基于卫星和无人机遥感数据尺度转换的土壤盐渍化监测研究

发布时间：2021-07-20 05:04

　　为提高卫星遥感对土壤盐渍化的监测精度,以内蒙古河套灌区沙壕渠灌域内5块地为研究区,利用GF-1卫星遥感和无人机多光谱遥感分别获取2018年6月中旬的遥感影像数据,同步采集0～20 cm,20～40 cm深度的土壤样点,并引用洛伦兹曲线的原理以表征土壤异质性,同时引入BP神经网络（Back Propagation, BP）、支持向量机（Support Vector Machine, SVM）和极限学习机（Extreme Learning Machine, ELM）构建土壤盐渍化监测模型。采用重采样尺度转换方法,对无人机数据进行尺度上推,用尺度上推后的无人机数据修正GF-1卫星数据,对修正后的数据进行反演建模并与直接采用卫星数据建立的模型进行对比。结果表明:实验区异质性大小与变异系数大小呈正相关。无人机数据构建的机器学习算法模型精度高于卫星数据。其中20 cm深度下无人机遥感数据反演土壤含盐量的最优模型为SVM模型,决定系数（R²）为0.875,均方根误差（RMSE）为0.132,相对分析误差（RPD）为2.773;40 cm深度下无人机遥感数据反演土壤含盐量的最优模... 

【文章来源】：节水灌溉. 2020,(11)北大核心

【文章页数】：8 页

【部分图文】：

NDVI洛伦兹曲线

不同数据源2种深度下的3种机器学习模型预测土壤盐分值与实测土壤盐分值比较如图4所示。从图4可以看出,GF-1卫星数据模型的预测值与实测值的拟合效果不理想,并且在20 cm深度下极限学习机模型的预测值里还存在不合理的负值。无人机数据模型的预测值和实测值的拟合效果基本良好,除40 cm深度下的极限学习机模型之外,其余模型无不合理值出现,20 cm深度下3个模型中效果最好的是SVM模型;40 cm深度下3个模型中效果最好的是BP模型。在修正后的GF-1卫星数据散点图中,BP神经网络模型拟合效果最优,且无不合理值出现,说明修正后的卫星数据进行土壤盐分反演是行得通的。无人机数据和经过修正后的GF-1卫星数据模型的预测值与实测值的拟合效果均优于GF-1卫星数据模型。综合散点图可以得出20 cm深度的模型拟合效果均优于40 cm深度的拟合效果。3 讨 论

沙壕渠灌域是内蒙古河套灌区西北部解放闸灌域(40°30′～41°17′N,106°33′～107°31′E)内的一个独立个体。如图1所示,该灌域位于西北高原地带,平均海拔高于1 010 m,属于典型的干旱半干旱性气候。夏季高温少雨,冬季严寒少雪,多年平均气温为7 ℃,多年均降雨量140 mm,蒸发量2 000 mm [15]。主要农作物是小麦、白菜、葵花和玉米,同时还夹杂种植一些辣椒、番茄、西瓜等作物。由于降水少、蒸发大,再加之气候等多种因素的共同作用,导致了此地较为严重的土壤盐渍化问题。1.2 数据来源与处理

【参考文献】：
期刊论文
[1]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)
[2]基于无人机-卫星遥感升尺度的土壤盐渍化监测方法[J]. 陈俊英,王新涛,张智韬,韩佳,姚志华,魏广飞.  农业机械学报. 2019(12)
[3]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)
[4]艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型[J]. 周晓红,张飞,张海威,张贤龙,袁婕.  光谱学与光谱分析. 2019(04)
[5]基于多源遥感协同反演的区域性土壤盐渍化监测[J]. 冯雪力,刘全明.  农业机械学报. 2018(07)
[6]基于支持向量机的土壤主要盐分离子高光谱反演模型[J]. 王海江,蒋天池,YUNGER John A,李亚莉,田甜,王金刚.  农业机械学报. 2018(05)
[7]基于遥感反演河套灌区土壤盐分分布及对作物生长的影响[J]. 黄权中,徐旭,吕玲娇,任东阳,柯隽迪,熊云武,霍再林,黄冠华.  农业工程学报. 2018(01)
[8]应用中值融合模型的条件植被温度指数降尺度转换研究[J]. 王鹏新,刘郊,李俐,张树誉,解毅.  农业机械学报. 2017(06)
[9]基于SVM的湖泊咸度等级遥感信息提取方法——以内蒙古巴丹吉林沙漠为例[J]. 刁淑娟,刘春玲,张涛,贺鹏,郭兆成,涂杰楠.  国土资源遥感. 2016(04)
[10]基于最大熵模型的玉米冠层LAI升尺度方法[J]. 苏伟,吴代英,武洪峰,张明政,姜方方,张蕊.  农业工程学报. 2016(07)



本文编号：3292190