无人机多光谱遥感反演不同深度土壤盐分
发布时间：2021-06-09 13:11
快速、精准获取作物覆盖下的土壤盐分信息,可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据,并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数,在此基础上引入红边波段建立新的光谱指数,同时使用Elastic-net算法（ENET）对光谱变量进行筛选,并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组;运用BP神经网络（BackPropagation Neural Networks,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）3种机器学习方法,构建作物覆盖下不同土壤深度的土壤盐分反演模型,并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明,使用ENET变量选择方法可以有效筛选出最优光谱变量,且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组;ELM模型反演效果优于SVM模型和BPNN模型,其验证集的决定系数为0.783,均方根误差为0.141,一致性相关系数为0.875;研究区...
【文章来源】：农业工程学报. 2020,36(22)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
研究区域示意图
无人机采用大疆创新科技有限公司生产的经纬Matrice 600六旋翼无人机，该机的最大续航时间约40 min，最大上升和水平飞行速度分别为5和18 m/s，同时可承受最大8 m/s的风速。无人机搭载具有质量轻、体积小及远程触发等特点的传感器Micro-MCA多光谱相机（简称MCA）。MCA具有6个光谱采集通道，对应6个光谱波段，分别为490（蓝光）、550（绿光）、680（红光）、720（红边）、800（近红外1）、900 nm（近红外2）。在无人机多光谱相机获取遥感图像之前，将标准白板放置于研究区内进行标定，无人机飞行模式按照既定航线飞行，飞行高度设定为120 m（获取图像分辨率为6.5 cm），主航线之间以及主航线上的图像重复率均设置为80%以上。MCA拍照时，相机镜头与地面呈90°，拍照模式为等时间间隔（3 s）。获取多光谱图像后，使用MCA自带的Pixel Wrench 2软件对获取的无人机多光谱遥感数据导出、图像提取、校准以及合成，之后将获取的多幅多光谱遥感图像以及对应的GPS数据导入Pix4Dmapper软件中完成校正以及拼接工作，得到完整的合成波段图像。将合成的遥感图像导入ENVI Classic中，导入实测取样点的GPS定位信息，确定其所在像元点，并提取该像元点6个光谱波段的灰度值，通过标准白板标定后，取得相对应的6波段光谱反射率。
对比表5和表6发现，基于改进光谱变量组的土壤盐分模型反演效果要优于原始光谱变量组。为了更加直观的反映模型的反演效果，本研究基于最佳反演模型绘制了研究区不同深度的土壤盐分分布图（图3）。从图中可见，在不同土壤深度处，一号试验地土壤主要以非盐渍化为主，二号和三号试验地土壤以非盐渍化和轻度盐渍化为主，这与实地调查情况基本一致；而四号试验地土壤以重度盐渍化和盐土为主，且四号试验地东北部以及西南部盐渍化程度较高且较为集中，这是由于这些区域为盐荒地，盐渍化程度偏高，这也与实际勘察情况相一致。由此可知，基于改进光谱变量组所建立的最佳反演模型可用于该试验地区土壤盐分的反演。3 讨论
【参考文献】：
期刊论文
[1]基于高景一号遥感影像的林地信息提取[J]. 曾文,林辉,李新宇,肖越,鲁宏旺. 中南林业科技大学学报. 2020(07)
[2]无人机多光谱遥感反演各生育期玉米根域土壤含水率[J]. 谭丞轩,张智韬,许崇豪,马宇,姚志华,魏广飞,李宇. 农业工程学报. 2020(10)
[3]大田葵花土壤含盐量无人机遥感反演研究[J]. 陈俊英,姚志华,张智韬,魏广飞,王新涛,韩佳. 农业机械学报. 2020(07)
[4]基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 孙诗睿,赵艳玲,王亚娟,王鑫,张硕. 中国农业大学学报. 2019(11)
[5]基于无人机多光谱遥感的土壤含盐量反演模型研究[J]. 张智韬,魏广飞,姚志华,谭丞轩,王新涛,韩佳. 农业机械学报. 2019(12)
[6]Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法[J]. 黄林生,江静,黄文江,叶回春,赵晋陵,马慧琴,阮超. 农业工程学报. 2019(17)
[7]基于全子集-分位数回归的土壤含盐量反演研究[J]. 张智韬,韩佳,王新涛,陈皓锐,魏广飞,姚志华. 农业机械学报. 2019(10)
[8]基于光谱指数与机器学习算法的土壤电导率估算研究[J]. 曹肖奕,丁建丽,葛翔宇,王敬哲. 土壤学报. 2020(04)
[9]基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 苏伟,赵晓凤,孙中平,张明政,邹再超,王伟,史园莉. 光谱学与光谱分析. 2019(05)
[10]基于AdaBoost-ElasticNet的套利算法[J]. 李兵,高波涌,孙建明,余翠. 中国计量大学学报. 2019(01)
本文编号：3220641
【文章来源】：农业工程学报. 2020,36(22)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
研究区域示意图
无人机采用大疆创新科技有限公司生产的经纬Matrice 600六旋翼无人机，该机的最大续航时间约40 min，最大上升和水平飞行速度分别为5和18 m/s，同时可承受最大8 m/s的风速。无人机搭载具有质量轻、体积小及远程触发等特点的传感器Micro-MCA多光谱相机（简称MCA）。MCA具有6个光谱采集通道，对应6个光谱波段，分别为490（蓝光）、550（绿光）、680（红光）、720（红边）、800（近红外1）、900 nm（近红外2）。在无人机多光谱相机获取遥感图像之前，将标准白板放置于研究区内进行标定，无人机飞行模式按照既定航线飞行，飞行高度设定为120 m（获取图像分辨率为6.5 cm），主航线之间以及主航线上的图像重复率均设置为80%以上。MCA拍照时，相机镜头与地面呈90°，拍照模式为等时间间隔（3 s）。获取多光谱图像后，使用MCA自带的Pixel Wrench 2软件对获取的无人机多光谱遥感数据导出、图像提取、校准以及合成，之后将获取的多幅多光谱遥感图像以及对应的GPS数据导入Pix4Dmapper软件中完成校正以及拼接工作，得到完整的合成波段图像。将合成的遥感图像导入ENVI Classic中，导入实测取样点的GPS定位信息，确定其所在像元点，并提取该像元点6个光谱波段的灰度值，通过标准白板标定后，取得相对应的6波段光谱反射率。
对比表5和表6发现，基于改进光谱变量组的土壤盐分模型反演效果要优于原始光谱变量组。为了更加直观的反映模型的反演效果，本研究基于最佳反演模型绘制了研究区不同深度的土壤盐分分布图（图3）。从图中可见，在不同土壤深度处，一号试验地土壤主要以非盐渍化为主，二号和三号试验地土壤以非盐渍化和轻度盐渍化为主，这与实地调查情况基本一致；而四号试验地土壤以重度盐渍化和盐土为主，且四号试验地东北部以及西南部盐渍化程度较高且较为集中，这是由于这些区域为盐荒地，盐渍化程度偏高，这也与实际勘察情况相一致。由此可知，基于改进光谱变量组所建立的最佳反演模型可用于该试验地区土壤盐分的反演。3 讨论
【参考文献】：
期刊论文
[1]基于高景一号遥感影像的林地信息提取[J]. 曾文,林辉,李新宇,肖越,鲁宏旺. 中南林业科技大学学报. 2020(07)
[2]无人机多光谱遥感反演各生育期玉米根域土壤含水率[J]. 谭丞轩,张智韬,许崇豪,马宇,姚志华,魏广飞,李宇. 农业工程学报. 2020(10)
[3]大田葵花土壤含盐量无人机遥感反演研究[J]. 陈俊英,姚志华,张智韬,魏广飞,王新涛,韩佳. 农业机械学报. 2020(07)
[4]基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 孙诗睿,赵艳玲,王亚娟,王鑫,张硕. 中国农业大学学报. 2019(11)
[5]基于无人机多光谱遥感的土壤含盐量反演模型研究[J]. 张智韬,魏广飞,姚志华,谭丞轩,王新涛,韩佳. 农业机械学报. 2019(12)
[6]Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法[J]. 黄林生,江静,黄文江,叶回春,赵晋陵,马慧琴,阮超. 农业工程学报. 2019(17)
[7]基于全子集-分位数回归的土壤含盐量反演研究[J]. 张智韬,韩佳,王新涛,陈皓锐,魏广飞,姚志华. 农业机械学报. 2019(10)
[8]基于光谱指数与机器学习算法的土壤电导率估算研究[J]. 曹肖奕,丁建丽,葛翔宇,王敬哲. 土壤学报. 2020(04)
[9]基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 苏伟,赵晓凤,孙中平,张明政,邹再超,王伟,史园莉. 光谱学与光谱分析. 2019(05)
[10]基于AdaBoost-ElasticNet的套利算法[J]. 李兵,高波涌,孙建明,余翠. 中国计量大学学报. 2019(01)
本文编号：3220641
本文链接：https://www.wllwen.com/kejilunwen/nykj/3220641.html
