利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量
发布时间：2022-02-12 17:07
土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季（4月）和湿季（10月）实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误...
【文章来源】：农业工程学报. 2020,36(17)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
研究区位置与采样点分布Fig.1Locationofstudyareaanddistributionofthesamplingsites
农业工程学报（http://www.tcsae.org）2020年128除盐分指数SI-T和NDSI外，其余相关性均表现为极显著，但含盐量与影像波段和盐分指数均未通过显著性检验。湿季土壤含盐量与实测数据相关性均通过了显著性检验，含盐量与影像数据的相关性除盐分指数SI-T、NDSI和S3外均通过了0.01显著性检验，其中与S1的相关性最强。选用通过0.01显著性的变量为模型因子。图2重采样实测光谱与影像光谱反射率相关性Fig.2Correlationbetweenresamplingmeasuredspectralreflectanceandspectralreflectanceofimage表3土壤含盐量与实测和影像波段相关性Table3Correlationbetweensoilsaltcontentandmeasuredandimagebands实测波段Measuredbands影像波段ImagebandsBand1Band2Band3Band4Band5Band6Band7Band1Band2Band3Band4Band5Band6Band7干季0.79**0.79**0.76**0.71**0.69**0.65**0.69**0.220.150.080.01-0.07-0.25-0.27湿季0.75**0.74**0.69**0.66**0.65**0.57**0.53**0.63**0.62**0.56**0.53**0.54**0.43**0.43**注：**表示在P<0.01水平显著，*表示在P<0.05水平显著。下同Note:**meanssignificantatP<0.01levels,*meanssignificantatP<0.05levels.Thesamebelow.表4土壤含盐量与实测和影像盐分指数相关性Table4Correlationbetweensoilsaltcontentandmeasuredandimagesalinityindices土壤含盐量Soilsaltcontent干季Dryseason湿季WetseasonSI-T0.39*0.49**SI0.76**0.71**NDSI0.38*0.46**SI10.74**0.68**SI20.72**0.67**SI30.73**0.68**S10.61**0.75**S20.59**0.72**S30.61**0.57**Int10.74**0.68**实测盐分指数MeasuredsalinityindicesInt20.72**0.67**SI-T0.200.33*S
第17期贾萍萍等：利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量129图3土壤含盐量与波段和盐分指数的灰度关联分析Fig.3Greycorrelationanalysisofsoilsalinityandbandsandsalinityindices表5逐步回归分析筛选特征光谱数据参数指标Table5Parameterindexoffeaturespectraldataselectionbystepwiseregressionmethod项目Items敏感波段Sensitivebands敏感盐分指数Sensitivesalinityindices调整R2AdjustR2标准误差Standarderror显著性Significance.干季实测MeasuredindryseasonBand3、Band7S30.656.290.00干季影像ImageindryseasonBand1、Band2、Band3、Band6、Band7SI-T、NDSI、S1、S20.487.750.00湿季实测Measuredinwetseason—NDSI、S1、S2、S3、Int20.703.530.00湿季影像ImageinwetseasonBand3、Band6SI-T、NDSI、S1、S2、S30.604.110.00表6干季土壤含盐量反演模型Table6Modelingofsoilsalinityindryseason分析方法干季实测Measuredindryseason干季影像ImageindryseasonAnalyticalmethods建模方法ModelingmethodsRc2RP2RMSE/(g·kg-1)RPDRc2RP2RMSE/(g·kg-1)RPD偏最小二乘PLSR0.810.136.051.05————支持向量机SVM0.820.335.941.06————岭回归RR0.810.135.601.13————BP神经网络BPNN0.830.355.841.11————相关性分析PCC地理加权回归GWR0.890.175.771.10————偏最小二乘PLSR0.770.086.101.040.020.598.481.56支持向量机SVM0.820.515.291.200.410.707.721.71岭回归RR0.780.295.361.190.140.608.381.58BP神经网络BPNN0.890.383.541.830.510.5811.571.14灰度关联法GC地理加权回归GWR0.910.941.424.490.510.707.041.88偏最小二乘PLSR
【参考文献】：
期刊论文
[1]基于高光谱和Landsat-8 OLI影像的盐渍化土壤水盐估算模型构建[J]. 贾萍萍,孙媛,尚天浩,张俊华. 生态学杂志. 2020(07)
[2]小开河引黄灌区土壤盐渍化定量遥感反演[J]. 刘恩,王军涛,常步辉,王东琦. 中国农村水利水电. 2019(12)
[3]基于地理加权回归的地形平缓区土壤有机质空间建模[J]. 赵明松,刘斌寅,卢宏亮,李德成,张甘霖. 农业工程学报. 2019(20)
[4]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)
[5]基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测[J]. 张俊华,贾萍萍,孙媛,贾科利. 农业工程学报. 2019(12)
[6]热红外光谱的干旱区土壤含盐量遥感反演[J]. 夏军,张飞. 光谱学与光谱分析. 2019(04)
[7]中国ICT设备制造业的动态空间分异[J]. 于瀚辰,沈体雁,孙童. 地域研究与开发. 2019(01)
[8]环境敏感变量优选及机器学习算法预测绿洲土壤盐分[J]. 王飞,杨胜天,丁建丽,魏阳,葛翔宇,梁静. 农业工程学报. 2018(22)
[9]基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算[J]. 王海峰,张智韬,Arnon Karnieli,陈俊英,韩文霆. 农业工程学报. 2018(14)
[10]基于岭回归的土壤含水率高光谱反演研究[J]. 张智韬,王海峰,KARNIELI Arnon,陈俊英,韩文霆. 农业机械学报. 2018(05)
硕士论文
[1]基于高光谱遥感的土壤水盐监测模型研究[D]. 王海峰.西北农林科技大学 2019
[2]矿区耕地土壤重金属含量GWR模型反演研究[D]. 刘宁.长沙理工大学 2018
[3]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
本文编号：3622105
【文章来源】：农业工程学报. 2020,36(17)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
研究区位置与采样点分布Fig.1Locationofstudyareaanddistributionofthesamplingsites
农业工程学报（http://www.tcsae.org）2020年128除盐分指数SI-T和NDSI外，其余相关性均表现为极显著，但含盐量与影像波段和盐分指数均未通过显著性检验。湿季土壤含盐量与实测数据相关性均通过了显著性检验，含盐量与影像数据的相关性除盐分指数SI-T、NDSI和S3外均通过了0.01显著性检验，其中与S1的相关性最强。选用通过0.01显著性的变量为模型因子。图2重采样实测光谱与影像光谱反射率相关性Fig.2Correlationbetweenresamplingmeasuredspectralreflectanceandspectralreflectanceofimage表3土壤含盐量与实测和影像波段相关性Table3Correlationbetweensoilsaltcontentandmeasuredandimagebands实测波段Measuredbands影像波段ImagebandsBand1Band2Band3Band4Band5Band6Band7Band1Band2Band3Band4Band5Band6Band7干季0.79**0.79**0.76**0.71**0.69**0.65**0.69**0.220.150.080.01-0.07-0.25-0.27湿季0.75**0.74**0.69**0.66**0.65**0.57**0.53**0.63**0.62**0.56**0.53**0.54**0.43**0.43**注：**表示在P<0.01水平显著，*表示在P<0.05水平显著。下同Note:**meanssignificantatP<0.01levels,*meanssignificantatP<0.05levels.Thesamebelow.表4土壤含盐量与实测和影像盐分指数相关性Table4Correlationbetweensoilsaltcontentandmeasuredandimagesalinityindices土壤含盐量Soilsaltcontent干季Dryseason湿季WetseasonSI-T0.39*0.49**SI0.76**0.71**NDSI0.38*0.46**SI10.74**0.68**SI20.72**0.67**SI30.73**0.68**S10.61**0.75**S20.59**0.72**S30.61**0.57**Int10.74**0.68**实测盐分指数MeasuredsalinityindicesInt20.72**0.67**SI-T0.200.33*S
第17期贾萍萍等：利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量129图3土壤含盐量与波段和盐分指数的灰度关联分析Fig.3Greycorrelationanalysisofsoilsalinityandbandsandsalinityindices表5逐步回归分析筛选特征光谱数据参数指标Table5Parameterindexoffeaturespectraldataselectionbystepwiseregressionmethod项目Items敏感波段Sensitivebands敏感盐分指数Sensitivesalinityindices调整R2AdjustR2标准误差Standarderror显著性Significance.干季实测MeasuredindryseasonBand3、Band7S30.656.290.00干季影像ImageindryseasonBand1、Band2、Band3、Band6、Band7SI-T、NDSI、S1、S20.487.750.00湿季实测Measuredinwetseason—NDSI、S1、S2、S3、Int20.703.530.00湿季影像ImageinwetseasonBand3、Band6SI-T、NDSI、S1、S2、S30.604.110.00表6干季土壤含盐量反演模型Table6Modelingofsoilsalinityindryseason分析方法干季实测Measuredindryseason干季影像ImageindryseasonAnalyticalmethods建模方法ModelingmethodsRc2RP2RMSE/(g·kg-1)RPDRc2RP2RMSE/(g·kg-1)RPD偏最小二乘PLSR0.810.136.051.05————支持向量机SVM0.820.335.941.06————岭回归RR0.810.135.601.13————BP神经网络BPNN0.830.355.841.11————相关性分析PCC地理加权回归GWR0.890.175.771.10————偏最小二乘PLSR0.770.086.101.040.020.598.481.56支持向量机SVM0.820.515.291.200.410.707.721.71岭回归RR0.780.295.361.190.140.608.381.58BP神经网络BPNN0.890.383.541.830.510.5811.571.14灰度关联法GC地理加权回归GWR0.910.941.424.490.510.707.041.88偏最小二乘PLSR
【参考文献】：
期刊论文
[1]基于高光谱和Landsat-8 OLI影像的盐渍化土壤水盐估算模型构建[J]. 贾萍萍,孙媛,尚天浩,张俊华. 生态学杂志. 2020(07)
[2]小开河引黄灌区土壤盐渍化定量遥感反演[J]. 刘恩,王军涛,常步辉,王东琦. 中国农村水利水电. 2019(12)
[3]基于地理加权回归的地形平缓区土壤有机质空间建模[J]. 赵明松,刘斌寅,卢宏亮,李德成,张甘霖. 农业工程学报. 2019(20)
[4]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)
[5]基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测[J]. 张俊华,贾萍萍,孙媛,贾科利. 农业工程学报. 2019(12)
[6]热红外光谱的干旱区土壤含盐量遥感反演[J]. 夏军,张飞. 光谱学与光谱分析. 2019(04)
[7]中国ICT设备制造业的动态空间分异[J]. 于瀚辰,沈体雁,孙童. 地域研究与开发. 2019(01)
[8]环境敏感变量优选及机器学习算法预测绿洲土壤盐分[J]. 王飞,杨胜天,丁建丽,魏阳,葛翔宇,梁静. 农业工程学报. 2018(22)
[9]基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算[J]. 王海峰,张智韬,Arnon Karnieli,陈俊英,韩文霆. 农业工程学报. 2018(14)
[10]基于岭回归的土壤含水率高光谱反演研究[J]. 张智韬,王海峰,KARNIELI Arnon,陈俊英,韩文霆. 农业机械学报. 2018(05)
硕士论文
[1]基于高光谱遥感的土壤水盐监测模型研究[D]. 王海峰.西北农林科技大学 2019
[2]矿区耕地土壤重金属含量GWR模型反演研究[D]. 刘宁.长沙理工大学 2018
[3]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
本文编号：3622105
本文链接：https://www.wllwen.com/kejilunwen/nykj/3622105.html
