基于地面光谱联合SAR多源数据的农田表土氮磷监测

发布时间：2021-06-22 02:25

　　【目的】建立更为精确的高光谱预测模型,以便更加精准地、快速地测定土壤表土氮磷量,进一步推动多源遥感技术在现代化高标准农业生产与管理中的应用和发展。【方法】以内蒙古河套灌区解放闸灌域为试验区,利用地面实测光谱反射率,联合C波段微波雷达SAR（Synthetic Aperture Radar）四极化后向散射数据,通过对土壤氮磷特征波段的选择,建模评价土壤氮磷量。首先利用光谱反射率,及其对数、一阶与二阶导数4种光谱数据,进行相关性分析而滤选获取了与氮磷相关系数均大于0.4的近红外1 480、2 050、2 314 nm等特征波段,同时利用1～8层小波分析与重构图谱技术去除噪声,排除特异值干扰。小波去噪后找到相关性强的特征波段,结合SAR后向散射系数,与氮磷做回归及神经网络输入,形成神经网络模型。【结果】通过对高光谱数据的小波分解和重构,能够有效提高反射率及其3种变换形式与土壤氮磷的相关性,尤其是低频分量的1～3层、高频分量的4～6层的效果更好。反射率一阶导数的神经网络模型为最佳预测模型,其对土壤氮、磷量的预测R²分别为0.749 6、0.759 2,均方差RMSE均为0... 

【文章来源】：灌溉排水学报. 2020,39(12)北大核心CSCD

【文章页数】：8 页

【部分图文】：

小波分解重构分量与土壤氮磷量的相关性分析

图3 小波分解重构分量与土壤氮磷量的相关性分析通过选取筛选后1层低频重构光谱、5层和6层高频重构光谱中的特征波段，结合微波雷达RADARSAT-2四极化后向散射系数VV、VH、HH、HV及其2种组合HH/VV、HV/VH以及地表粗糙度ZS建立线性回归模型，结果如式（1）所示。其模型反演与实测值决定系数R2为0.46，均方差RMSE=0.172 9，如图4(a）所示。将线性回归模型中的参量带入神经网络中，其模型反演与实测值决定系数R2为0.749 6，均方差RMSE=0.110 2，如图4(b）所示。

式中：X1 679、X2 133、X2 319分别为2层低频重构光谱1 679～1 688、2 133～2 142、2 319～2 328 nm的波段的算术平均数；X1 443、X2 275、X2 371分别为6层高频重构光谱1 443～1 452、2 275～2 284、2 371～2 380 nm的波段的算术平均数，ZS为地表组合粗糙度。图6 土壤全氮与土壤全磷量反演预测结果

【参考文献】：
期刊论文
[1]土壤总氮和总磷含量的高光谱遥感预测[J]. 徐丽华,谢德体.  农机化研究. 2012(04)
[2]小波分析用于土壤速效钾含量高光谱估测研究[J]. 陈红艳,赵庚星,李希灿,陆文利,隋龙.  中国农业科学. 2012(07)
[3]基于人工智能计算技术的区域性土壤水盐环境动态监测[J]. 刘全明,陈亚新,魏占民,屈忠义,赵培清.  农业工程学报. 2006(10)



本文编号：3241923