模型植被覆盖度反演方法反演中亚地区马雷绿洲1988、2001和2010年植被覆盖度,分析了马雷绿洲1988—2010年植被覆盖度的空间格局和时空变化规律,并结合该区域同时期年均温度和年降水量数据,分别从不同空间和时间尺度上分析了植被覆盖度和气候变化的响应。结果表明:1)马雷绿洲面积呈扩大趋势,植被覆盖度由绿洲内部向外围递减,变化速率为0.12/10km,越趋近于绿洲边缘这种变化就越大;2)1988—2010年植被覆盖度总体呈上升趋势,1988—2001年增加尤为明显,平均为0.20/10年,2001—2010年趋于平缓,绿洲内部植被覆盖面积变化强烈、复杂及没有规律性,受人类活动影响较大,土地弃耕、撂荒现象十分严重;3)马雷绿洲植被覆盖度与降水和年均温度存在一定的相关性,与年降雨量、年均温度的平均相关系数分别为0.39和-0.33,其中绿洲内部植被覆盖度与年降水量和年均温度相关性较高,绿洲外围的荒漠地区相关性一般。     

新疆渭干河——库车河三角洲绿洲土地覆被变化及驱动力分析

[目的]监测渭库绿洲1989,2001和2007年的土地覆被变化情况,进而分析土地覆被变化数量和结构及其驱动力.[方法]选择盐渍化比较严重的渭干河-库车河三角绿洲(简称渭库绿洲)地区为研究区域,从土地覆被/覆被变化的角度出发,结合当地的遥感和地理信息数据,利用遥感技术,对渭库绿洲1989,2001和2007年的土地覆被变化进行了监测.[结果]各土地覆被类型从数量和结构上都发生了较大变化.[结论]近十几年来随着研究区域经济的发展,人口的增加,用地需求量增加使得土地资源大规模开发进而使林地等自然覆被减少,农业用地增加.开垦后由于灌溉不科学,盐渍化加重,因而土地盐溃化成了该地区目前绿洲农业生产发展的最大问题之一[1].     

BP神经网络在渭干河流域土壤盐渍化预测中的应用

[目的]比较神经网络算法和传统统计建模方法对土壤盐渍化预测模型的效果.[方法]对渭干河流域多年土壤盐渍化和其影响因子进行分析的基础上,采用BP网络的3种算法,建立基于BP神经网络土壤盐渍化预测模型.将预测结果与多元线性回归模型预测结果进行对比分析,讨论线性和非线性方法用于土壤盐渍化预测模型.[结果]与传统的统计建模方法相比BP神经网络结构简单、快捷,预测精度高,很好地再现了土壤盐渍化与其影响因素之间复杂的非线性函数关系;三种BP算法中,基于trainlm算法建立的壤盐渍化预测模型具有较好的推广能力.[结论]BP神经网络的土壤盐渍化预测性能良好,用来可以预测土壤盐渍化情况.     

基于压力-状态-响应模型的吐鲁番地区生态安全动态评价

【目的】研究区域生态安全在不同时期的动态变化。【方法】在国内外已有研究基础上,基于压力-状态-响应(PSR)概念模型,选取26项指标,构建吐鲁番地区生态安全评价指标体系。利用层次分析法确定各项指标的权重,采用综合指数评价法从时间尺度上(2000～2009年)对历史文化资源丰富的吐鲁番地区生态安全进行定量评估。【结果】吐鲁番地区生态安全综合指数从2000年0.381增长到2009年的0.512,研究时间尺度内的生态安全综合指数变化趋势方程为Y_3=0.016 X+0.346 4(通过显著性检验,R~2=0.956 6),生态安全整体水平呈上升趋势,2000～2005年为临界安全状态,2006～2009年为较安全状态。从三个子系统看,对吐鲁番地区生态安全的贡献依次为:系统压力>系统响应>系统状态。【结论】依据评价结果及吐鲁番地区现状,为吐鲁番地区的生态建设及管理提供科学依据。