排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
2.
基于全子集-分位数回归的土壤含盐量反演研究 总被引:2,自引:0,他引:2
为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0~20 cm、20~40 cm、0~40 cm、40~60 cm、0~60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0~20 cm、0~40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20~40 cm、40~60 cm、0~60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20~40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。 相似文献
3.
4.
5.
水盐交互作用对河套灌区土壤光谱特征的影响 总被引:1,自引:1,他引:1
为探究土壤水盐交互作用对Sentinel-2卫星光谱特征的影响,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,分别在2018年和2019年的4—5月共采集280个裸土期表层土壤样本,测定其土壤含水率和含盐量,并获取同步的Sentinel-2卫星遥感数据,构建基于土壤水盐-反射率原理的土壤光谱特征理论模型,在此基础上结合土壤水盐交互作用构建水盐交互模型,并比较2种模型对土壤光谱的模拟效果,分析土壤水盐交互作用对土壤光谱估算的影响。结果表明:1)土壤水盐交互作用对光谱的影响因波段类型和水盐含量的不同而有所不同。在可见光范围上影响相对较弱,其作用范围为-0.11~0.29;在近红外和短波红外范围上影响相对较强,其作用范围为-0.35~0.61;当水分或盐分中某个含量较高时对光谱影响较弱,在水盐含量程度相似时影响较强。2)与土壤光谱特征理论模型相比,水盐交互模型能明显地改善土壤光谱的模拟效果,能将模拟相关系数由0.14~0.44提升到0.29~0.59,均方根误差由0.032~0.082降低到0.029~0.068。该研究结果揭示了盐分和水分对光谱特征的干扰过程,为土壤盐分的估算提供策略与方法,... 相似文献
6.
肉仔鸡大肠杆菌病的诊治 总被引:1,自引:1,他引:0
我县信阳乡东汾村,于2002年4月10日进肉仔鸡苗1200只,到4月22日开始发病,出现症状后2d开始死亡。1临床症状病初肉仔鸡表现精神不振,呆立不动,羽毛松乱,闭眼缩颈,饮食减少或废绝,排出绿色、灰白色稀粪,肛门周围被粪便玷污,腹部肿大,两脚关节肿胀、乏力,病初腹壁贴在垫料上,不愿站立。2d后每日死亡6~10只,截止到控制住病情后,共死亡90只。2剖检病理变化先后剖检了4只病死鸡,可见腹腔积液呈胶冻样,脐部肿大、发炎,心包、肝表面、腹腔、肠管间盖一层较厚的纤维性膜,呈黄白色、肝淤血,颜色发暗,可… 相似文献
7.
基于无人机多光谱遥感的土壤含盐量反演模型研究 总被引:7,自引:0,他引:7
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0~40cm〖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%。 相似文献
8.
基于无人机-卫星遥感升尺度的土壤盐渍化监测方法 总被引:3,自引:0,他引:3
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。 相似文献
9.
10.
无人机多光谱遥感反演各生育期玉米根域土壤含水率 总被引:1,自引:3,他引:1
为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0~20、20~45和45~60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0~20cm,在乳熟-成熟期的最佳监测深度为20~45cm;乳熟-成熟期的20~45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。 相似文献