排序方式: 共有47条查询结果,搜索用时 15 毫秒
2.
水盐交互作用对河套灌区土壤光谱特征的影响 总被引:2,自引:1,他引:1
为探究土壤水盐交互作用对Sentinel-2卫星光谱特征的影响,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,分别在2018年和2019年的4-5月共采集280个裸土期表层土壤样本,测定其土壤含水率和含盐量,并获取同步的Sentinel-2卫星遥感数据,构建基于土壤水盐-反射率原理的土壤光谱特征理论模型,在此基础上结合土壤水盐交互作用构建水盐交互模型,并比较2种模型对土壤光谱的模拟效果,分析土壤水盐交互作用对土壤光谱估算的影响。结果表明:1)土壤水盐交互作用对光谱的影响因波段类型和水盐含量的不同而有所不同。在可见光范围上影响相对较弱,其作用范围为-0.11~0.29;在近红外和短波红外范围上影响相对较强,其作用范围为-0.35~0.61;当水分或盐分中某个含量较高时对光谱影响较弱,其主要集中在-0.1~0.23;,在水盐含量程度相似时影响较强,其作用范围为0.3~0.6。2)与土壤光谱特征理论模型相比,水盐交互模型能明显地改善土壤光谱的模拟效果,能将模拟相关系数由0.14~0.44提升到0.29~0.70,均方根误差由0.032~0.082降低到0.029~0.068。该研究结果揭示了盐分和水分对光谱特征的干扰过程,为土壤盐分的估算提供策略与方法,对实现区域尺度上土壤盐分的精准监测具有一定的意义。 相似文献
3.
基于卷积注意力的无人机多光谱遥感影像地膜农田识别 总被引:1,自引:0,他引:1
监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。 相似文献
4.
基于全子集-分位数回归的土壤含盐量反演研究 总被引:2,自引:0,他引:2
为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0~20 cm、20~40 cm、0~40 cm、40~60 cm、0~60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0~20 cm、0~40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20~40 cm、40~60 cm、0~60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20~40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。 相似文献
5.
覆盖度对无人机热红外遥感反演玉米土壤含水率的影响 总被引:3,自引:0,他引:3
为提高基于冠层温度信息反演土壤含水率的精度,以不同水分处理的拔节期大田玉米为研究对象,采用无人机热红外和可见光相机获取试验区遥感图像,通过不同图像分类方法剔除土壤背景,提取玉米植被覆盖度(Corn vegetation coverage,Vc)及冠层温度(Canopy temperature,Tc),并计算冠-气温差(Tca)和冠-气温差与覆盖度的比值,分析这两种指数与土壤含水率(Soil moisture content,Smc)之间的关系。结果表明,不同分类方法提取的玉米覆盖度以及冠层温度均存在差异,由灰度分割法、RGRI指数法、GBRI指数法3种分类方法剔除土壤背景后计算的冠-气温差、冠-气温差与覆盖度之比与土壤含水率均呈线性关系,并且冠-气温差、冠-气温差与覆盖度之比两种指数反演0~30 cm玉米根域深度的土壤含水率效果较好;其中,未剔除土壤背景的冠-气温差反演土壤含水率效果较差,GBRI指数分类法剔除土壤背景的冠-气温差反演土壤含水率效果有所提高(0~10 cm、10~20 cm、20~30 cm深度的R2由0. 255、0. 360、0. 131提高至0. 425、0. 538、0. 258);而冠-气温差与覆盖度的比值反演土壤含水率相比于冠-气温差精度明显提高,0~10 cm、10~20 cm、20~30 cm深度建模集R2高达0. 488、0. 600、0. 290,P 0. 001,验证集R2达0. 714、0. 773、0. 446,表明冠-气温差与覆盖度之比是反演玉米根域深度土壤含水率效果更优的指标。 相似文献
6.
遥感监测土壤含水率模型及精度分析 总被引:8,自引:4,他引:4
土壤含水率是决定农作物产量的最重要的因素之一.该文通过对2003年10月到2005年3月宝鸡峡二支渠灌区的土壤含水率进行实地调查,并对TM5和TM7波段数据进行归一化处理,再与参考点归一化土壤湿度指数求差后,建立遥感影像对土壤含水率的监测模型.并以2005年6月28日遥感影像为例,用建立的模型对土壤含水率进行定量反演.结果表明,反演精度可达80%以上,反演效果最好的土壤深度是0~40 cm.应用此归一化土壤湿度指数模型监测土壤含水率,可以满足灌区大范围宏观监测要求. 相似文献
8.
9.
TM6对遥感主成分分析监测土壤含水率的影响 总被引:1,自引:0,他引:1
研究TM6波段对遥感监测土壤含水率的影响。以2003年10月到2005年3月宝鸡峡灌区二支渠土壤含水率实测数据及同步TM数据为基础,将TM数据以TM1-TM5、TM7和TM1-TM7分为两种组合,分别进行主成分分量提取,建立两种土壤含水率监测模型。以2005年6月28日遥感数据为基础,将采用两种模型所得的土壤含水率计算值与实测值进行相关分析及精度分析。结果表明,用TM1-TM5、TM7数据组合所得结果,其精度为57.75%~85.40%。当加入热红外波段TM6后,即TM1-TM7数据组合,最低精度可提高至67.79%~86.35%,明显高于前者,而且,在监测土壤含水率较低或较高的地区时更为敏感。因此,加入TM6波段的遥感主成分分析方法,可望在较高精度水平上监测土壤含水率有广阔的应用前景。 相似文献
10.
为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R2均在0.64以上,RE为0.14~0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84~0.93,NER为0.61~0.73,均为正数,且RMSE降低到0.006%~0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。 相似文献