CN111783288B - 基于Landsat8对黄河三角洲土壤盐分的反演方法 - Google Patents
基于Landsat8对黄河三角洲土壤盐分的反演方法 Download PDFInfo
- Publication number
- CN111783288B CN111783288B CN202010567384.0A CN202010567384A CN111783288B CN 111783288 B CN111783288 B CN 111783288B CN 202010567384 A CN202010567384 A CN 202010567384A CN 111783288 B CN111783288 B CN 111783288B
- Authority
- CN
- China
- Prior art keywords
- soil
- model
- remote sensing
- reflectivity
- correlation
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Remote Sensing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
基于Landsat8对黄河三角洲土壤盐分的反演方法,具体步骤如下:S1:土壤盐分数据的采集和获取;S2:遥感影像数据的获取和处理;S3:提取计算Landsat8 OLI影像的各波段反射率数据;S4:对各波段做相应的lg(R)、1/R变化后,对遥感的反射率和变换后的遥感反射率分别与土壤含盐量进行相关分析,初步筛选敏感波段;S5:对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型;S6:将上述建立的最佳预测模型应用到研究区Landsat8遥感影像上,得到Landsat8土壤盐分含量遥感反演图。本发明利用反演模型反演土壤含盐量并进行描述性统计分析,与实测土壤含盐量进行比对,发现含盐量基本一致,说明反演模型精度较高,稳定性较好。
Description
【技术领域】
本发明提供涉及一种反演方法,具体涉及一种基于Landsat8对黄河三角洲土壤盐分的反演方法。
【背景技术】
土壤盐渍化是指在干旱,半干旱地区,由于地下水位的抬高,土壤水面蒸发量大于地下水补给而产生的盐分聚积的现象。我国土壤盐渍化现象严重,盐渍土面积约为l.0x108ha,其中残积盐渍土最高,高达45%,现代盐渍土次之,浅在盐渍土最少。其中滨海盐渍土主要位于我国东部及南海沿海地区[18],海岸线全长18000多公里,从南到北跨越维度24度。
黄河三角洲地区是典型的滨海盐渍化区域,土壤盐分是制约该地区粮食产量和品质的主要原因,因此及时准确的获取土壤盐分含量,对于改善该地区土壤品质,增加该地区粮食作物产量,增加农民收入,实现区域农业的可持续发展具有极其重要的意义。
传统的土壤盐分信息获取主要通过实地采用调查的方法,随着遥感技术的发展和应用,利用遥感技术提取盐分经历了基于卫星影像对土壤盐分的定性分类,发展到基于高光谱和近地多光谱对土壤盐分的定量估算[12,13]。张同瑞[14]等通过实测高光谱数据和该研究区OLI影像数据结合的方法,分别进行相关分析和回归分析,最终选取最优模型为以SAVI为因变量的线性模型,能更准确及时获取黄河三角洲地区冬小麦种植区土壤盐分;买买买提.沙吾提[15]也同样利用WorldView-2影像和实测高光谱数据相结合的方法,分别采用偏最小二乘回归和BP神经网络方法定量反演新疆克里雅河流域土壤盐分含量,其中利用BP神经网络模型建立的模型R2高达0.851,能够更加准确的估算预测该地区的土壤含盐量;赵庚星[16]等通过对多光谱OLI和高光谱HSI影像融合的方法,然后分别采用多元线性回归,偏最小二乘回归法,BP神经网络,支持向量机和随机森林的方法建立遥感反演模型,对黄河三角洲地区的土壤盐分进行反演。通过研究对比发现,采用BP神经网络方法构建的模型精度最高,模型R2高达0.966,模型能及时准确的获取该地区土壤盐分,而由于是暗箱模型,所以无法准确写出表达式,研究人员很难参考该类模型。
基于上述分析,目前对于黄河三角洲地区覆盖所有土地利用类型、种植作物的、易操作的遥感反演模型较为缺乏。
【发明内容】
针对上述问题,本发明提供一种基于Landsat8对黄河三角洲较大尺度的土壤盐分的反演方法,其利用Landsat8 OLI影像和实验室测定的土壤盐分含量为数据源,利用数理统计分析方法建立黄河三角洲地区土壤盐分含量估算模型,探索土壤盐分的敏感波段和最佳反演模型,为今后即使准确的获取该地区土壤含盐量提供一定的技术支持,并为黄河三角洲地区的土壤盐渍化治理、防治,国家新型之策以及可持续发展提供依据。
本发明是通过以下技术方案实现的,提供基于Landsat8对黄河三角洲土壤盐分的反演方法,其具体步骤如下:
S1:土壤盐分数据的采集和获取;S2:遥感影像数据的获取和处理;
S3:通过ArcGIS10.0软件提取计算Landsat8 OLI影像的各波段反射率数据;S4:通过对各波段做相应的lg(R)、1/R变化后,再通过SPSS软件对遥感的反射率和变换后的遥感反射率分别与土壤含盐量进行相关分析,初步筛选敏感波段;S5:通过SPSS软件对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型,检验是否可以用各波段反射率的变化值与土壤含盐量进行模型建立;
S6:针对对数变换和倒数变换后的遥感影像数据,分别建立土壤盐分遥感反演模型,用于将该单一方法变换后建立的遥感影像数据模型和混合两种方法变换后建立的遥感影像数据模型进行比较,分析不同数据变换对模型精度的影响;
S7:将上述建立的最佳预测模型应用到研究区Landsat8遥感影像上,得到Landsat8土壤盐分含量遥感反演图。
特别的,于本步骤S1,为了使采样点能准确反映研究区的实际情况,需要综合考虑研究区域的土壤类型、植被类型、土地利用方式等因素,其具体通过以下方法实现:S11:先进行网格布点,然后根据土地利用类型以及道路通达情况进行调整,共布置了样点86个,在每个样点周围用铁锹采集3-6处土壤,采集深度为0-20cm然后混合均匀;取1kg-2kg装入塑料袋,贴好标签,并且记录样点的坐标、采样时间、天气状况、土地利用类型、种植类型等信息;
S12:将采集后的土壤样品在室内晾晒,在晾干完成后对草根进行挑选,然后对土样进行研磨过1mm筛,将其放入广口瓶中进行保存,以便进行后续实验;
S13:将S12获得的土壤采用电导率法测定,具体方法如下:按照重量土水比为1:5取适量的土样和蒸馏水放入玻璃试管,震荡5分钟,然后过滤取其滤清液,用电导仪测定电导率,测定出电导率后,根据电导率和土壤盐分之间的关系公式进行换算,获得土壤盐分数据,具体换算公式如下:
S=3.047EC1:5-0.493(r=0.981**,p<0.001),式中,S指土壤盐分含量,g/kg;EC1:5指1:5土水比土壤浸提液电导率,ms/c。
特别的,所述步骤S2具体通过以下方法实现:从美国国家航空航天局网站获取覆盖研究区的Landset8卫星的OLI数据,并根据垦利县的地形图进行几何校正,校正使用二次多项式纠正模型和最邻近像元重采样方法,误差控制在一个像元内,该项工作利用Envi5.1软件完成,从自然资源管理部门获取研究区矢量边界,在ArcGIS 10.0平台软件中对所校正后的遥感影像进行裁剪,裁出垦利县研究区的遥感影像。
特别的,所述步骤S3具体通过以下方法实现:本步骤中关键在于土壤采样点对应遥感影像的光谱值的提取,在ArcGIS10.0软件中,用“extrct value to point”功能,根据土壤样点的坐标位置,提取样点对应的影像每一个波段栅格值,作为土壤样点对应的遥感反射率。
特别的,步骤S4的主要目的是分析和筛选哪些遥感波段或者变换后的波段光谱值形式和土壤含盐量具有密切的联系,通过相关分析发现,各波段光谱值和盐分相关性很低,说明未变化的各个波段的遥感光谱值对土壤盐分敏感度较低,因此需要对遥感光谱值做相应的数学变化,包括倒数变化(1/R),对数变化(lgR),对变换后的波段光谱与土壤盐分相关分析,发现相关性得到了提高,遥感数据和土壤盐分之间具有极其显著的相关性,其具体通过以下方法实现:
S41:用ArcGIS10.0对提取的样点的遥感光谱值做相应的数学变换,包括倒数变化,对数变化;
S42:利用SPSS软件对土壤盐分与影像各波段光谱值和变换后的光谱值形式进行相关分析,得到采样点盐分与各波段光谱值及其变换形式之间的相关关系,衡量两个或两组及以上具备相关性的变量之间的密切程度用到了相关系数,相关系数用Pearson简单相关系数法,相关系数的绝对值越大,相关性越强,相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱。
特别的,所述步骤S5具体通过以下方法实现:
S51:根据S4初步筛选出的遥感变量,通过SPSS软件对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型;
S52:对建立的模型进行检验,首先进行方差齐性检验(即F检验),当sig<0.01,说明通过检验,进行回归分析时有效的;然后再进行精度检验,检验模型的精度和稳定性以便后期选取精度更好,稳定性更高的模型。检验方程的精度,采用决定系数(即R2)、均方根误差(即RMSE),R2越大,RMSE越小,模型精度越高,稳定性越好。
特别的,所述步骤S6具体通过以下方法实现:
S61:首先根据S4初步筛选出的敏感遥感变量,先通过SPSS软件对从遥感数据获得的各波段反射率的对数lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表;
S62:对建立的模型进行检验,F为8.452,sig为0.005,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.304,均方根误差为6.23;
S63:根据S4初步筛选出的敏感遥感变量,通过SPSS软件对从遥感数据获得的各波段反射率的倒数1/R与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表;
S64:对建立的模型进行检验,F为7.89,sig为0.006,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.295,均方根误差为6.25;
S65:比较几种不同的模型精度发现,基于各波段反射率的倒数1/R和对数lg(R)的混合遥感模型精度最高,最好的模型是Y1=59.94-43.71*Log(B5)+7105.37*1/(B11),可以用于黄河三角洲地区的土壤盐分反演监测。
本发明提供的基于Landsat8对黄河三角洲土壤盐分的反演方法,利用Landsat8OLI影像反演黄河三角洲地区土壤含盐量,选取光谱反射率、光谱反射率的倒数、光谱反射率的对数3个光谱指标,与土壤含盐量数据进行相关性分析,筛选出相关性最高的光谱指标,用达到显著性相关水平的波段进行多元线性回归分析,建立回归模型。结果表明:OLI影像的B5、B11均与实测土壤含盐量达到显著性相关水平,以倒数变换最明显;利用第5波段的倒数变换的数值与土壤含盐量建立回归模型,基本能够满足预测(R2为0.081,RMSE为6.229)。利用反演模型反演土壤含盐量并进行描述性统计分析,与实测土壤含盐量进行比对,发现含盐量基本一致,说明反演模型精度较高,稳定性较好。
【具体实施方式】
本发明利用Landsat8 OLI影像和实验室测定的土壤盐分含量为数据源,利用数理统计分析方法建立黄河三角洲地区土壤盐分含量估算模型,探索土壤盐分的敏感波段和最佳反演模型,为今后即使准确的获取该地区土壤含盐量提供一定的技术支持,并为黄河三角洲地区的土壤盐渍化治理、防治,国家新型之策以及可持续发展提供依据。
本发明提供基于Landsat8对黄河三角洲土壤盐分的反演方法具体方法如下:
S1:土壤盐分数据的采集和获取,为了使采样点能准确反映研究区的实际情况,需要综合考虑研究区域的土壤类型、植被类型、土地利用方式等因素,其具体通过以下方法实现:
S11先进行网格布点,然后根据土地利用类型以及道路通达情况进行调整,共布置了样点86个,在每个样点周围用铁锹采集3-6处土壤,采集深度为0-20cm然后混合均匀;取1kg-2kg装入塑料袋,贴好标签,并且记录样点的坐标、采样时间、天气状况、土地利用类型、种植类型等信息;
S12将采集后的土壤样品在室内晾晒,在晾干完成后对草根进行挑选,然后对土样进行研磨过1mm筛,将其放入广口瓶中进行保存,以便进行后续实验;
S13将S12获得的土壤采用电导率法测定,具体方法如下:按照重量土水比为1:5取适量的土样和蒸馏水放入玻璃试管,震荡5分钟,然后过滤取其滤清液,用电导仪测定电导率,测定出电导率后,根据电导率和土壤盐分之间的关系公式进行换算,获得土壤盐分数据,具体换算公式如下:
S=3.047EC1:5-0.493(r=0.981**,p<0.001),式中,S指土壤盐分含量,g/kg;EC1:5指1:5土水比土壤浸提液电导率,ms/c;于S13中对导出的数据用K-S检验是否符合正态分布,对于不符合正态分布的需要预处理,使其符合正态分布,可以在一定程度上提高模型的精度。
S2:遥感影像数据的获取和处理,其具体通过以下方法实现:从美国国家航空航天局网站获取覆盖研究区的Landset8卫星的OLI数据,并根据垦利县的地形图进行几何校正,校正使用二次多项式纠正模型和最邻近像元重采样方法,误差控制在一个像元内,该项工作利用Envi5.1软件完成,从自然资源管理部门获取研究区矢量边界,在ArcGIS 10.0平台软件中对所校正后的遥感影像进行裁剪,裁出垦利县研究区的遥感影像。
S3:通过ArcGIS10.0软件提取计算Landsat8 OLI影像的各波段反射率数据,其具体通过以下方法实现:本步骤中关键在于土壤采样点对应遥感影像的光谱值的提取,在ArcGIS10.0软件中,用“extrct value to point”功能,根据土壤样点的坐标位置,提取样点对应的影像每一个波段栅格值,作为土壤样点对应的遥感反射率,获得各波段反射率的lg(R)。
S4:通过对各波段做相应的lg(R)、1/R变化后,再通过SPSS软件对遥感的反射率和变换后的遥感反射率分别与土壤含盐量进行相关分析,初步筛选敏感波段,该步骤的主要目的是分析和筛选哪些遥感波段或者变换后的波段光谱值形式和土壤含盐量具有密切的联系,通过相关分析发现,各波段光谱值和盐分相关性很低,说明未变化的各个波段的遥感光谱值对土壤盐分不敏感,因此需要对遥感光谱值做相应的数学变化,包括倒数变化(1/R),对数变化(lgR),对变换后的波段光谱与土壤盐分相关分析,发现相关性得到了提高,遥感数据和土壤盐分之间具有极其显著的相关性,其具体通过以下方法实现:
S41:用ArcGIS10.0对提取的样点的遥感光谱值做相应的数学变换,包括倒数变化,对数变化;
S42:利用SPSS软件对土壤盐分与影像各波段光谱值进行相关分析,得到采样点盐分与各波段光谱值及其变换形式之间的相关关系,结果如表1所示,衡量两个或两组及以上具备相关性的变量之间的密切程度用到了相关系数,相关系数主要有Pearson简单相关系数、Kendall tua-b一致性相关系数和spearman等简单相关系数法,本发明采用Pearson简单相关系数,相关系数R的绝对值越大,相关性越强,相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱。
表1
由表1发现,相关系数绝对值最大为0.14,最小为0,相关系数都接近0,因此相关关系极弱,说明各波段光谱对盐分反射率低,不敏感,因此要想通过影像建立遥感反演模型需要对光谱反射率做相应的数学变化,包括倒数变化(1/R),对数变化(log(R)),通过对各波段做相应的lg(R)、1/R变化后,再通过SPSS软件对变换后的光谱反射率与土壤含盐量进行相关分析,获得相关系数表2。
表2
注:**代表在0.01水平上显著相关,*代表在0.05水平上显著相关
由表2可知,OLI影像各波段1/R、lg(R)与土壤含盐量之间的相关关系可以看出,经过变换后的土壤光谱反射率与土壤盐分之间的相关系数整体提高,相关关系更密切;在倒数变化中,Pearson相关系数(R)绝对值最大为0.304,最小为0;在对数变化中,Pearson相关系数(R)绝对值最大为0.295,最小为0;在P<0.01水平上,经过1/R、lg(R)变化后,在B5、B11两个波段,OLI影像各波段1/R,lg(R)与土壤含盐量呈显著相关,在倒数变化中,显著相关系数分别为-0.304、-0.238,在对数变化中,显著相关系数分别为0.295,0.239;
在研究中发现,通过对土壤盐分高光谱数据进行一定的数学变化,可以突出曲线敏感位置,有利于土壤含盐量与光谱反射率的相关关系,进一步增强影像对土壤盐分的定量反演,因此本研究我们对OLI影像各波段光谱反射率进行倒数和对数的变化,使波段的光谱反射率提高,进而相关性显著。通过相关系数大小和是否显著,我们筛选出影像的第5波段(B5)和第11波段(B11)的对数变换值、倒数变换值,作为下一步建立遥感反演模型的遥感波段敏感变量。
S5:通过SPSS软件对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型,并获得模型的方差和系数检验表,检验是否可以用各波段反射率的变化值与土壤含盐量进行模型构建,其具体通过以下方法实现:
S51:根据S4初步筛选出的敏感遥感变量,先通过SPSS软件对从遥感数据获得的各波段反射率的对数lg(R)、倒数1/R与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表3。
表3
t统计量是检验系数显著性的;sig值是t统计量对应的概率值,所以t和sig两者是等效的,看sig就够了。sig值要求小于给定的显著性水平,一般是0.05、0.01等,sig越接近于0越好;由表3可得sig都接近于0,所以结果可以接受;
根据表3写出方程的表达式,如下式(1):
Y1=59.94-43.71*Log(B5)+7105.37*1/(B11) (1)
其中Log(B5)为第5波段反射率对数变换值;1/(B11)为第11波段反射率倒数变换值。
S52:对建立的模型进行检验,首先进行方差齐性检验(即F检验),获得表4,当sig<0.05,说明通过检验,进行回归分析时有效的;然后再进行精度检验,检验模型的精度和稳定性以便后期选取精度更好,稳定性更高的模型。检验方程的精度,模型的建模精度和稳定性采用决定系数(即R2)、均方根误差(即RMSE),R2越大,RMSE越小,模型精度越高,稳定性越好。
表4
由表4得到F为4.757,sig为0.011,sig<0.05,模型通过F检验,进行回归分析是有效的;模型的决定系数为0.322,均方根误差为6.227。
S6:针对对数变换和倒数变换后的遥感影像数据,分别建立了土壤盐分遥感反演模型,用于将该单一方法变换后建立的遥感影像数据模型和混合两种方法变换后建立的遥感影像数据模型进行比较,分析不同数据变换对模型精度的影响。
S61:首先根据S4初步筛选出的敏感遥感变量,先通过SPSS软件对从遥感数据获得的各波段反射率的对数lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表5。
表5
常量和变量的sig值均小于给定的0.01,接近于0;说明模型的系数可以接受;根据表5写出方程的表达式,如下式(2):
Y2=112.19-54.08*Log(B5) (2)
其中Log(B5)为第5波段反射率对数变换值。
S62:对建立的模型进行检验,F为8.452,sig为0.005,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.304,均方根误差为6.23。
S63:再根据S4初步筛选出的敏感遥感变量,通过SPSS软件对从遥感数据获得的各波段反射率的倒数1/R与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表6。
表6
常量和变量的sig值均小于给定的0.05,说明模型的系数可以接受,符合要求;根据表5写出方程的表达式,如下式(3):
Y3=-17.99+2193.07*1/(B11) (3)
其中1/(B11)为第11波段反射率倒数变换值。
S64:对建立的模型进行检验,F为7.89,sig为0.006,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.295,均方根误差为6.25。
S65:比较几种不同的模型精度发现,基于各波段反射率的倒数1/R和对数lg(R)的混合遥感模型精度最高,最好的模型是Y1=59.94-43.71*Log(B5)+7105.37*1/(B11)。可以用于黄河三角洲地区的土壤盐分反演监测。
S7:将上述建立的预测模型应用到研究区Landsat8遥感影像上,得到Landsat8土壤盐分含量遥感反演图,并对土壤含盐量描述性统计分析,获得表7。
研究区表层土壤含盐量具有明显的空间分布差异,且分级明显。<1g/kg的土壤面积为37.5平方千米,所占比例为1.6%,为非盐化土地,1-2g/kg的土壤面积为156.14平方千米,所占比例为6.7%,为轻盐化土地,2-4g/kg的土壤面积为672.87平方千米,为中盐化土地,4-6g/kg的土地面积为580.36平方千米,为重盐化土地,>6g/kg的土地面积为884.131平方千米,为依旧盐化土地。反演图中颜色越浅,代表的土壤含盐量越高。由此可以看出土壤含盐量随距离渤海的增加,土壤含盐量逐渐减少。东北及沿海地区的土壤含盐量最高,为依旧盐化土壤,所占面积为884.131平方千米,所占比列为37.93%;再往内陆为重盐化土壤,土壤面积为580.36平方千米,所占比列为24.9%;最靠内陆地区为中盐化土壤,672.87平方千米,所占比列为6.7%。
表7
由表6可知,实测值与反演值相差不大,由此可见本发明提供的反演方法可以应用于土壤盐分含量的测量中,可以大大节约人力与时间。
本发明以Lansat8光谱反射率与土壤含盐量进行相关分析,选取相关性显著的波段作为敏感波段,然后再利用敏感波段与实测土壤含盐量进行回归分析,建立多元线性回归模型,实现对垦利县土壤含盐量空间分布的反演。结果表明:利用OLI影像可较好的反演研究区土壤含盐量的空间分布格局,研究区含盐量具有明显的空间分布差异性,表现为自东向西,盐分含量逐步减少;离黄河越近,土壤含盐量越少;离海越远,土壤含盐量越少;东部沿海地区受海水影像,地下水矿化度相对较高,积盐强烈,土壤含盐量高;东北部自然保护区由于缺少人为的开放利用,植被覆盖率低,土壤含盐量高。土壤含盐量的空间变异性较大,出现空间差异性的主要原因主要是由地形、气候、土壤成土母质、地貌等自然因素导致。
研究区土壤含盐量的OLI影像敏感光谱的波段为B5(845-885nm)、B11(11500-12510nm),其中B5波段为最佳波段。对波段进行倒数变换、对数变换,分别进行相关分析,可明显改善其与含盐量的相关性,其中以倒数变换的最为明显。利用统计学的方法建立多元线性回归模型,基于决定系数越大越好,均方根误差越小越好的原则选取最佳模型,最终选择了Y1=59.94-43.71*Log(B5)+7105.37*1/(B11),首先对模型的系数进行t检验,其中P=0.001,在P<0.01水平上达到了统计意义上的显著性水平;再对模型进行精度检验。对研究区土壤含盐量具有较好的预测能力,其中R2为0.322,均方根误差为6.229,模型精度较好,稳定性较高。
于本发明于步骤S2中,Landsat 8是Landsat系列中最新的卫星,其包括OLI陆地成像仪包括9个波段和TIRS包括2个单独的热红外波段。OLI影像的一个重要优势是调整了Band5,排除了0.825μm处水汽吸收特征,这样就可以极大的减少大气吸收对数据的影响。此外还有两个新增的波段,第一个是用于海岸线监测的蓝波段;另一个是用于云监测的短波红外波段。
Claims (1)
1.基于Landsat8对黄河三角洲土壤盐分的反演方法,其特征在于,其具体步骤如下:
S1:土壤盐分数据的采集和获取,所述步骤S1具体通过以下方法实现:
S11:先进行网格布点,然后根据土地利用类型以及道路通达情况进行调整,共布置了样点86个,在每个样点周围用铁锹采集3-6处土壤,采集深度为0-20cm然后混合均匀;取1kg-2kg装入塑料袋,贴好标签,并且记录样点的坐标、采样时间、天气状况、土地利用类型、种植类型等信息;
S12:将采集后的土壤样品在室内晾晒,在晾干完成后对草根进行挑选,然后对土样进行研磨过1mm筛,将其放入广口瓶中进行保存,以便进行后续实验;
S13:将S12获得的土壤采用电导率法测定,具体方法如下:按照重量土水比为1:5取适量的土样和蒸馏水放入玻璃试管,震荡5分钟,然后过滤取其滤清液,用电导仪测定电导率,测定出电导率后,根据电导率和土壤盐分之间的关系公式进行换算,获得土壤盐分数据,具体换算公式如下:
S=3.047EC1:5-0.493,r=0.981***,p<0.001,式中,S指土壤盐分含量,g/kg;EC1:5指1:5土水比土壤浸提液电导率,ms/c;
S2:遥感影像数据的获取和处理,所述步骤S2具体通过以下方法实现:从美国国家航空航天局网站获取覆盖研究区的Landset8卫星的OLI数据,并根据垦利县的地形图进行几何校正,校正使用二次多项式纠正模型和最邻近像元重采样方法,误差控制在一个像元内,该项工作利用Envi5.1软件完成,从自然资源管理部门获取研究区矢量边界,在ArcGIS 10.0平台软件中对所校正后的遥感影像进行裁剪,裁出垦利县研究区的遥感影像;
S3:通过ArcGIS10.0软件提取计算Landsat8 OLI影像的各波段反射率数据,所述步骤S3具体通过以下方法实现:本步骤中关键在于土壤采样点对应遥感影像的光谱值的提取,在ArcGIS10.0软件中,用“extrct value to point”功能,根据土壤样点的坐标位置,提取样点对应的影像每一个波段栅格值,作为土壤样点对应的遥感反射率;
S4:通过对各波段做相应的lg(R)、1/R变化后,再通过SPSS软件对遥感的反射率和变换后的遥感反射率分别与土壤含盐量进行相关分析,初步筛选敏感波段所述步骤S4具体通过以下方法实现:
S41:用ArcGIS10.0对提取的样点的遥感光谱值做相应的数学变换,包括倒数变化,对数变化;
S42:利用SPSS软件对土壤盐分与影像各波段光谱值和变换后的光谱值形式进行相关分析,得到采样点盐分与各波段光谱值及其变换形式之间的相关关系,衡量两个或两组及以上具备相关性的变量之间的密切程度用到了相关系数,相关系数用Pearson简单相关系数法,相关系数的绝对值越大,相关性越强,相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱;
S5:通过SPSS软件对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型,检验是否可以用各波段反射率的变化值与土壤含盐量进行模型建立,所述步骤S5具体通过以下方法实现:
S51:根据S4初步筛选出的遥感变量,通过SPSS软件对各波段反射率的1/R、lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,建立回归模型;
S52:对建立的模型进行检验,首先进行F检验,当sig<0.01,说明通过检验,进行回归分析时有效的;然后再进行精度检验,检验模型的精度和稳定性以便后期选取精度更好,稳定性更高的模型,检验方程的精度,采用决定系数、均方根误差,决定系数越大,均方根误差越小,模型精度越高,稳定性越好;
S6:针对对数变换和倒数变换后的遥感影像数据,分别建立土壤盐分遥感反演模型,用于将单一方法变换后建立的遥感影像数据模型和混合两种方法变换后建立的遥感影像数据模型进行比较,分析不同数据变换对模型精度的影响,所述步骤S6具体通过以下方法实现:
S61:首先根据S4初步筛选出的敏感遥感变量,先通过SPSS软件对从遥感数据获得的各波段反射率的对数lg(R)与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表;
S62:对建立的模型进行检验,F为8.452,sig为0.005,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.304,均方根误差为6.23;
S63:根据S4初步筛选出的敏感遥感变量,通过SPSS软件对从遥感数据获得的各波段反射率的倒数1/R与步骤S1获得的土壤含盐量进行多元线性回归分析,得到模型的系数检验表;
S64:对建立的模型进行检验,F为7.89,sig为0.006,sig<0.01,说明模型通过检验,模型是有效的;模型的决定系数为0.295,均方根误差为6.25;
S65:比较几种不同的模型精度发现,基于各波段反射率的倒数1/R和对数lg(R)的混合遥感模型精度最高,最好的模型是Y1=59.94-43.71*Log(B5)+7105.37*1/(B11),可以用于黄河三角洲地区的土壤盐分反演监测;
S7:将上述建立的最佳预测模型应用到研究区Landsat8遥感影像上,得到Landsat8土壤盐分含量遥感反演图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567384.0A CN111783288B (zh) | 2020-06-19 | 2020-06-19 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
LU500138A LU500138B1 (de) | 2020-06-19 | 2021-05-07 | Landsat8-basierte Inversionsverfahren für den Bodensalzgehalt im Delta des Gelben Flusses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567384.0A CN111783288B (zh) | 2020-06-19 | 2020-06-19 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783288A CN111783288A (zh) | 2020-10-16 |
CN111783288B true CN111783288B (zh) | 2022-12-02 |
Family
ID=72757435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567384.0A Active CN111783288B (zh) | 2020-06-19 | 2020-06-19 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111783288B (zh) |
LU (1) | LU500138B1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011372B (zh) * | 2021-04-01 | 2022-08-09 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
CN113435640B (zh) * | 2021-06-24 | 2022-07-26 | 中国科学院东北地理与农业生态研究所 | 预测苏打盐碱地水稻主要生育期不同耕层土壤原位ec的方法 |
CN114062439B (zh) * | 2021-11-18 | 2022-08-23 | 浙江大学 | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
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 |
CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、系统及装置 |
CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
-
2020
- 2020-06-19 CN CN202010567384.0A patent/CN111783288B/zh active Active
-
2021
- 2021-05-07 LU LU500138A patent/LU500138B1/de active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
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 |
CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、系统及装置 |
CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
Non-Patent Citations (8)
Title |
---|
"Prediction of soil salinity with soil-reflected spectra A comparison of two regression methods";Xiaoguang Zhang et al.;《Scientific Reports》;20190325;第1-8页 * |
"不同土壤电导率测量方法对土壤盐渍化表征的影响";张晓光等;《青岛农业大学学报(自然科学版)》;20191231;第36卷(第1期);第56-60页 * |
"基于LandSat8影像的耕地盐渍土含盐量反演模型";王洋洋;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20170515(第05期);第11-23页 * |
"基于电磁感应仪的黄河三角洲地区土壤盐分时空变异特征";姚荣江等;《农业工程学报》;20080331;第24卷(第3期);第107-113页 * |
"基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测";郑曼迪等;《江苏农业学报》;20181231;第34卷(第5期);第1048-1056页 * |
"黄河三角洲典型盐渍区遥感监测研究";李潭潭;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20180415(第04期);第11-42页 * |
"黄河三角洲垦利县10a土壤盐分时空变化研究";张晓光等;《人民黄河》;20190430;第41卷(第4期);第64-68页 * |
王洋洋."基于LandSat8影像的耕地盐渍土含盐量反演模型".《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》.2017,(第05期),第11-23页. * |
Also Published As
Publication number | Publication date |
---|---|
LU500138B1 (de) | 2022-01-06 |
CN111783288A (zh) | 2020-10-16 |
LU500138A1 (de) | 2021-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783288B (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
Wang et al. | Mapping soil organic matter based on land degradation spectral response units using Hyperion images | |
Kong et al. | Quantitative estimation of biomass of alpine grasslands using hyperspectral remote sensing | |
Fitzgerald et al. | Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture | |
Castaldi et al. | Assessing the capability of Sentinel-2 time-series to estimate soil organic carbon and clay content at local scale in croplands | |
Naguib et al. | Analysis of NDVI and NDRE Indices Using Satellite Images for Crop Identification at Kelantan | |
Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
Ardakani et al. | Monitoring of organic matter and soil salinity by using IRS-LissIII satellite data in the Harat plain, of yazd province. | |
MH Yossif | Change detection of land cover and salt affected soils at Siwa Oasis, Egypt | |
Didi et al. | Mapping of soil salinity using the Landsat 8 image and direct field measurements: A case study of the tadla plain, Morocco | |
Wallace et al. | Spectral discrimination and mapping of waterlogged cereal crops in Western Australia | |
Yadav et al. | Estimation of soil moisture through water cloud model using sentinel-1A SAR data | |
AU2021100533A4 (en) | Soil salinity at Yellow River Delta Inversion Method based on Landsat 8 | |
Shahid et al. | Mapping and Monitoring of Soil Salinization Remote Sensing, GIS, Modeling, Electromagnetic Induction and Conventional Methods–Case Studies | |
Tola et al. | Determining soil organic carbon concentration in agricultural fields using a handheld spectroradiometer: implication for soil fertility measurement. | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Wolfgramm et al. | Spatial assessment of erosion and its impact on soil fertility in the Tajik foothills | |
Al-Ali et al. | Potionential of Spectral Indices for Halophyte Vegetation Cover Detection in Arid and Salt-Affected Landscape | |
Novák et al. | Assessment of Soil Variability of South Moravian Region Based on the Satellite Imagery | |
Rajath et al. | Soil salinity mapping using multisensor data employing machine-learning technique: a case study from indo-gangetic plain | |
Putra et al. | Comparison of soil physical properties and soil-vegetation indices to predict rice productivity in Malang Regency of East Java. | |
Gopi et al. | Indirect Method of Identifying Fluoride (F) Affected Soil | |
Wang et al. | A novel spectral linear transformation to estimate non-photosynthetic vegetation coverage in North Asian Steppe | |
Qiao et al. | Observation and Geoinformation | |
Chen et al. | An attempt to monitor seasonal dynamics of soil salinization in the Yellow River Delta region of China using Landsat data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |