CN109342337A - 一种重度盐渍土盐分获取方法、系统及装置 - Google Patents
一种重度盐渍土盐分获取方法、系统及装置 Download PDFInfo
- Publication number
- CN109342337A CN109342337A CN201811552198.9A CN201811552198A CN109342337A CN 109342337 A CN109342337 A CN 109342337A CN 201811552198 A CN201811552198 A CN 201811552198A CN 109342337 A CN109342337 A CN 109342337A
- Authority
- CN
- China
- Prior art keywords
- band
- salt
- spectral
- soil
- red
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种重度盐渍土盐分获取方法、系统及装置,分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值;通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量;采用支持向量机构建盐渍土盐分估测模型;根据盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取重度盐渍土待测区的土壤盐分。通过人工实测的盐分数据和无人机拍摄的多光谱遥感图像,建立出盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,可以快速获取重度盐渍土的盐分数据。
Description
技术领域
本申请涉及土壤盐分监测技术领域,具体涉及一种重度盐渍土盐分获取方法、系统及装置。
背景技术
随着全球气候的变化以及人类活动的干扰,土壤盐渍化仍是全球性最为常见和影响最为广泛的土地退化现象之一。据估计,全球有占整个陆地面积7.26%的盐渍土,严重影响当地的生态平衡问题,威胁生态、经济的可持续发展。因此,对盐渍土实施定量、准确监测,对其治理及生态农业建设具有重要意义。遥感尤其是高光谱遥感的出现为盐渍土的定量、快速分析提供了一种科学有效的方法。
许多学者开展了基于地面高光谱进行土壤盐分定量分析的研究,取得了一系列较为理想的研究成果,表明了土壤盐分定量光谱分析的可行性,为土壤盐分定量反演奠定了基础。但由于地面光谱数据获得的是点状信息,难以实现大面积区域性土壤盐分含量的及时监测,因此越来越多的学者利用遥感卫星影像数据对土壤盐分信息进行定量分析,基于不同平台的遥感卫星数据源建立了土壤盐分估测模型,在一定程度上实现了土壤盐分的定量反演。但由于卫星影像受时相、天气等因素影响,数据分辨率以及成像质量往往不能够满足地区盐渍土信息准确分析的要求,且由于卫星影像的尺度较大精度较低,同一尺度内利用同一个反演模型无法满足不同盐渍化程度的精确监测。
同时,无人机技术因其成本低、飞行高度可控、不易受天气和地形等环境因素影响等优点已开始被国内外学者应用于农业科技中,学者们尝试利用无人机携带光谱仪采集近地遥感图像,获取小区域高精度遥感图像,进而准确分析地面监测指标。现有研究表明,无人机技术已应用于土壤水分的定量准确遥感研究中,但是无法实现土壤盐分信息获取。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案实现的:
第一方面,本申请实施例提供了一种重度盐渍土盐分获取方法,所述方法包括:分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值;通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量;采用支持向量机构建盐渍土盐分估测模型;根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
采用上述实现方式,通过人工实测的盐分数据和无人机拍摄的多光谱遥感图像,采用灰色关联度法确定光谱参量,然后采用支持向量机建立出盐渍土盐分估测模型。利用盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,可以快速获取重度盐渍土的盐分数据。
结合第一方面,在第一方面第一种可能的实现方式中所述分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值,包括:获取实测盐分数据和无人机拍摄的多光谱遥感图像;将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值;提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
结合第一方面第一种可能的实现方式,在第一方面第二种可能的实现方式中,所述通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量,包括:将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段;波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合;根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
结合第一方面第二种可能的实现方式,在第一方面第三种可能的实现方式中,所述采用支持向量机构建盐渍土盐分估测模型包括:将全部实测盐分数据分为建模样本集与验证样本集;基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
结合第一方面第三种可能的实现方式,在第一方面第四种可能的实现方式中,所述根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分,包括:将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中获得每个像元的盐分估测值;然后对待测区土壤盐分进行空间分布反演,获得待测区的土壤盐分。
第二方面,本申请实施例提供了一种重度盐渍土盐分获取系统,所述系统包括:第一获取模块,用于分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值;确定模块,用于通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量;模型构建模块,用于采用支持向量机构建盐渍土盐分估测模型;第二获取模块,用于根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
结合第二方面,在第二方面第一种可能的实现方式中,所述第一获取模块包括:获取单元,用于获取实测盐分数据和无人机拍摄的多光谱遥感图像;预处理单元,用于将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值;提取单元,用于提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
结合第二方面第一种可能的实现方式,在第二方面第二种可能的实现方式中,所述确定模块包括:敏感波段筛选单元,用于将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段;光谱指数构建单元,用于波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合;光谱参量确定单元,用于根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
结合第二方面第二种可能的实现方式,在第二方面第三种可能的实现方式中,所述模型构建模块包括:数据划分单元,用于将全部实测盐分数据分为建模样本集与验证样本集;模型构建单元,用于基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
结合第二方面第三种可能的实现方式,在第二方面第四种可能的实现方式中,所述第二获取模块包括:第二获取单元,用于将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中获得每个像元的盐分估测值;第三获取单元,用于对待测区土壤盐分进行空间分布反演,获得待测区的土壤盐分。
第三方面,本申请实施例提供了一种重度盐渍土盐分获取装置,包括:处理器;存储器,用于存储计算机可执行指令;当所述处理器执行所述计算机可执行指令时,所述处理器执行上述第一方面或第一方面任一可能的重度盐渍土盐分获取方法。
附图说明
图1为本申请实施例提供的一种重度盐渍土盐分获取方法的流程示意图;
图2为本申请实施例提供的一种基于支持向量机模型的散点图;
图3为本申请实施例提供的一种重度盐渍土盐分获取系统示意图;
图4为本申请实施例提供的一种重度盐渍土盐分获取装置的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种重度盐渍土盐分获取方法的流程示意图,参见图1,所述方法包括:
S101,分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值。
获取实测盐分数据和无人机拍摄的多光谱遥感图像,将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值,提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
野外实测时间选择春季或秋季返盐期,分析待测区地表土壤的实际盐分情况,选取具有代表性的盐渍化较为严重的区域为研究区。在研究区内均匀布设采样点,采用EC110便携式盐分计(仪器在使用前已经对电导率进行了温度校正)对10cm土壤表层的盐分值进行测定,并通过手持GPS定位仪测定各个采样点的实地坐标,同时记录方位、地形等环境因素信息,同步获取无人机遥感图像。
采用大疆Matrice 600六旋翼无人机(中国深圳市大疆创新科技有限公司生产,飞行载重为6Kg,无风环境下最大飞行水平飞行速度为65Km/h)搭载Parrot Sequoia农业专用多光谱相机(含有四个120万像素窄带和同步化单色传感器)获取研究区无人机多光谱遥感图像。相机传感器含有绿光(波长550nm,带宽40nm)、红光(波长660nm,带宽40nm)、红边光(波长735nm,带宽10nm)和近红外光(波长790nm,带宽40nm)4个波段。根据GPS记录的每个采样点的位置信息,控制无人机在研究区上方50m高度,分辨率在2.2cm左右,连续实时获取与区域实测同时期的多光谱遥感图像。
具体飞行过程如下:
1)设置地面站的参数;2)对该研究区进行飞行航线规划;3)无人机白板辐射校正;4)清除路障、无人机准备启动上升;5)无人机上升高度达至50米后,在研究区进行航拍;6)根据设定好的无人机航拍路线飞行,进行等间距航拍;7)航拍完成,无人机返回起始点,准备降落;8)完成整次无人机飞行航拍。
利用无人机图像特定的拼接软件Pix4D mapper将Sequoia多光谱相机拍摄的无人机多光谱遥感图像进行拼接,得到完整的区域正射数据图像,对拼接完成的图像进行几何精校正、图像裁剪等预处理(该步骤在ENVI软件中利用Seamless mosic工具完成),以校正几何变形,得到研究区的假彩色合成波段图像。
在ENVI 5.3中将野外实测的采样点按其GPS经纬度信息导入研究区的假彩色合成波段图像,利用Pixel locator工具,确定其相应像元,并提取该像元的各波段反射率值。
S102,通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量。
将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段。波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合。根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
具体地,将采样点土壤盐分实测值与图像各波段反射率进行灰色关联度分析。对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。灰色关联度可以将多种因素视为一个灰色系统,评价各个因素之间相互关联性。因素的关联度越大,二者的相似程度越高。支持向量机所有操作使用Excel函数及其“分析数据库”工具完成。
灰色关联度方法具体过程如下:
将实测盐分数据与各波段反射率值导入Excel,制作原始数据表格,将实测盐分数据作为数列A,波段反射率值作为数列B、C。
采用均值化变换对原始数据无量纲化,即分別求出各个数列数据的平均值,再用平均值去除对应数列中的各个原始数据,所得到的商为新的数据列,即均值化数列D、E。
求实测盐分数据数列A与均值化数列D、E的绝对差,在Excel中利用“ABS($Ai-Di)”、“ABS($Ai-Ei)”得到,i为第i行。
求所有数据区最大值和最小值,使用公式:“=MAX($D$1:$E$j)”和“=MIN($D$1:$E$j)”,数据从第1行开始,第j行结束。
计算与均值化数列间的关联系数。利用公式“ξi=(MAX+ρMIN)/(Xi+ρMIN)”计算Xi对X0的关联系数ξi,式中ρ为分辨系数,ρ∈[0,1],一般取ρ=0.5;
计算关联度,关联系数是均值化数列与实测盐分数据数列在各个时刻(即曲线中的各点)的关联程度值,其数值不止一个,有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值,即平均值,作为比较数列与参考数列间关联程度的数量表示。
具体过程如下:
获取ξi的平均值和标准差。关联度=平均值±标准差。
进一步地,基于灰色关联度分析筛选土壤盐分的敏感波段为绿光、红光以及近红波段;进而进行多波段数学运算组合构建的光谱指数包括红光波段加近红波段、红光波段乘以绿光波段、红边波段加近红波段加绿光波段、红光波段除以绿光波段、(绿光波段减红边波段)/(绿光波段加红边波段)等多种形式。再利用灰色关联度分析优选光谱参量,根据关联系数选择红光波段加近红波段、红光波段乘以近红波段、红光波段除以绿光波段三个光谱指数与红光、绿光波段作为光谱参量共同参与模型的构建。表1为筛选的光谱参量与土壤盐分含量的灰色关联度指数。
表1光谱参量与土壤盐分含量的灰色关联度指数
S103,采用支持向量机构建盐渍土盐分估测模型。
将全部实测盐分数据分为建模样本集与验证样本集。基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
具体地,将所述全部采样点随机分为建模样本集(约总样本2/3)与验证样本集(约总样本1/3)。基于建模样本集,以筛选的5个光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机(SVM)构建土壤盐分估测模型。SVM是一种机器学习算法,与传统的数学算法存在本质上的不同。SVM以核函数为构成模块,隐式地将数据映射到高维空间来增加学习机的计算能力。本文设定SVM类型为4(即v-SVR),核函数类型为2(即RBF),采用训练集交叉验证和网格搜索法(grid search)进行参数寻优,依据均方差最小原则确定惩罚参数C和RBF核参量g的值;相关计算采用Matlab R2014a软件的libsvm3.11工具箱实现。构建支持向量机模型具体过程如下:
建模样本集与验证样本集数据进行归一化处理;归一化处理后的数据可以解决因不同的输人或输出参数在数值上的数量级差别并提高模型运算的速率与准确率。
核函数参数初始化并优选惩罚因子c和参数系数g。由于c和g对核函数的性能产生很大影响并影响模型的回归精度,因此要对参数进行寻优。将原始数据进行分组,形成训练集和验证集,利用训练集进行分类器训练,并利用验证集评价分类器性能指标,进而通过交叉训练的方式确定c和g。
建立回归估测模型,检验与验证模型。
进一步地,基于验证样本数据对所建模型进行检验,验证与评价参数如下:建模精度采用建模集的预测值和实际值的决定系数(R2)和均方根误差(root mean squareserror,RMSE)进行评价;预测精度采用验证集R2、RMSE和相对分析误差(relativeprediction deviation,RPD)来评价。
在本实施例中,综合建模精度与验证精度建立的SVM模型,其建模精度R2为0.820,RMSE为3.626;验证精度为0.773,RMSE为4.960,RPD为2.200。图2是基于支持向量机模型的散点图,可见预测值与实测值之间呈现良好的线性关系,大部分样本较好地分布在1:1线的两侧,表明该模型具有较高的土壤盐分定量估测精度。
S104,根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中获得每个像元的盐分估测值。对待测区土壤盐分进行空间分布反演,获得待测区的土壤盐分。
一个示意性实施例,将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中求得每个像元的盐分估测值,进行待测区土壤盐分的空间分布反演。假设据此模型反演得到该区土壤盐分含量为0.32~21.2g/kg,平均值为6.87g/kg(如表2所示),表3为待测区土壤盐分等级及其比例,其中,重度盐渍土达到58.09%,中、重度盐渍土达到83.56%,区域土壤盐渍化程度普遍较高,与实际情况一致。
表2土壤样本统计特征值
表3待测区土壤盐分等级及其比例
由上述实施例可知,本实施例提供了一种重度盐渍土盐分获取方法,通过人工实测的盐分数据和无人机拍摄的多光谱遥感图像,采用灰色关联度法确定光谱参量,然后采用支持向量机建立出盐渍土盐分估测模型。利用盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,可以快速获取重度盐渍土的盐分数据。
与上述实施例提供的一种重度盐渍土盐分获取方法相对应,本申请还提供了一种重度盐渍土盐分获取系统的实施例。参见图3,所述重度盐渍土盐分获取系统20包括:第一获取模块201、确定模块202、模型构建模块203和第二获取模块204。
第一获取模块201,用于分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值。确定模块202,用于通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量。模型构建模块203,用于采用支持向量机构建盐渍土盐分估测模型。第二获取模块204,用于根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
一个示意性实施例,所述第一获取模块201包括:获取单元、预处理单元和提取单元。
获取单元,用于获取实测盐分数据和无人机拍摄的多光谱遥感图像。预处理单元,用于将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值。提取单元,用于提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
所述确定模块202包括:敏感波段筛选单元、光谱指数构建单元和光谱参量确定单元。
敏感波段筛选单元,用于将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段。光谱指数构建单元,用于波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合。光谱参量确定单元,用于根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
所述模型构建模块203包括:数据划分单元和模型构建单元。
数据划分单元,用于将全部实测盐分数据分为建模样本集与验证样本集。模型构建单元,用于基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
所述第二获取模块204包括:第二获取单元和第三获取单元。
第二获取单元,用于将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中获得每个像元的盐分估测值。第三获取单元,用于对待测区土壤盐分进行空间分布反演,获得待测区的土壤盐分。
参见图4,本申请实施例还提供了一种重度盐渍土盐分获取装置。如图4所示,重度盐渍土盐分获取装置30包括:处理器301、存储器302和通信接口303。
在图4中,处理器301、存储器302和通信接口303可以通过总线相互连接;总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器301通常是控制装置30的整体功能,例如控制器的启动、以及控制器启动后对待测点盐分数据获取、构建盐渍土盐分估测模型、进行空间分布反演获得待测区的土壤盐分等。此外,处理器301可以是通用处理器,例如,中央处理器(英文:central processingunit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。处理器也可以是微处理器(MCU)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(ASIC),可编程逻辑器件(PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(CPLD),现场可编程逻辑门阵列(FPGA)等。
存储器302被配置为存储计算机可执行指令以支持装置30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
启动装置30后,处理器301和存储器302上电,处理器301读取并执行存储在存储器302内的计算机可执行指令,以完成上述的重度盐渍土盐分获取方法实施例中的全部或部分步骤。
通信接口303用于装置30传输数据,例如实现与无人机的数据通信。通信接口303包括有线通信接口,还可以包括无线通信接口。其中,有线通信接口包括USB接口、MicroUSB接口,还可以包括以太网接口。无线通信接口可以为WLAN接口,蜂窝网络通信接口或其组合等。
在一个示意性实施例中,本申请实施例提供的装置30还包括电源组件,电源组件为装置30的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为装置30生成、管理和分配电力相关联的组件。
通信组件,通信组件被配置为便于装置30和其他设备之间有线或无线方式的通信。装置30可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在一个示意性实施例中,装置30可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、处理器或其他电子元件实现。
本申请说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于系统及装置实施例而言,由于其中的方法基本相似于方法的实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然,上述说明也并不仅限于上述举例,本申请未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制,如来替代,本申请仅结合并参照优选的实施方式进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨,也应属于本申请的权利要求保护范围。
Claims (10)
1.一种重度盐渍土盐分获取方法,其特征在于,所述方法包括:
分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值;
通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量;
采用支持向量机构建盐渍土盐分估测模型;
根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
2.根据权利要求1所述的方法,其特征在于,所述分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值、采样点实测盐分数据和采样点在多光谱遥感图像中对应的像元波段反射率值,包括:
获取实测盐分数据和无人机拍摄的多光谱遥感图像;
将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值;
提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
3.根据权利要求2所述的方法,其特征在于,所述通过灰色关联度法分析样点实测盐分数据与其在多光谱遥感图像中对应的像元波段反射率值的关系,并对像元波段进行筛选,以确定光谱参量,包括:
将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段;
波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合;
根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
4.根据权利要求3所述的方法,其特征在于,所述采用支持向量机构建盐渍土盐分估测模型包括:
将全部实测盐分数据分为建模样本集与验证样本集;
基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分,包括:
将预处理后图像所有像元的光谱参量值带入土壤盐分含量估测模型中获得每个像元的盐分估测值;
对待测区土壤盐分进行空间分布反演,获得待测区的土壤盐分。
6.一种重度盐渍土盐分获取系统,其特征在于,所述系统包括:
第一获取模块,用于分别获取无人机拍摄的多光谱遥感图像中的各波段反射率值和实测盐分数据对应的实测采样点在所述多光谱遥感图像中对应的象元的波段反射率值;
确定模块,用于通过灰色关联度法将所述多光谱遥感图像中的各波段反射率值与所述实测采样点在所述多光谱遥感图像中对应的象元的波段反射率值进行筛选,以确定光谱参量;
模型构建模块,用于采用支持向量机构建盐渍土盐分估测模型;
第二获取模块,用于根据所述盐渍土盐分估测模型进行重度盐渍土待测区土壤盐分的空间分布反演,获取所述重度盐渍土待测区的土壤盐分。
7.根据权利要求6所述的系统,其特征在于,所述第一获取模块包括:
获取单元,用于获取实测盐分数据和无人机拍摄的多光谱遥感图像;
预处理单元,用于将所述多光谱遥感图像进行预处理获得合成波段图像,其中所述合成波段图像中包含图像波段反射率值;
提取单元,用于提取所述实测采样点在所述波段图像中对应像元的各波段反射率值。
8.根据权利要求7所述的系统,其特征在于,所述确定模块包括:
敏感波段筛选单元,用于将实测盐分数据与图像波段反射率进行灰色关联度分析,筛选敏感波段,选取的敏感波段为绿光波段、红光波段和近红波段;
光谱指数构建单元,用于波段组合构建土壤盐分光谱指数,所述光谱指数包括:红光波段和近红波段相加、红光波段和绿光波段相乘、红光波段和绿光波段相除、红边波段加近红波段加绿光波段、绿光波段减去红边波段后除以绿光波段与红边波段的组合;
光谱参量确定单元,用于根据灰色关联度筛选光谱参量,所述光谱参量包括:红光波段和近红波段相加、红光波段和近红波段相乘、红光波段和绿光波段相除、红光波段和绿光波段。
9.根据权利要求8所述的系统,其特征在于,所述模型构建模块包括:
数据划分单元,用于将全部实测盐分数据分为建模样本集与验证样本集;
模型构建单元,用于基于建模样本集,以筛选的光谱参量为自变量,以土壤盐分含量实测值为因变量,采用支持向量机构建土壤盐分估测模型,并获得建模精度。
10.一种重度盐渍土盐分获取装置,其特征在于,包括:
处理器;
存储器,用于存储计算机可执行指令;
当所述处理器执行所述计算机可执行指令时,所述处理器执行权利要求1-5任一项所述的重度盐渍土盐分获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552198.9A CN109342337A (zh) | 2018-12-19 | 2018-12-19 | 一种重度盐渍土盐分获取方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552198.9A CN109342337A (zh) | 2018-12-19 | 2018-12-19 | 一种重度盐渍土盐分获取方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109342337A true CN109342337A (zh) | 2019-02-15 |
Family
ID=65304524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811552198.9A Pending CN109342337A (zh) | 2018-12-19 | 2018-12-19 | 一种重度盐渍土盐分获取方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109342337A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN111413279A (zh) * | 2020-03-31 | 2020-07-14 | 长光禹辰信息技术与装备(青岛)有限公司 | 多光谱探测的视频处理方法、装置及多光谱探测终端 |
CN111783288A (zh) * | 2020-06-19 | 2020-10-16 | 青岛农业大学 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
CN111879709A (zh) * | 2020-07-15 | 2020-11-03 | 中国科学院空天信息创新研究院 | 湖泊水体光谱反射率检验方法及装置 |
CN111879915A (zh) * | 2020-08-04 | 2020-11-03 | 北京师范大学 | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 |
CN113008806A (zh) * | 2021-03-02 | 2021-06-22 | 农业农村部环境保护科研监测所 | 一种农产品产地重金属空间分布确定方法 |
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
CN113125383A (zh) * | 2021-04-19 | 2021-07-16 | 遥相科技发展(北京)有限公司 | 基于遥感的农耕用地次生盐渍化监测和预警方法和系统 |
CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
CN114037905A (zh) * | 2021-11-08 | 2022-02-11 | 珠江水利委员会珠江水利科学研究院 | 一种基于星地协同的河口区水表盐度遥感反演方法及系统 |
CN115326138A (zh) * | 2022-08-18 | 2022-11-11 | 河海大学 | 一种基于土表温度识别的盐碱地盐分分析方法 |
CN117664874A (zh) * | 2023-11-23 | 2024-03-08 | 中山大学 | 一种基于空天地结合的河口地区咸潮上溯监测方法及系统 |
CN115326138B (zh) * | 2022-08-18 | 2024-07-02 | 河海大学 | 一种基于土表温度识别的盐碱地盐分分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
CN108680509A (zh) * | 2018-08-17 | 2018-10-19 | 山东农业大学 | 一种滨海盐渍区土壤盐分含量估算方法 |
CN108956485A (zh) * | 2018-07-26 | 2018-12-07 | 昆山小茶智能科技有限公司 | 基于冠层反射光谱的茶树营养状况快速诊断方法 |
-
2018
- 2018-12-19 CN CN201811552198.9A patent/CN109342337A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
CN108956485A (zh) * | 2018-07-26 | 2018-12-07 | 昆山小茶智能科技有限公司 | 基于冠层反射光谱的茶树营养状况快速诊断方法 |
CN108680509A (zh) * | 2018-08-17 | 2018-10-19 | 山东农业大学 | 一种滨海盐渍区土壤盐分含量估算方法 |
Non-Patent Citations (8)
Title |
---|
亓呈明,胡立栓著: "《机器学习智能计算与高光谱遥感影像分类应用研究》", 31 May 2018, 中国财富出版社 * |
刘丽艳等: "基于支持向量机回归的农产品物流需求预测", 《科技创新导报》 * |
唐海涛等: "玉米杂交种灌浆期穗下第一茎节抗折特性灰色关联度分析", 《西南农业学报》 * |
应剑烈等: "基于v-SVR的短期电力负荷预测", 《东北电力大学学报》 * |
梁静 等: "基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算", 《土壤学报》 * |
焦芳婵等: "烤烟主要化学成分与香气质的灰色关联度分析", 《作物研究》 * |
苏涛主编: "《遥感原理与应用》", 30 September 2015, 煤炭工业出版社 * |
陈刚 著: "《我国商业银行信用风险的度量与评估研究》", 30 November 2013, 知识产权出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN111413279A (zh) * | 2020-03-31 | 2020-07-14 | 长光禹辰信息技术与装备(青岛)有限公司 | 多光谱探测的视频处理方法、装置及多光谱探测终端 |
CN111413279B (zh) * | 2020-03-31 | 2023-04-07 | 长光禹辰信息技术与装备(青岛)有限公司 | 多光谱探测的视频处理方法、装置及多光谱探测终端 |
CN111783288B (zh) * | 2020-06-19 | 2022-12-02 | 青岛农业大学 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
CN111783288A (zh) * | 2020-06-19 | 2020-10-16 | 青岛农业大学 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
CN111879709A (zh) * | 2020-07-15 | 2020-11-03 | 中国科学院空天信息创新研究院 | 湖泊水体光谱反射率检验方法及装置 |
CN111879709B (zh) * | 2020-07-15 | 2023-05-30 | 中国科学院空天信息创新研究院 | 湖泊水体光谱反射率检验方法及装置 |
CN111879915A (zh) * | 2020-08-04 | 2020-11-03 | 北京师范大学 | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 |
CN113008806A (zh) * | 2021-03-02 | 2021-06-22 | 农业农村部环境保护科研监测所 | 一种农产品产地重金属空间分布确定方法 |
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
CN113125383A (zh) * | 2021-04-19 | 2021-07-16 | 遥相科技发展(北京)有限公司 | 基于遥感的农耕用地次生盐渍化监测和预警方法和系统 |
CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
CN114037905A (zh) * | 2021-11-08 | 2022-02-11 | 珠江水利委员会珠江水利科学研究院 | 一种基于星地协同的河口区水表盐度遥感反演方法及系统 |
CN115326138A (zh) * | 2022-08-18 | 2022-11-11 | 河海大学 | 一种基于土表温度识别的盐碱地盐分分析方法 |
CN115326138B (zh) * | 2022-08-18 | 2024-07-02 | 河海大学 | 一种基于土表温度识别的盐碱地盐分分析方法 |
CN117664874A (zh) * | 2023-11-23 | 2024-03-08 | 中山大学 | 一种基于空天地结合的河口地区咸潮上溯监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109342337A (zh) | 一种重度盐渍土盐分获取方法、系统及装置 | |
CN104867180B (zh) | 一种集成uav与lidar的森林林分特征反演方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN103810376B (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
CN109212505B (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
Lu et al. | Mapping vegetation biophysical and biochemical properties using unmanned aerial vehicles-acquired imagery | |
Zhang et al. | Forest biomass mapping of northeastern China using GLAS and MODIS data | |
Jawak et al. | Improved land cover mapping using high resolution multiangle 8-band WorldView-2 satellite remote sensing data | |
Nyström et al. | Prediction of tree biomass in the forest–tundra ecotone using airborne laser scanning | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
CN109427091A (zh) | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 | |
He et al. | Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China | |
CN110530901A (zh) | 融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法 | |
Revuelto et al. | Light and shadow in mapping alpine snowpack with unmanned aerial vehicles in the absence of ground control points | |
Maltamo et al. | Large-scale prediction of aboveground biomass in heterogeneous mountain forests by means of airborne laser scanning | |
Karl et al. | A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
CN115877421A (zh) | 一种输电通道地质敏感区的形变检测方法及装置 | |
Yang et al. | Forest canopy height mapping over China using GLAS and MODIS data | |
Liu et al. | Evaluating the potential of multi-view data extraction from small Unmanned Aerial Systems (UASs) for object-based classification for Wetland land covers | |
Nikoloudakis et al. | Spatial interpolation of urban air temperatures using satellite-derived predictors | |
Peng et al. | Study on atmospheric correction approach of Landsat-8 imageries based on 6S model and look-up table | |
Niedzielski et al. | Automated snow extent mapping based on orthophoto images from unmanned aerial vehicles | |
Sanhouse-García et al. | Land use mapping from CBERS-2 images with open source tools by applying different classification algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |