论文部分内容阅读
土地是人类生产生活最重要的载体,农业生产是最古老、主要的土地利用形式。东北黑土区是我国最重要的粮食生产基地之一,担负着国家粮食战略安全的重任。但一直以来的粗放经营、过量施肥施药造成土壤板结、耕地退化,农业生产力难以继续提高,对于国家粮食战略安全难以保证。进行耕地质量评价和实施耕地精准施肥,是解决当下耕地问题和农业健康、可持续发展的必由之路。土壤有机质(Soil organic matter,SOM)含量是土壤养分的最主要代表,也是耕地质量评价的主要指标之一,及时获取耕地表层SOM的空间差异分布情况有助于进行耕地质量评价、实施变量施肥。传统调查SOM的方法具有费时、费力且成本较高的缺陷,遥感技术的快速发展和有效应用为SOM预测提供了新的途径和有利条件。本文以黑龙江省黑土区海伦市41.3 hm2田块为研究区,分别以分区域建立线性回归预测模型和建立BP神经网络预测模型两种方法提高SOM预测精度。以赵光农场30 hm2田块验证BP神经网络预测模型方法,证明了这种方法的可行性。获取海伦市田块两期裸土时期遥感影像(2016年5月17日Landsat 8和2016年5月25日Sentinel-2A)和4m空间分辨率的数字高程模型(Digital Elevation Model,DEM),赵光农场田块两期裸土时期遥感影像(2017年4月29日Sentinel-2A和2017年5月11日Landsat 8)和5m空间分辨率的DEM。分析影像光谱信息、地形因素与SOM的关系,明确田块内部SOM含量、反射光谱信息、地形因素的空间分异规律。基于影像和DEM数据、通过面向对象多尺度分割和系统聚类对海伦市田块进行分区,分别建立针对整体研究区和各子区域的SOM线性回归预测模型。在海伦市田块和赵光农场田块分析单期影像与SOM的关系,两期影像所包含的土壤含水量变化信息以及地形因素对SOM预测模型精度的影响,建立基于BP(back propagation)神经网络的SOM预测模型。本文的两种方法均有效的提高了SOM反演精度,可以较为准确地监测耕地耕层的SOM空间分布情况。分区域建立线性回归预测模型表明地形影响SOM空间分布、针对整个田块的线性回归模型精度低,这为本文进行SOM预测研究建立BP神经网络预测模型、加入地形因子作为输入量提供了理论支撑。研究结果表明:(1)将耕地田块看作一个整体,建立的SOM线性回归预测模型精度较低(R2=0.16,RMSEcal=1.61,RMSEval=1.45)。(2)将耕地田块分为“沉积区”、“沉积—缓冲区”、“侵蚀—缓冲区”和“侵蚀区”四类子区域,根据各自区域的SOM含量以及光谱、地形特征,在每个子区域分别建立SOM线性回归预测模型,耕地田块总体的SOM预测精度有明显提高(R2=0.58,RMSEcal=1.17,RMSEval=1.30)。(3)建立针对整个耕地田块的BP神经网络预测模型,可以有效发掘光谱、地形与SOM之间的非线性关系,显著提高耕地田块的SOM反演精度。(4)针对整个耕地田块,利用单期影像、两期影像、两期影像结合地形因子分别建立BP神经网络SOM预测模型,模型精度不断明显提高,基于两期影像结合地形因子的BP神经网络SOM预测模型精度最高(建模R2=0.917,建模RMSE=0.492;验证R2=0.928,验证RMSE=0.499)。(5)赵光农场田块的SOM反演成功(建模R2=0.905,建模RMSE=0.197;验证R2=0.896,验证RMSE=0.239),进一步证明了基于遥感影像、地形因子,引入时相信息、地形因素建立BP神经网络SOM预测模型可以有效提高SOM反演精度,是一种有效的SOM反演方法。本文的研究结果可以为田块尺度SOM反演研究提供参考,为耕地质量评价和耕地精准施肥提供技术支持,在提高农业生产效率、为政府农用地管理提供耕地信息以及耕地质量保护等方面具有重要意义。