基于多光谱遥感的裸土土壤含水量反演研究

发布时间：2021-03-02 20:30

　　矿区排土场的土壤含水量监测研究在矿产资源开发、生态恢复及干旱预警等方面具有重要意义。以我国东部草原区胜利露天矿北排土场土壤为试验材料,使用Spequoia多光谱相机和ECH₂O土壤水分传感器对4种不同深度（1 cm、3 cm、5 cm、10 cm）的土柱样本每天10:00至14:00持续监测,采集到4个波段（550 nm、660 nm、735 nm、790 nm）处的土壤光谱反射率和土壤含水量数据,分别使用偏最小二乘回归法、岭回归法、反向传播（BP）神经网络三种方法建立单波段或多波段光谱反射率组合作为反演因子的土壤含水量反演模型。结果表明,偏最小二乘回归法、岭回归法反演精度较低,R²最高仅为0.606。以绿（550 nm）、红边（735 nm）、近红外（790 nm）三波段组合作为反演因子的反向传播神经网络（G-R-N-BP）模型反演效果最佳,其对1 cm、3 cm、5 cm、10 cm深度土壤含水量反演模型的决定系数（R²）分别为0.866、0.800、0.975、0.911,均方根误差（RMSE）分别为0.333、0... 

【文章来源】：矿业科学学报. 2020,5(06)

【文章页数】：8 页

【部分图文】：

多光谱相机拍摄土柱试验现场示意图

本文设计了5种反演土壤含水量的BP模型,分别由绿光(GREEN-BP)波段、红边(REG-BP)波段、近红外(NIR-BP)波段、红边-近红外(REG- NIR-BP)波段组合、绿-红边-近红外(GREEN-REG-NIR-BP)波段组合共计5种形式作为输入因子,ECH2O土壤水分传感器监测到的土壤含水量作为输出因子,模型空间拓扑结构分别为1-3-1(输入层为1,隐含层为3,输出层为1)、2-3-1(输入层为2,隐含层为3,输出层为1)、3-3-1(输入层为3,隐含层为3,输出层为1)。网络训练迭代次数设置为500,学习速率为0.03,学习误差设定为0.001。使用仿真软件MATLAB R2017a编写程序,将各波段反射率数据和土壤含水量监测数据导入训练网络模型,结果如图3所示。由于红光波段在此次BP神经网络反演中精度过低,故未考虑与展示。从图2可以看到,4种不同深度(1 cm、 3 cm、5 cm、10 cm)下5种BP模型的反演结果差异较大。其中,GREEN-REG-NIR-BP模型反演效果最好;GREEN-BP模型反演效果最差,且随深度的增加反演效果越差,其在3 cm深度下R2最高,也仅达到0.473。综合来看,应用BP神经网络构建的土壤含水量反演模型,多波段组合作为输入因子的BP模型反演效果优于单一输入因子BP模型,且对于5 cm、10 cm深度土壤含水量的反演表现优异。

【参考文献】：
期刊论文
[1]基于TVDI的布尔台矿区土壤湿度变化分析[J]. 徐霞,孙文彬,王振.  矿业科学学报. 2019(04)
[2]基于无人机摄影测量的露天矿排土场三维模型构建[J]. 隋涛,肖武,王党朝,王鑫,田帅帅,孙浩轩.  金属矿山. 2018(05)
[3]基于无人机多光谱遥感的土壤含水率反演研究[J]. 张智韬,王海峰,韩文霆,边江,陈硕博,崔婷.  农业机械学报. 2018(02)
[4]基于可见光-短波红外波谱反射率的裸土土壤含水量反演建模[J]. 郑小坡,孙越君,秦其明,任华忠,高中灵,吴伶,孟庆野,王金梁,王建华.  光谱学与光谱分析. 2015(08)
[5]基于遗传BP神经网络的主被动遥感协同反演土壤水分[J]. 余凡,赵英时,李海涛.  红外与毫米波学报. 2012(03)
[6]岭回归在近红外光谱定量分析及最优波长选择中的应用研究[J]. 张曼,刘旭华,何雄奎,张录达,赵龙莲,李军会.  光谱学与光谱分析. 2010(05)
[7]遥感监测土壤含水率模型及精度分析[J]. 张智韬,李援农,杨江涛,常庆瑞.  农业工程学报. 2008(08)
[8]多维随机变量的线性相关性[J]. 蒋福坤,刘正春,柴惠文.  数理统计与管理. 2008(01)
[9]岭回归分析在解决多重共线性问题中的独特作用[J]. 杨楠.  统计与决策. 2004(03)
[10]利用温度植被旱情指数（TVDI）进行全国旱情监测研究[J]. 齐述华,王长耀,牛铮.  遥感学报. 2003(05)

硕士论文
[1]基于遗传优化BP神经网络算法的土壤含水量反演研究[D]. 刘丽娜.电子科技大学 2011



本文编号：3059900