详情

原文传递一种基于多源遥感数据的土壤盐渍化预测方法

专利名称：	一种基于多源遥感数据的土壤盐渍化预测方法
摘要：	本发明涉及一种基于多源遥感数据的土壤盐渍化预测方法，该方法获取实验区域的遥感影像数据，对遥感影像数据进行预处理，保存输出单一波段，并依据上述波段构建盐分指数；获取所述实验区域的微波遥感数据，对微波遥感数据进行预处理，输出VV极化与VH极化的雷达后向散射系数，并构建雷达极化组合指数；利用变量投影重要性方法筛选土壤含盐量敏感变量；利用随机森林回归方法，以筛选后的敏感变量作为自变量，以实测土壤含盐量作为因变量，构建土壤含盐量预测模型；利用训练好的土壤含盐量预测模型预测研究区域所有影像像元点的土壤含盐量。该方法基于遥感影像数据和微波遥感数据对土壤含盐量进行预测，提高了土壤盐渍化预测精度。
专利类型：	发明专利
国家地区组织代码：	宁夏;64
申请人：	宁夏大学
发明人：	贾科利;刘瑞亮;张俊华;李小雨
专利状态：	有效
申请日期：	2023-09-06T00:00:00+0800
发布日期：	2023-11-14T00:00:00+0800
申请号：	CN202311143414.5
公开号：	CN117054484A
代理机构：	北京迎硕知识产权代理事务所(普通合伙)
代理人：	张群峰
分类号：	G01N27/02;G01N27/20;G01N21/25;G01N21/35;G01N21/3563;G01N21/359;G01S13/88;G;G01;G01N;G01S;G01N27;G01N21;G01S13;G01N27/02;G01N27/20;G01N21/25;G01N21/35;G01N21/3563;G01N21/359;G01S13/88
申请人地址：	750021 宁夏回族自治区银川市西夏区贺兰山西路489号
主权项：	1.一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，包括以下步骤： S1、在采样点采集土壤样本，测定各土壤样本的电导率，并根据各土壤样本的电导率计算各采样点的土壤含盐量； S2、获取实验区域的遥感影像数据，对遥感影像数据进行预处理，保存输出单一波段：蓝光波段(Blue)、绿光波段(Green)、红光波段(Red)、近红外(NIR)波段、短波红外1波段(SWIR 1)、短波红外2(SWIR 2)波段，并依据上述波段构建盐分指数； S3、获取所述实验区域的微波遥感数据，对微波遥感数据进行预处理，输出VV极化与VH极化的雷达后向散射系数，并构建雷达极化组合指数； S4、将步骤S2和S3构建的指数在ArcGIS中提取至采样点，并表转Excel导出属性表，利用变量投影重要性方法筛选土壤含盐量敏感变量； S5、利用随机森林回归方法，以筛选后的敏感变量作为自变量，以实测土壤含盐量作为因变量，构建土壤含盐量预测模型，并训练该模型以得到最佳模型参数； S6、利用训练好的土壤含盐量预测模型预测研究区域所有影像像元点的土壤含盐量。 2.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S1包括以下分步骤： S11、确定研究区域，选取研究区域中的具有不同土壤含盐量等级的代表性位置作为采样点，在采样点采集土壤样本； S12、用电导仪测定各土壤样本的电导率，获取各采样点的土壤电导率； S13、根据测定的土壤电导率计算各采样点的土壤含盐量，利用公式(1)计算土壤含盐量； y＝(x+41.2543)×5÷2120.76 (1) 其中，y为含盐量(g/kg)，x为电导率(us/cm)。 3.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S2包括以下分步骤： S21、获取实验区域的遥感影像数据，对遥感影像数据进行预处理，提取实验区域遥感影像蓝光波段(Blue)、绿光波段(Green)、红光波段(Red)、近红外(NIR)波段、短波红外1波段(SWIR 1)、短波红外2(SWIR 2)波段的放射率值；其中，所述预处理包括辐射定标、大气校正、镶嵌裁剪； S22、根据公式(2)计算盐分指数SI，根据公式(3)计算盐分指数SI1，根据公式(4)计算盐渍化指数S1，根据公式(5)计算盐渍化指数S2，根据公式(6)计算盐渍化指数S5，根据公式(7)计算扩展差值植被指数EDVI，根据公式(8)计算扩展比值植被指数ERVI，根据公式(9)计算大气阻抗植被指数ARVI，根据公式(10)计算冠层盐度响应植被指数CRSI，根据公式(11)计算扩展增强型植被指数EEVI，计算结果保存为.GIF格式； S1＝Blue/Red (4) S2＝(Blue-Red)/(Blue+Red) (5) S5＝Blue×Red/Green (6) EDVI＝NIR+SWIR1-Red (7) ERVI＝(NIR+SWIR1)/Green (8) ARVI＝(NIR-2Red+Blue)/(NIR+2Red-Blue) (9) 4.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S3包括以下分步骤： S31、获取所述实验区域的微波遥感数据，采用SNAP软件对微波遥感数据进行预处理，输出VV极化与VH极化的雷达后向散射系数；其中，所述预处理包括热噪声去除、轨道文件校正、辐射定标、多普勒地形校正；利用公式(12)计算VV极化与VH极化的雷达后向散射系数； σ＝β+10×log10(Ij) (12) 其中，σ为后向散射系数，β为影像亮度，Ij为入射角； S32、将输出的雷达后向散射系数加载入遥感图像处理平台ENVI中，利用ENVI中的Bandmath工具模块计算极化组合指数：VV-VH，VV+VH，VV2+VH2，VV2-VH2，VV2+VH，VV2-VH，VH2-VV，VH2-VV2，并将计算结果保存为.GIF格式。 5.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S4包括以下分步骤： S41、在ArcGIS中通过多值提取至点将步骤S2和S3构建的指数提取至采样点，并表转Excel，得到实测采样点的对应指数属性； S42、在SIMCA-P中计算光谱指数对于土壤含盐量的变量投影重要性，筛选出重要性大于等于1的特征变量参与建模； S43、在SIMCA-P中计算雷达极化组合指数对于土壤含盐量的变量投影重要性，筛选出重要性大于等于1的特征变量参与建模；根据公式(13)计算雷达极化组合指数对于土壤含盐量的变量投影重要性；其中，VIPj为j变量的重要性；p为自变量个数；F为主成分总数；f为主成分；SSYf为f主成分的方差平方和；SSYtotal为因变量平方和；Wjf2为j变量在f主成分中的重要性。 6.根据权利要求5所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，依据步骤S42筛选出5个特征变量参与建模，即：S1，S2，ARVI，CRSI，EEVI；依据步骤S43筛选出5个特征变量参与建模，即：VV+VH，VV2+VH2，VH2-VV，VV，VH。 7.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S5包括以下分步骤： S51、将采样点按照含盐量从大到小排列，每隔2个采样点抽取数据作为验证集，其余数据作为训练集； S52、在Matlab中，输入随机森林回归方法，以筛选后的敏感变量作为自变量，实测土壤含盐量作为因变量，构建土壤含盐量预测模型； S53、不断优化随机森林参数，包括回归树棵树、最小叶子数，最终得到最佳模型参数设置。 8.根据权利要求7所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S53中的最佳回归树棵树为200，最佳最小叶子数为4。 9.根据权利要求1所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，步骤S6包括以下分步骤： S61、在ArcGIS中对研究区域影像数据进行栅格转点，导入步骤S4筛选出来的土壤含盐量敏感指数，并进行多值提取至点； S62、在训练好的土壤含盐量预测模型中，替换掉验证集数据，反演出研究区域像素点含盐量。 10.根据权利要求9所述的一种基于多源遥感数据的土壤盐渍化预测方法，其特征在于，进一步地包括以下步骤： ArcGIS中将反演出的像元点含盐量连接至属性后点转栅格，值字段为预测出的含盐量，得到研究区域的分块土壤含盐量；将分块像元镶嵌至新栅格，并重新按照土壤含盐量等级进行分类，得到研究区域的盐渍化等级分布图。