论文部分内容阅读
土壤盐渍化已成为制约灌溉农业发展的重要因素之一,因此,准确快速获取土壤盐渍化信息对现代农业的可持续发展具有重大意义。遥感技术因其无损、高效等特点,可以对土壤状况进行实时监测,已成为现代农业精准化的重要手段。其中,卫星遥感因其具有大范围监测的优点在国内外得到了广泛的应用,无人机遥感作为新型遥感平台,可通过设置飞行高度获得多时相、多尺度的高时空分辨率遥感影像,但无人机在大范围监测土壤盐渍化方面存在着缺陷,如何将无人机遥感的高空间分辨率与卫星遥感的大范围监测相结合,受到诸多学者的关注。另外,随着技术的提升和空间传感器的多样化,给农业遥感带来了大量的数据,为土壤盐渍化的监测提供了丰富数据支持,但提供丰富信息的同时带来大量的信息冗余,监测精度未必提高。所以,在多源数据下,如何选择适宜的尺度进行目标监测,对于从无人机到卫星空间分辨率的合理转换研究,以及对土壤盐渍化的精准监测都具有非常重要的理论意义,而目前针对这方面的研究还鲜有报道。因此,本研究以河套灌区沙壕渠灌域5月份(裸土期)和7月份(植被覆盖)两种情况下不同盐渍化程度的表层土壤为研究对象,使用无人机和卫星不同传感器观测土壤和植被光谱特征,分析光谱反射率与实测土壤盐分的相关性,利用数学建模方法构建无人机数据和GF-1卫星遥感数据源下的土壤盐渍化反演模型,在精度验证的基础上,对比不同模型对土壤盐分的估测精度。并利用尺度转换方法进行无人机数据的升尺度研究和多源数据下土壤盐分监测的最优尺度选择,探究尺度转换前后模型对土壤盐分的反演精度。研究结果以期为提高遥感监测盐渍化精度提供一定的理论支持,并希望对遥感尺度问题有一定的促进作用。得到的结果主要如下:(1)构建了不同光谱波段和光谱指数下的土壤盐分反演模型。通过对无人机和GF-1卫星数据光谱波段反射率的分析,发现其与土壤盐分的相关系数均呈先增大后减小的趋势;无人机数据源下构建的模型精度均高于GF-1卫星数据,两种数据源下选取的光谱波段构建的最优反演模型均是多元线性回归模型,其最优模型的建模集和验证集R2分别为0.372和0.39,RMSE为0.197。当光谱波段结合光谱指数共同组成反演土壤盐分模型的光谱因子时,GF-1卫星数据下的最优模型为多元线性回归模型;无人机数据下的最优模型为逐步回归模型,其最优模型的建模集和验证集R2可达0.454和0.479,RMSE为0.195,可见加入光谱指数后的模型效果优于单独光谱波段的模型效果。(2)点扩散函数法优于传统的重采样法。通过平均值和标准差等尺度效应的分析,发现经点扩散函数法升尺度后的影像与原始影像最接近,最邻近法升尺度后的影像与原始影像相差较大。经过不同尺度转换方法对反演土壤盐渍化精度的高低对比分析,发现不同的尺度转换方法下,有着不同的最优监测模型,最终确定裸土期条件下监测土壤盐渍化的最优转换方法及最优模型。总体来说,点扩散函数转换方法下的分位数回归模型的效果最好,其建模集和验证集的R2均在0.53以上,RMSE小于0.15。(3)基于Ts HARP的升尺度方法可提高GF-1卫星遥感反演土壤盐分的模型精度。在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.35以上;基于这5个变量因子,分别建立了无人机多数据和GF-1数据的土壤盐分反演模型,对比分析,无人机反演表层土壤盐分的最优模型分别是逐步回归模型,其建模集和验证集R2分别为0.452和0.473,GF-1卫星数据反演表层土壤盐是多元线性模型,其建模集和验证集R2分别为0.383和0.347。通过Ts HARP的升尺度方法,将无人机数据与实测盐分数据建立的趋势面应用到GF-1数据中,经过转换残差校正,升尺度后模型的建模集和验证集R2可达到0.72和0.71。可见,基于Ts HARP的升尺度方法可提高GF-1卫星遥感反演土壤盐分的模型精度。(4)基于分形理论选取了无人机影像分辨率与GF-1卫星影像分辨率之间的最优尺度(空间分辨率),并建立了最优尺度下的土壤盐分反演模型。利用常见的植被指数NDVI确定了适用范围为0.1m—16m的空间尺度转换模型:log2NDVI=0.012238Scale-3.1485,且表明在这个范围内的NDVI总体变化趋势为先增大后减小,并确定了最优空间分辨率为2m。最优分辨率下建立的反演模型,与0.1m分辨率无人机数据源直接建立的模型相比,建模集和验证集R2至少可以提高0.1,RMSE可以降低0.07左右;与分辨率16m的GF-1卫星数据相比,建模集和验证集的R2至少提高0.16,RMSE和Bias也显著降低。