论文部分内容阅读
受人类活动与自然条件的影响,内蒙古河套灌区土壤盐渍化问题日益严重,对土壤资源的可持续利用带来了巨大挑战。无人机遥感技术可快速地获取大量的地物光谱信息,其厘米级的光谱分辨率可精确反映地物光谱特征,是精准、实时监测土壤盐分的重要手段。本文以河套灌区沙壕渠灌域为研究区,分别在裸土期和植被覆盖期,获取不同盐渍化耕地的土壤含盐量信息以及研究区内地物的无人机多光谱遥感影像,并通过获取的光谱波段反射率构建多种光谱指数,分析两个时期的地物光谱曲线特征以及多光谱数据(波段反射率和光谱指数)与土壤含盐量的相关性,并采用一元线性回归方法建立基于敏感波段的盐分反演模型。在植被覆盖期,采用多种回归方法建立基于不同模型输入变量组的土壤含盐量反演模型,并在裸土期采用机器学习算法建立基于不同变量筛选方法的土壤含盐量反演模型,最后采用3个精度评价指标对反演模型进行综合评定。主要研究结论如下:(1)基于遥感数据的地物光谱特征及盐分与光谱相关性研究。裸土与植被冠层的多光谱曲线差异明显,植被冠层反射率较低,裸土反射率较高。两曲线均呈现出随波长增加而不断上升的趋势,且随着盐渍化程度的提高,反射率也随之增大。裸土期表层土壤的4个波段(490 nm、550 nm、680 nm、800 nm)与土壤盐分含量呈现显著性相关关系,植被覆盖期植被冠层的3个波段(680 nm、800 nm、900 nm)与土壤盐分含量呈现显著性相关关系。两个时期的一元线性回归模型预测精度都较低,相对而言,裸土期的一元线性回归模型精度高于植被覆盖期的一元线性回归模型精度。(2)不同变量组耦合多种回归方法估算植被覆盖条件下的土壤含盐量。通过分析敏感波段组、光谱指数组、全变量组的决定系数(R~2)和均方根误差(RMSE),光谱指数组在4种回归模型方法(多元线性回归(MLR)、反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF))中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归算法中反演效果不同。4种回归方法中,3种机器学习回归算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF在3种机器学习算法中表现最优,SVR和BPNN在基于不同变量组构建的模型中表现也有差异。基于光谱指数组的RF盐分反演模型在12个模型中取得了最佳的反演效果,R_c~2和R_v~2分别达到了0.72和0.67,RMSE_v仅为0.112%。(3)变量筛选方法结合机器学习模型反演裸土期土壤含盐量。不同变量筛选方法效果为,变量重要性投影法(VIP)效果最佳,灰度关联分析法(GRA)次之,连续投影算法(SPA)最差,但效果差异并不明显。不同机器学习模型反演效果差异较大,RF效果最佳,SVR次之,BPNN最差。其中VIP-RF模型取得了最佳的效果,R_c~2和R_P~2分别为0.835、0.812,RPD达到了2.299,RMSE_P仅为0.089%。