排序方式： 共有6条查询结果，搜索用时 385 毫秒
1
1.
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
2.
为克服植被覆盖条件下土壤盐分含量与光谱反射率之间相关性较差所带来反演精度较低的问题,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,利用Sentinel-2卫星同步获取光谱数据,通过构建以归一化植被指数（Normalized Difference Vegetation Index,NDVI）为分支标准的盐分深度决策树确定反演土壤盐分含量的最佳深度,然后构建以NDVI和表层土壤含水率为分支标准的类别决策树,将土壤样本划分为不同类别,以此分别构建土壤盐分反演模型,并评估反演效果。研究结果表明,决策树能增强光谱反射率对土壤盐分含量的敏感性,光谱反射率与土壤盐分含量的相关系数达0.66以上。基于随机森林（Random Forest,RF）的盐分反演模型可取得理想的反演效果,决定系数为0.77,均方根误差为0.27%,相对分布误差为2.65,相对分析误差为8.99。土壤盐分含量反演模型能较好地反演表层（<20 cm）和深层（>40～60 cm）土壤盐分含量,在反演中层（20～40 cm）土壤盐分含量上存在一定局限。当地表有植被覆盖时,利用决策树可有效地提高土壤盐分含量的反演精度（与未考虑决策树相比,决定系数和相对分布误差分别提高0.34和0.67）。研究结果可为监测灌区内作物生育期间土壤盐分含量的动态变化提供方法参考。 相似文献
3.
无人机多光谱遥感反演不同深度土壤盐分 总被引：5，自引：4，他引：1
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（Back Propagation 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；研究区域内，作物覆盖下的土壤盐分最佳反演深度为10～20 cm；在不同土壤深度下，基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度，这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。 相似文献
4.
目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明：经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R2v/R2c为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。 相似文献
5.
针对地表植被覆盖差异对遥感监测区域干旱精度的影响问题,通过GLDAS获取1978-2017年吉林省44个区县的降水、潜热通量和显热通量数据,以此构建了标准化波文比指数(SBI),在此基础上结合标准化降水指数(SPI),通过Copula函数构建出反映土壤水分和降水的综合干旱指数(MSBP),并用其分析吉林省的干旱时空特征,通过比较SBI、SPI和MSBP在历史干旱严重年份上的表现,以及分析3种指数与粮食产量之间的相关性,以此评估不同干旱监测指数的应用效果。结果表明:①MSBP在描述干旱特征和干旱对粮食产量影响上更加全面和准确。②MSBP能较为准确地刻画出干旱过程的持续时间以及不同时间下的干旱强度。③在历史干旱严重的年份上,MSBP所刻画的干旱特征和实际发生的干旱过程较为一致。④MSBP能较好地反映出干旱对粮食产量所引起的波动变化。以上研究结果为区域干旱监测提供参考。 相似文献
6.
土壤含水量（soil water content, SWC）和土壤含盐量（soil salt content, SSC）是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率（Rv）对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明：RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分：决定系数R2为0.63～0.74,均方根误差为0.017～0.028;盐分：决定系数R2为0.68～0.75,均方根误差为0.0525～0.0617)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。 相似文献
1