CN112213287A - 基于遥感卫星影像的沿海滩涂盐度反演的方法 - Google Patents
基于遥感卫星影像的沿海滩涂盐度反演的方法 Download PDFInfo
- Publication number
- CN112213287A CN112213287A CN202011414313.3A CN202011414313A CN112213287A CN 112213287 A CN112213287 A CN 112213287A CN 202011414313 A CN202011414313 A CN 202011414313A CN 112213287 A CN112213287 A CN 112213287A
- Authority
- CN
- China
- Prior art keywords
- beach
- salinity
- salt content
- inversion
- model
- 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.)
- Granted
Links
Images
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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- 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
- G01N2021/1793—Remote sensing
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Processing (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种该基于遥感卫星影像的沿海滩涂盐度反演的方法,具体步骤为:S1选取数据源,获取影像数据;同时获取待研究区的采样滩涂含盐量数据;S2对步骤S1中的影像数据进行预处理;S3结合步骤S2预处理后的影像数据和步骤S1中获取的待研究区的采样滩涂含盐量数据提取采样点波段反射率和盐分指数数值;S4对影响因子与滩涂盐分数据的相关性进行分析,确定构建滩涂含盐量综合反演模型的变量因子;S5根据步骤S4中获得的变量因子,再构建基于多元回归模型的滩涂含盐量综合反演模型;S6滩涂含盐量综合反演模型的验证。实现了计算和预测出一块滩涂不同位置的含盐量,有助于后期开发利用,节约了人工成本且提高了采集效率。
Description
技术领域
本发明涉及一种遥感技术领域,特别涉及一种基于遥感卫星影像的沿海滩涂盐度反演的方法。
背景技术
沿海滩涂,是沿海大潮高潮位与低潮位之间的潮浸地带,在地貌学上称为“潮间带”,由于潮汐的作用,滩涂有时被水淹没,有时又露出水面,其上部经常露出水面,其下部则经常被水淹没。滩涂是中国重要的后备土地资源,具有面积大、分布集中、区位条件好、农牧渔业综合开发潜力大的特点。向陆方向发展,通过围垦、引淡洗盐,可较快形成农牧渔业畜产用地;向海方向发展,可进一步成为开发海洋的前沿阵地。
传统的土壤盐分测定一般需要野外定点挖掘、土钻法和透度计等侵入式土壤剖面采样,然后将采集的样品进行室内实验分析,该方法费时费力、成本高,且无法全面获取数据。遥感具有波段多、信息量丰富、范围广等技术优势,能很好弥补传统方法的不足,为大面积动态实时监测土壤盐化状况提供可能。大多数学者在纯土壤和纯海域盐度反演方面做了较多的研究,而对于沿海滩涂的盐度反演研究颇少,利用免费的遥感卫星影像进行波段组合、指数计算等手段反演盐度的方法更少。
在土壤盐度反演方面,主要是从获取的多光谱、高光谱、雷达等遥感影像中提取有用的信息,采用建模的思路对土壤盐分进行反演。一些学者通过Aster影像、Landsat TM/ETM/OLI影像、Hyperion高光谱数据、无人机多光谱遥感数据等源数据进行光谱特征指标的选择、反演方法的比较和反演模型的适用性3个方面研究土壤盐度。原始反射光谱常常受到干扰,往往不能直接反应出光谱与土壤盐分含量间的关系,因此实际中采用原始光谱的变换形式作为反应土壤盐分变化的光谱特征指数,变换形式包括光谱形状特征参数的数学运算和光谱指数两大类。
在海域盐度反演方面,一般采用间接法和直接法。间接法是基于特定海域盐度与某些光敏感性物质的关系,建立遥感反演模型。直接法主要利用盐度敏感波段通过微分光谱技术、海表辐射模型、多元统计回归模型等获得盐度与光谱数据的关系。学者们选用Landsat ETM/OLI影像、MERIS影像、MODIS影像、TIRS传感器、Sentine1-3 OLCI、高分一号WFV以及Aster影像等源数据,研究不同的影响因子建立模型并探讨模型的精度,也有直接采用卫星盐度计进行海表盐度反演。
波段选择方面,土壤盐度反演敏感波段包括Aster影像可见光近红外波段、短波红外波段、波段1/2/3,Landsat5 TM影像第4/5/7波段等,Landsat5 TM影像第4/5/7波段反射率、NDVI、EVI和DEM与土壤含盐量相关性较强,大疆M600型六旋翼无人机搭载的MCA多光谱相机引入了敏感波段组B3/B5/B6、光谱指数组SI-T/TVI/EVI2/SRVI/NDVI、8个全变量组作为输入变量,通过4种不同的回归方法的比较,得到基于光谱指数的随机森林方法效果最好。海域盐度反演敏感波段包括Landsat8 OLI和TIRS传感器波段组合B1-B3,MERIS传感器发出的可见光前9个波段,Landsat8 OLI洪季反演模型利用443nm(BAND1)、561nm(BAND3)波段,Sentinel-3 OLCI枯季反演模型利用442.5nm(BAND1)、510nm(BAND2)波段,洪季反演模型利用442.5nm(BAND1)、560nm(BAND3)波段,高分一号WFV2洪季反演模型利用557nm、676nm波段,高分一号WFV4洪季反演模型利用550nm、696nm波段,MODIS枯季反演模型利用469nm、555nm波段,洪季反演模型利用443nm、555nm波段。
作为敏感因子的影响元素包括有:地表波谱反射率、盐分指数、植被指数、DEM、总氮、总磷、温度、叶绿素a、悬浮颗粒物等,其中,Aster遥感影像在451.42nm至593.79nm波长范围内的土壤反射率对土壤盐分含量较为敏感;Landsat TM影像第4/5/7波段反射率、NDVI、DEM与含盐量相关性较强;无人机传感器的光谱指数SI-T(盐分指数)、TVI(三角形植被指数)、EVI2(增强性植被指数2)、SRVI(土壤调节植被指数)、NDVI(植被指数)这5个光谱指数组与土壤全盐量有较大相关性;Landsat ETM遥感影像的温度(第6波段-热红外波段)和总氮含量(季节性较强:春夏秋季节,为ETM的B1和B2波段)与海域盐度的变化密切相关。
构建反演模型的方法大多使用统计学方法。除了传统的直线回归、指数回归、多元逐步回归以外,偏最小二乘回归分析法、BP神经网络、支持向量机等其他高级统计和机器学习方法也被广泛应用于土壤盐分的反演。海面盐度反演大多基于深度学习(DNN)、核岭回归(KRR)和支持向量回归(SVR)、多元线性回归、BP神经网络、基于多因子参数的随机森林反演等模型。
但目前,由于部分遥感影像源数据下载收费,不具有公开性;同时相关领域的技术均针对土壤和海域两个单一方面的盐度反演,目前尚未有基于遥感影像的沿海滩涂盐度反演技术。同时由于土壤和海域的盐度反演模型多种多样,有的涉及敏感因子较多,有时会出现过拟合现象,导致反演模型精度不高;有的敏感因子较少,更不容易准确反演。且构建反演模型的方法大多使用统计学方法,通过不断地机器学习和高级统计进行盐度反演,有时虽能得到精度较高的模型,但又因土地覆盖、土地利用模式、土壤湿度、地下水埋深、土壤类型等不同区域的不同,计算的模型并不适用于所有区域。
因此,由于人工采集滩涂含盐量耗时耗力,且不利于某区域整个滩涂的含盐量提取,有必要开发一种基于遥感卫星影像的沿海滩涂盐度反演的方法,能够构建有可行性精度高的沿海滩涂盐度反演的模型,从而对一块研究区不同位置的沿海滩涂含盐量进行精准的计算和预测。
发明内容
本发明要解决的技术问题是提供一种基于遥感卫星影像的沿海滩涂盐度反演的方法,能够构建有可行性精度高的沿海滩涂盐度反演的模型,从而对一块研究区不同位置的沿海滩涂含盐量进行精准的计算和预测。
为了解决上述技术问题,本发明采用的技术方案是:该基于遥感卫星影像的沿海滩涂盐度反演的方法,具体包括以下步骤:
S1:选取数据源,获取影像数据;同时获取待研究区的采样滩涂含盐量数据;
S2:对所述步骤S1中的影像数据进行预处理;
S3:结合步骤S2预处理后的影像数据和步骤S1中获取的待研究区的采样滩涂含盐量数据提取采样点波段反射率和盐分指数数值;
S4:对影响因子与滩涂盐分数据的相关性进行分析,确定构建滩涂含盐量综合反演模型的变量因子,并构建多元回归模型;
S5:根据步骤S4中获得的变量因子,再构建基于多元回归模型的滩涂含盐量综合反演模型;
S6:滩涂含盐量综合反演模型的验证,利用滩涂含盐量遥感反演模型的公式计算得出多个验证样本与第二待研究区的滩涂含盐量的预测值,并进行回归模型的精度验证;
所述步骤S3中通过构建地表波谱反射率反演模型获得采样点波段反射率,所述地表波谱反射率反演模型构建的方法为:对所述影像数据进行预处理后,提取采样点各波段地表真实反射率值,通过双变量公式计算得到实测滩涂含盐量和地表波谱反射率之间的关系,获得对滩涂盐分响应敏感的波段,获得地表波谱反射率敏感因子;利用滩涂采样点含盐量与地表波谱反射率之间的函数表达式获得统计结果,构建地表波谱反射率反演模型。采用上述技术方案,通过构建的滩涂含盐量综合反演模型对待研究区的遥感卫星影像数据中的采样点的滩涂含盐量数据进行计算和预测,实现了计算和预测出一块滩涂不同位置的含盐量,有助于后期开发利用, 避免了人工采集滩涂含盐量的耗时耗力,节约了人工成本,且提高了采集效率。其中对滩涂盐分响应敏感的波段即该波段与含盐量相关系数较高,NIR波段相关系数为0.979,大于0.5,且显著性Sig值为0.021,在0.01~0.05范围内,表示差异性显著,NIR波段较为敏感;而其他的6个波段相关系数均小于0.5,且显著性Sig值均大于0.05,表示差异性不显著,其他波段不敏感。(说明:相关系数的绝对值一般在0.8以上,认为A与B有强相关性;0.3~0.8之间,认为A与B有弱的相关性;0.3以下,认为没有相关性。不同的试验项目有不同的规定,应该分别对待。该技术方案中以0.5为界限,且以Sig显著性值为辅助,进行判断其敏感性)。
作为本发明的优选技术方案,所述步骤S1中的数据源为Landsat8 OLI遥感影像;所述步骤S2中对所述步骤S1中的影像数据进行预处理包括:辐射校正、大气校正和裁剪,大气校正后的波段为1-7个波段。
本发明进一步改进在于,所述步骤S3中利用遥感影像波段的组合在待研究区监测滩涂盐分,获取盐分指数;再利用曲线估计回归模型获得待研究区采样点的滩涂含盐量与盐分指数之间的关系,构建盐分指数与待研究区的滩涂含盐量之间的反演模型。
作为本发明的优选技术方案,所述步骤S4的具体步骤为:
S41筛选变量因子:根据地表波谱反射率敏感因子、反射率、盐分指数筛选构建滩涂含盐量综合反演模型的变量因子;
S42构建多元回归模型:将若干个滩涂样本根据含盐量由高到低的顺序排列,从排序后的若干个滩涂样本中间隔选取作为验证样本用于模型的验证,将选出验证样本后剩余的若干个滩涂样本分成多个组,用于构建滩涂含盐量综合回归预测模型。
作为本发明的优选技术方案,所述步骤S5具体步骤为:将滩涂含盐量作为因变量,将影像波段、盐分指数分别作为自变量X1,X2;将因变量和自变量代入多元回归模型,采用多元线性回归分析方法,建立滩涂含盐量和自变量之间的回归关系,经过所述多元回归模型进行拟合获得复相关系R、判定系数R2、调整的决定系数R2、回归模拟的Sig值和回归系数,从而获得待研究区滩涂含盐量遥感反演综合模型为:S=AX1 2+BX2 2+C;其中S为滩涂含盐量,A、B、C均为常数。
作为本发明的优选技术方案,所述步骤S6的具体步骤为:将所述验证样本的数据和所述第二待研究区利用待研究区滩涂含盐量遥感反演综合模型的公式S=AX1 2+BX2 2+C,得出所述验证样本和所述第二待研究区的滩涂含盐量的预测值,并进行多元回归模型精度验证,根据滩涂含盐量的预测值和滩涂含盐量的实测值之间的一致性指数据值IA,判断该滩涂含盐量遥感反演综合模型的可行性。
作为本发明的优选技术方案,所述步骤S6还包括在判断滩涂含盐量遥感反演综合模型的可行性后通过与基于影像数据的滩涂含盐量综合反演结果进行比较,判断该滩涂含盐量遥感反演综合模型的精度。
与现有技术相比,该基于遥感卫星影像的沿海滩涂盐度反演的方法具有以下优点:通过构建的滩涂含盐量综合反演模型对待研究区的遥感卫星影像数据中的采样点的滩涂含盐量数据进行计算和预测,实现了计算和预测出一块滩涂不同位置的含盐量,有助于后期开发利用, 避免了人工采集滩涂含盐量的耗时耗力,节约了人工成本,且提高了采集效率;此外,该滩涂含盐量综合反演模型的出现,也为人工采集滩涂含盐量提供便利,基于影像的滩涂盐度反演,既不影响环境,也没有人工现场干预,较为真实。
附图说明
图1为本发明的基于遥感卫星影像的沿海滩涂盐度反演的方法的流程图;
图2为本发明的中基于遥感卫星影像的沿海滩涂盐度反演的方法的待研究区即兵房港沿海滩涂的影像数据图;
图3为本发明的中基于遥感卫星影像的沿海滩涂盐度反演的方法的第二待研究区即洋口港沿海滩涂的影像数据图;
图4为本发明的基于遥感卫星影像的沿海滩涂盐度反演的方法的待研究区的样本点沿海滩涂盐量的预测值和真实值1:1的对比图;
图5为本发明的基于遥感卫星影像的沿海滩涂盐度反演的方法的中步骤S6中用于分析综合反演模型精度的基于地统计学的研究区滩涂含盐量分布图;
图6为本发明的基于遥感卫星影像的沿海滩涂盐度反演的方法的待研究区的验证样本沿海滩涂盐量的预测值和真实值1:1的对比图。
具体实施方式
下面将结合本发明的实施例图中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
实施例1:如图1~6所示,该基于遥感卫星影像的沿海滩涂盐度反演的方法,具体包括如下步骤:
S1:选取数据源,获取影像数据;同时获取待研究区的采样滩涂含盐量数据;所述步骤S1中的数据源为Landsat8 OLI遥感影像;可以直接从地理空间数据云(http://www.gscloud.cn/)下载影像数据;Landsat8 OLI影像覆盖11个波段数据,陆地成像仪(OLI)包括9个波段,热红外传感器(TIRS)包括2个热红外波段;影像数据选取原则是影像清晰无噪声、云量少,影像成像时间与滩涂采样时间尽可能接近,以确保采样点含盐量与影像上的光谱有最好的对应关系;因此经过层层筛选,最终选取Landsat8 OLI影像,影像的波段介绍如下表1所示;
表1 Landsat8 OLI波段介绍
S2:对所述步骤S1中的影像数据进行预处理;Landsat 遥感数据预处理包括:辐射校正、大气校正和裁剪,大气校正后的波段为1-7个波段,裁剪后的研究区如下图2和图3所示,分别为待研究区兵房港沿海滩涂和第二研究区洋口镇沿海滩涂;
S3:结合步骤S2预处理后的影像数据和步骤S1中获取的待研究区的采样滩涂含盐量数据提取采样点波段反射率和盐分指数数值;
S31:通过构建地表波谱反射率反演模型获得采样点波段反射率,所述地表波谱反射率反演模型构建的方法为:对所述影像数据进行预处理后,通过ArcGIS软件的“多值提取至点”工具进行提取采样点各波段地表真实反射率值,通过双变量公式计算得到实测滩涂含盐量和地表波谱反射率之间的关系,获得对滩涂盐分响应敏感的波段,获得地表波谱反射率敏感因子;利用滩涂采样点含盐量与地表波谱反射率之间的函数表达式获得统计结果,构建地表波谱反射率反演模型;其中对滩涂盐分响应敏感的波段即该波段与含盐量相关系数较高,较为敏感,其他均小于0.5;
S311地表波谱反射率:对待研究区影像预处理后,利用ArcGIS10.1软件Spatial
Analyst工具栏中的“多点提取至点”工具实现提取采样点各波段的地表真实反射率值;通
过SPSS Statistics 17软件中Pearson双变量相关公式计算,公式为:;研究出实测滩涂含盐量和地表波谱反射率之间的关系,
获得对滩涂盐分响应敏感的波段5,为NIR近红外波段,滩涂含盐量与该波段显著相关,其相
关系数为0.979,Sig值为0.021,小于0.05,具有显著性意义,故用NIR波段的地表波谱反射
率来构建滩涂含盐量反演模型;
S312反演模型:根据上述获得的地表波谱反射率敏感因子即响应敏感的波段5记为Band5(NIR),对待研究区滩涂采样点含盐量与地表波谱反射率之间的函数表达式通过SPSS软件中的曲线估计模块计算得出,表2为采用不同的建模因子在全样本下的统计结果,即模型表达式与拟合系数统计结果表;
表2 模型表达式与拟合系数统计结果
经过上述处理和分析发现,基于线性和非线性曲线模型构建原始波段与研究区滩涂含盐量之间的反演模型,从表1可以看出,基于二次函数的Band5波段拟合效果最好(R2=0.716),综合研究经验,若R2大于0.3,则认为对盐分信息敏感,因此,待研究区原始波段Band5对盐分敏感,适合构建研究区滩涂含盐量反演模型;
S32盐分指数反演模型构建:所述步骤S3中利用遥感影像波段的组合在待研究区监测滩涂盐分,获取盐分指数;再利用曲线估计回归模型获得待研究区采样点的滩涂含盐量与盐分指数之间的关系,构建盐分指数与待研究区的滩涂含盐量之间的反演模型;
S321盐分指数:可利用遥感影像波段的组合在研究区直接定量的监测滩涂盐分,用于评价滩涂盐度的盐分指数如下表3所示:
表3 用于评价滩涂盐度的盐分指数
注:B为蓝光波段反射率,G为绿光波段反射率,R为红色波段反射率,NIR为近红外波段反射率。
S322盐分指数反演模型:利用SPSS软件中的曲线估计回归模型(包括线性、对数、二次、三次、指数、Logistic函数)拟合研究区样点滩涂含盐量与盐分指数之间的关系,表4为采用不同的建模因子在全样本下的统计结果;
表4 模型表达式与拟合系数统计结果
基于曲线估计回归模型构建盐分指数与研究区滩涂含盐量之间的反演模型,从表3中可以看出,研究区滩涂含盐量与盐分指数之间仅盐分指数1(SI1)和盐分指数3(SI3)的Sig小于0.05,显著相关,且其判定系数R2大于0.3,因此,盐分指数1和盐分指数3对盐分敏感,适合构建研究区滩涂含盐量反演模型;
S4:对影响因子与滩涂盐分数据的相关性进行分析,确定构建滩涂含盐量综合反演模型的变量因子,并构建多元回归模型;即对3个影响因子与滩涂盐分数据的相关性进行分析,确定构建滩涂含盐量综合反演模型的2个变量因子,并构建多元回归模型;
S41筛选变量因子:根据地表波谱反射率敏感因子、反射率、盐分指数筛选构建滩涂含盐量综合反演模型的变量因子;
本发明的基于遥感卫星影像的沿海滩涂盐度反演的方法,以及前面利用单因子构建模型筛选出的敏感因子,综合考虑影像Band5的反射率及其变换形式,以及盐分指数1、盐分指数3来构建滩涂含盐量综合反演模型;滩涂含盐量与选定因子的相关性分析如表5所示:
表5 滩涂含盐量与选定因子的相关性分析
注:Sig在0.05水平(双侧)上显著相关;
从相关分析的结果来看,滩涂含盐量与影像第5波段反射率以及盐分指数3之间具有明显的相关性,相关性越高其建模的拟合效果越好;
S42构建多元回归模型:将若干个滩涂样本根据含盐量由高到低的顺序排列,从排序后的若干个滩涂样本中间隔选取作为验证样本用于模型的验证,将选出验证样本后剩余的若干个滩涂样本分成多个组,用于构建滩涂含盐量综合回归预测模型;
具体地,将20个滩涂样本按照含盐量由高到底的顺序排列,每隔4个选一个作为验证样本,共分为4组,一组4个用于构建滩涂含盐量综合回归预测模型;另外一组4个样本作为检验样本用于模型的检验。还有一个研究区的滩涂含盐量样本数据全部用于模型精度检验;
S5:根据步骤S4中获得的变量因子,再构建基于多元回归模型的滩涂含盐量综合反演模型;即根据步骤S4中获得的2个变量因子,再构建基于多元回归模型的滩涂含盐量综合反演模型;
将滩涂含盐量作为因变量,将影像波段、盐分指数分别作为自变量X1,X2;将因变量和自变量代入多元回归模型,采用多元线性回归分析方法,建立滩涂含盐量和自变量之间的回归关系,经过所述多元回归模型进行拟合获得复相关系R、判定系数R2、调整的决定系数R2、回归模拟的Sig值和回归系数,从而获得待研究区滩涂含盐量遥感反演综合模型为:S=AX1 2+BX2 2+C;其中S为滩涂含盐量,A、B、C均为常数;
在建立滩涂含盐量综合反演模型时,将滩涂含盐量作为因变量,影像第5波段、盐分指数3分别作为自变量X1,X2;在SPSS软件中,采用多元线性回归分析方法,建立滩涂含盐量和自变量之间的回归关系;通过对16个各采样点样本数据的2个自变量和相应的滩涂含盐量进行多元线性回归模拟,模型拟合概述结果见表6所示;
表6 模型拟合概述
表6为线性回归模型拟合概述表,其中R2为判定系数,说明了S所产生的变异的程度可以由X来解释,模型决定系数为0.718;
表7 方差分析表
表7为本次回归模拟的方差分析表,从表7中可以得出本次回归模拟的Sig值为0.00412,小于0.05,可以说明得出的结果的有效性;
表8 回归系数表
表8为本次模拟的回归系数表,最终得到研究区滩涂含盐量遥感反演模型如下:S=AX1 2+BX2 2+C,代入数据即为S=-0.006X1 2+0.019X2 2-4.822;
其中S为滩涂含盐量,可以看出基于研究区影像第5波段反射率Band5(NIR)、盐分指数3(SI3)构建的综合滩涂含盐量的遥感估算模型拟合优度相比单一反演模型更好;
S6:滩涂含盐量综合反演模型的验证,利用滩涂含盐量遥感反演模型的公式计算得出多个验证样本与第二待研究区的滩涂含盐量的预测值,并进行回归模型的精度验证;
S61滩涂含盐量综合反演模型验证:将所述验证样本的数据和所述第二待研究区利用待研究区滩涂含盐量遥感反演综合模型的公式S=AX1 2+BX2 2+C,得出所述验证样本和所述第二待研究区的滩涂含盐量的预测值,并进行多元回归模型精度验证,根据滩涂含盐量的预测值和滩涂含盐量的实测值之间的一致性指数据值IA,判断该滩涂含盐量遥感反演综合模型的可行性;
利用待研究区滩涂含盐量遥感反演综合模型的公式S=-0.006X1 2+0.019X2 2-4.822;将验证样本的数据和所述第二待研究区的数据代入,得出剩余4个验证样本和另一个研究区滩涂含盐量的预测值,并进行回归模型精度验证,检验结果如表9所示;
表9 多元回归模型精度检验表
同时从图4中可以看出滩涂含盐量实测值与预测值之间的一致性指数(IA)值达到0.715,说明两者之间具有较高的一致性;证明利用滩涂含盐量综合反演模型预测研究区滩涂盐分具有可行性;
S62综合反演模型精度分析:所述步骤S6还包括在判断滩涂含盐量遥感反演综合模型的可行性后通过与基于影像数据的滩涂含盐量综合反演结果进行比较,判断该滩涂含盐量遥感反演综合模型的精度;
将20个滩涂采样点盐分含量进行克里金插值分析得到基于地统计分析的滩涂盐分空间分布图,并将其分辨率重采样至30m,与基于影像的滩涂含盐量综合反演图进行比较,分析最优的预测精度;如图5为基于地统计学的研究区滩涂含盐量分布图;从图5中可以看出,研究区沿海滩涂靠近内陆部分含盐量低,靠近海域部分含盐量高,滩涂盐分从沿海向内陆部位逐渐降低;
用剩余的4个验证样本验证地统计模型的精度,表10为精度检验的结果;
表10 地统计模型精度检验表
同时从图6中可以看到滩涂含盐量实测值与预测值之间的一致性指数(IA)值达到0.625,说明两者之间具有较高的一致性;通过对比可知,滩涂含盐量综合反演模型一致性指数要高于地统计学插值预测研究区滩涂盐分;
本发明主要通过平均决定误差、均方根误差、一致性指数对回归模型和地统计学插值精度进行比较,如表11所示;
表11 预测精度对比
从表11可以看出,综合4个检验点的滩涂含盐量的反演值,本发明建立多元回归模型的平均绝对误差为0.551,均方根误差为0.024,一致性指数(IA)达到0.715,精度优于地统计学插值,证明了本发明建立的滩涂含盐量综合反演模型具有较好的精度,适合反演研究区沿海滩涂含盐量。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,具体包括以下步骤:
S1:选取数据源,获取影像数据;同时获取待研究区的采样滩涂含盐量数据;
S2:对所述步骤S1中的影像数据进行预处理;
S3:结合步骤S2预处理后的影像数据和步骤S1中获取的待研究区的采样滩涂含盐量数据提取采样点波段反射率和盐分指数数值;
S4:对影响因子与滩涂盐分数据的相关性进行分析,确定构建滩涂含盐量综合反演模型的变量因子,并构建多元回归模型;
S5:根据步骤S4中获得的变量因子,再构建基于多元回归模型的滩涂含盐量综合反演模型;
S6:滩涂含盐量综合反演模型的验证,利用滩涂含盐量遥感反演模型的公式计算得出多个验证样本与第二待研究区的滩涂含盐量的预测值,并进行回归模型的精度验证;
所述步骤S3中通过构建地表波谱反射率反演模型获得采样点波段反射率,所述地表波谱反射率反演模型构建的方法为:对所述影像数据进行预处理后,提取采样点各波段地表真实反射率值,通过双变量公式计算得到实测滩涂含盐量和地表波谱反射率之间的关系,获得对滩涂盐分响应敏感的波段,获得地表波谱反射率敏感因子;利用滩涂采样点含盐量与地表波谱反射率之间的函数表达式获得统计结果,构建地表波谱反射率反演模型。
2.根据权利要求1所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S1中的数据源为Landsat8 OLI遥感影像;所述步骤S2中对所述步骤S1中的影像数据进行预处理包括:辐射校正、大气校正和裁剪,大气校正后的波段为1-7个波段。
3.根据权利要求2所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S3中利用遥感影像波段的组合在待研究区监测滩涂盐分,获取盐分指数;再利用曲线估计回归模型获得待研究区采样点的滩涂含盐量与盐分指数之间的关系,构建盐分指数与待研究区的滩涂含盐量之间的反演模型。
4.根据权利要求3所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S4的具体步骤为:
S41筛选变量因子:根据地表波谱反射率敏感因子、反射率、盐分指数筛选构建滩涂含盐量综合反演模型的变量因子;
S42构建多元回归模型:将若干个滩涂样本根据含盐量由高到低的顺序排列,从排序后的若干个滩涂样本中间隔选取作为验证样本用于模型的验证,将选出验证样本后剩余的若干个滩涂样本分成多个组,用于构建滩涂含盐量综合回归预测模型。
5.根据权利要求4所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S5具体步骤为:将滩涂含盐量作为因变量,影像波段、盐分指数分别作为自变量X1,X2;将因变量和自变量代入多元回归模型,采用多元线性回归分析方法,建立滩涂含盐量和自变量之间的回归关系,经过所述多元回归模型进行拟合获得复相关系R、判定系数R2、调整的决定系数R2、回归模拟的Sig值和回归系数,从而获得待研究区滩涂含盐量遥感反演综合模型为:S=AX1 2+BX2 2+C;其中S为滩涂含盐量,A、B、C均为常数。
6.根据权利要求5所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S6的具体步骤为:将所述验证样本的数据和所述第二待研究区利用待研究区滩涂含盐量遥感反演综合模型的公式S=AX1 2+BX2 2+C,得出所述验证样本和所述第二待研究区的滩涂含盐量的预测值,并进行多元回归模型精度验证,根据滩涂含盐量的预测值和滩涂含盐量的实测值之间的一致性指数据值IA,判断该滩涂含盐量遥感反演综合模型的可行性。
7.根据权利要求6所述的基于遥感卫星影像的沿海滩涂盐度反演的方法,其特征在于,所述步骤S6还包括在判断滩涂含盐量遥感反演综合模型的可行性后通过与基于影像数据的滩涂含盐量综合反演结果进行比较,判断该滩涂含盐量遥感反演综合模型的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414313.3A CN112213287B (zh) | 2020-12-07 | 2020-12-07 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414313.3A CN112213287B (zh) | 2020-12-07 | 2020-12-07 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213287A true CN112213287A (zh) | 2021-01-12 |
CN112213287B CN112213287B (zh) | 2021-04-06 |
Family
ID=74067981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011414313.3A Active CN112213287B (zh) | 2020-12-07 | 2020-12-07 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213287B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949681A (zh) * | 2021-01-27 | 2021-06-11 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的盐渍土电导率估算方法 |
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 |
CN113408742A (zh) * | 2021-06-24 | 2021-09-17 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
CN113610813A (zh) * | 2021-08-10 | 2021-11-05 | 交通运输部天津水运工程科学研究所 | 一种基于高分辨率卫星影像的黑沙滩泥化度量化方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114279976A (zh) * | 2021-12-27 | 2022-04-05 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
CN114993268A (zh) * | 2022-04-13 | 2022-09-02 | 南京信息工程大学 | 结合CatBoost的水深反演方法、装置及存储介质 |
CN115841628A (zh) * | 2022-12-12 | 2023-03-24 | 中国水利水电科学研究院 | 一种高精度灌区耗水信息自动解译系统 |
CN116757099A (zh) * | 2023-08-18 | 2023-09-15 | 中国科学院南京土壤研究所 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
CN113534158B (zh) * | 2021-06-10 | 2024-06-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243773A (zh) * | 2019-07-09 | 2019-09-17 | 中国水利水电科学研究院 | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 |
CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
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 |
-
2020
- 2020-12-07 CN CN202011414313.3A patent/CN112213287B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243773A (zh) * | 2019-07-09 | 2019-09-17 | 中国水利水电科学研究院 | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 |
CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
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 |
Non-Patent Citations (2)
Title |
---|
张雅莉等: "基于Landsat8 OLI 影像光谱的土壤盐分估算模型研究", 《国土资源遥感》 * |
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》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949681A (zh) * | 2021-01-27 | 2021-06-11 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的盐渍土电导率估算方法 |
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 |
CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
CN113534158B (zh) * | 2021-06-10 | 2024-06-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
CN113408742A (zh) * | 2021-06-24 | 2021-09-17 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN113610813A (zh) * | 2021-08-10 | 2021-11-05 | 交通运输部天津水运工程科学研究所 | 一种基于高分辨率卫星影像的黑沙滩泥化度量化方法 |
CN113610813B (zh) * | 2021-08-10 | 2024-04-05 | 交通运输部天津水运工程科学研究所 | 一种基于高分辨率卫星影像的黑沙滩泥化度量化方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN114076738B (zh) * | 2021-11-22 | 2023-04-18 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114279976A (zh) * | 2021-12-27 | 2022-04-05 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
CN114279976B (zh) * | 2021-12-27 | 2023-09-19 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
CN114993268A (zh) * | 2022-04-13 | 2022-09-02 | 南京信息工程大学 | 结合CatBoost的水深反演方法、装置及存储介质 |
CN115841628B (zh) * | 2022-12-12 | 2023-09-19 | 中国水利水电科学研究院 | 一种高精度灌区耗水信息自动解译系统 |
CN115841628A (zh) * | 2022-12-12 | 2023-03-24 | 中国水利水电科学研究院 | 一种高精度灌区耗水信息自动解译系统 |
CN116757099A (zh) * | 2023-08-18 | 2023-09-15 | 中国科学院南京土壤研究所 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
CN116757099B (zh) * | 2023-08-18 | 2024-03-19 | 中国科学院南京土壤研究所 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112213287B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213287B (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
Bresciani et al. | Mapping phytoplankton blooms in deep subalpine lakes from Sentinel-2A and Landsat-8 | |
Vilas et al. | Neural network estimation of chlorophyll a from MERIS full resolution data for the coastal waters of Galician rias (NW Spain) | |
Farifteh et al. | Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN) | |
Mohammadi et al. | Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran | |
Worden et al. | Surface water detection in the Caucasus | |
Bao et al. | A regional-scale hyperspectral prediction model of soil organic carbon considering geomorphic features | |
Pu et al. | A protocol for improving mapping and assessing of seagrass abundance along the West Central Coast of Florida using Landsat TM and EO-1 ALI/Hyperion images | |
Abou Samra et al. | The development of an overlay model to predict soil salinity risks by using remote sensing and GIS techniques: a case study in soils around Idku Lake, Egypt | |
CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
Teodoro et al. | Retrieving TSM concentration from multispectral satellite data by multiple regression and artificial neural networks | |
Kwong et al. | Automatic mapping and monitoring of marine water quality parameters in Hong Kong using Sentinel-2 image time-series and Google Earth Engine cloud computing | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
Mohebzadeh et al. | Spatial downscaling of MODIS Chlorophyll-a with machine learning techniques over the west coast of the Yellow Sea in South Korea | |
Fukushima et al. | Semi-analytical prediction of Secchi depth using remote-sensing reflectance for lakes with a wide range of turbidity | |
Dilbone et al. | Spectrally based bathymetric mapping of a dynamic, sand‐bedded channel: Niobrara River, Nebraska, USA | |
Toro Herrera et al. | Semi-automated production and filtering of satellite derived water quality parameters | |
Ashphaq et al. | Preliminary examination of influence of Chlorophyll, Total Suspended Material, and Turbidity on Satellite Derived-Bathymetry estimation in coastal turbid water | |
Luciani et al. | Satellite Monitoring system of Subalpine lakes with open source software: The case of SIMILE Project | |
Badreldin et al. | A spatial pattern analysis of the halophytic species distribution in an arid coastal environment | |
Omran | Evolving waterlogged identification system to assess spatiotemporal impact of the new Suez Canal corridor, Egypt | |
Nolè et al. | Using spatial autocorrelation techniques and multi-temporal satellite data for analyzing urban sprawl | |
Torres et al. | Preliminary investigation on chlorophyll-a and total suspended matter concentration in Manila Bay using Himawari-8 AHI and Sentinel-3 OLCI C2RCC |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: Speed Technology Co.,Ltd. Address before: 210000 8 -22, 699 Xuanwu Road, Xuanwu District, Nanjing, Jiangsu. Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. |