CN113624716A - 一种基于植被覆盖度的土壤氮素估计方法 - Google Patents
一种基于植被覆盖度的土壤氮素估计方法 Download PDFInfo
- Publication number
- CN113624716A CN113624716A CN202111070384.0A CN202111070384A CN113624716A CN 113624716 A CN113624716 A CN 113624716A CN 202111070384 A CN202111070384 A CN 202111070384A CN 113624716 A CN113624716 A CN 113624716A
- Authority
- CN
- China
- Prior art keywords
- vegetation coverage
- soil
- image
- vegetation
- measured
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 158
- 239000002689 soil Substances 0.000 title claims abstract description 154
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000000611 regression analysis Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 235000015097 nutrients Nutrition 0.000 abstract description 14
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000009406 nutrient management Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 33
- 239000010410 layer Substances 0.000 description 27
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (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)
- Image Processing (AREA)
Abstract
本专利针对土壤氮素提出一种基于植被覆盖度的土壤氮素估计方法，首先进行遥感数据收集，预处理后进行归一化植被指数计算，再由归一化植被指数计算影像植被覆盖度；在待监测区域布点进行土壤数据采集，并在实际时进行实地植被覆盖度的测量；接下来进行实测土壤氮素数据与实测植被覆盖度的回归分析，建立映射关系；再计算影像植被覆盖度与实测植被覆盖度之间的回归方程；最后联立两项方程得到影像植被覆盖度与土壤氮素间的反演模型。实现影像到土壤氮素的反演，完成土壤氮素大规模快速监测，获取稳定、连续的土壤监测数据，用于指导土壤养分科学管理，控制土壤养分管理的费用成本。
Description
技术领域
本发明涉及农业遥感领域，尤其涉及一种基于植被覆盖度的土壤氮素估计方法。
背景技术
土地是农业生产最重要的物质基础，是农民最基本的生产资料和最基本的生活保障。近几十年间随着工业化、信息化的不断进步，我国农业产量得到了大幅度提高。在这一过程中，养分的科学管理起到了重要作用。其中，准确、快速地估测土壤中的氮素含量是推动测土配方施肥全面展开和顺利进行的保障，也是加快农业信息化发展的重要手段。传统的土壤采样测试方法采用化学分析方法，其方法相对准确，但是一直面临土壤样品分析工作繁琐的困难，且投入大时效性差。而遥感技术的发展为这一困境带来了新的技术手段，不同的土壤条件会引起植被的长势差异，并最终体现在植被冠层光谱反射率计算的植被指数上，这使得利用植被指数间接监测土壤性状成为可能。
现有土壤养分估计方法，最主要的方式为进行测土配方。当前测土方法主要还是在实验室对土壤进行化学分析，存在分析速度慢、效率低下等问题，在大范围土壤分析时尤为明显。
现有土壤养分估计方法，在对同一区域进行重复检测时需要重复进行测土配方操作，耗费人力物力，特别是在植被茂密区域，对测土工作造成较大阻碍。
现有土壤养分估计方法，监测频率较低，会因监测目的不同导致测土范围和测土项目的不同，导致数据连续性差，利用率低，时效性差，造成严重的资源浪费现象。
现有土壤养分估计方法，是以“点”的形式采集数据，但管理上需要按照地块进行管理，这样就存在着如何以采样点数据推测整个地块的土壤养分情况的问题。虽然目前有众多以地统计学为手段的空间插值方法，但是该问题依旧是土壤养分监测中的一个重要难题。
发明内容
本发明提供的一种基于植被覆盖度的土壤氮素估计方法，旨在解决现有技术大面积的土壤氮素养分估计需要大量的采集养分且需要更精确的化学分析从而导致土壤氮素养分估计费时费力中的问题。
为实现上述目的，本发明采用以下技术方案：
本发明的一种基于植被覆盖度的土壤氮素估计方法，包括以下步骤：
获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；
获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
首先进行遥感数据收集，预处理后进行归一化植被指数计算，再由归一化植被指数计算影像植被覆盖度；在待监测区域布点进行土壤数据采集，并在实际时进行实地植被覆盖度的测量；接下来进行实测土壤氮素数据与实测植被覆盖度的回归分析，建立映射关系；再计算影像植被覆盖度与实测植被覆盖度之间的回归方程；最后联立两项方程得到影像植被覆盖度与土壤氮素间的反演模型
作为优选，所述根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度，包括：
所述影像植被覆盖度计算公式为：FV1＝(NVDI-NDVImin)/(NDVImax-NDVImin)，其中，FV1表示影响植被覆盖度，NDVImax和NDVImin分别为区域中的最大和最小NDVI值。
作为优选，所述获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系，包括：
确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
一种基于植被覆盖度的土壤氮素估计装置，包括：
获取模块：用于获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
计算模块：用于根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；
第一建立模块：用于获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
第二建立模块：用于建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
反演模块：用于基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
作为优选，所述计算模块具体包括：
所述影像植被覆盖度计算公式为：FV1＝(NVDI-NDVImin)/(NDVImax-NDVImin)，其中，FV1表示影响植被覆盖度，NDVImax和NDVImin分别为区域中的最大和最小NDVI值。
作为优选，所述第一建立模块具体包括：
获取子单元：用于确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
建立子单元：用于建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
映射单元：用于根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于植被覆盖度的土壤氮素估计方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于植被覆盖度的土壤氮素估计方法。
本发明具有如下有益效果：
一点：针对监测效率问题。本专利通过建立指数植被覆盖度FV与土壤氮素之间的映射模型，可以利用多光谱无人机或多光谱影像快速计算植被覆盖度FV得到土壤实时氮素信息，具有分析速度快、覆盖范围广的特点。
二点：针对重复检测问题。本专利通过利用植被冠层与土壤氮素之间的关系，通过监测植被冠层来实现对土壤氮素的间接估计，免去了实地采样带来的人力物力支出，节约成本、提高效率。
三点：针对数据连续性问题。本专利通过遥感影像的植被覆盖度FV进行反演，得到对应的氮素信息，数据的连续性与卫星的重访周期保持一致，获取大范围连续数据，用于科学研究及指导施肥。
四点：针对从土壤采样点到施肥单元的面状插值问题。本专利是通过相关光谱信息计算植被覆盖度后反演得到，对遥感影像而言，每一个栅格单元都进行了一次养分估计操作，不存在面状插值问题。
五点：针对成本费用问题。费用的主要来源为初期模型建立时的土壤检测成本。之后进行氮素监测只需要使用遥感影像，无需物联网设备，结合反演模型即可得到监测结果，后续成本将由所采用的影像类型决定(如免费获取的landsat、Sentinel-2)。
附图说明
图1是本发明实施例实现一种基于植被覆盖度的土壤氮素估计方法第一流程图；
图2是本发明实施例实现一种基于植被覆盖度的土壤氮素估计方法第二流程图；
图3是本发明实施例实现一种基于植被覆盖度的土壤氮素估计方法具体实施流程图。
图4是本发明实施例实现一种基于植被覆盖度的土壤氮素估计装置示意图；
图5是本发明实施例实现一种基于植被覆盖度的土壤氮素估计装置的第一建立模块示意图；
图6是本发明实施例实现一种基于植被覆盖度的土壤氮素估计装置的一种电子设备示意图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种基于植被覆盖度的土壤氮素估计方法，包括以下步骤：
S110、获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
S120、根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度，所述影像植被覆盖度计算公式为：FV1＝(NVDI-NDVImin)/(NDVImax-NDVImin)，其中，FV1表示影响植被覆盖度，NDVImax和NDVImin分别为区域中的最大和最小NDVI值；
S130、获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
S140、建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
S150、基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
由实施例1可知，在实测土壤氮素养分数据中，首先确定采样点，根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
根据所述最少采样点个数和间距在样方区域内确定多个采样点；确定目标样方区域后，计算最少要采样的点，按公式计算出的点数目是最小点位数量，用于保证这些点位数据可以描述整个研究区域的信息。比如在这里计算出的数量为25，在实际应用中点位数量大于等于25都可。并计算相邻采样点的间距，根据实际情况可适当减小网格间距，适当调整网格的起始经纬度，避开过多网格落在道路或河流上，使样品更具有代表性。首先采样点的自然景观应符合土壤环境背景值研究的要求。采样点选在被采土壤类型特征明显的地方，地形相对平坦、稳定、植被良好的地点；坡脚、洼地等具有从属景观特征的地点不设采样点；城镇、住宅、道路、沟渠、粪坑、坟墓附近等处人为干扰大，失去土壤的代表性，不宜设采样点，采样点离铁路、公路至少300米以上；采样点以剖面发育完整、层次较清楚、无侵入体为准，不在水土流失严重或表土被破坏处设采样点；选择不施或少施化肥、农药的地块作为采样点，以使样品点尽可能少受人为活动的影响；不在多种土类、多种母质母岩交错分布、面积较小的边缘地区布设采样点。采样点可采表层样或土壤剖面，一般监测采集表层土，采样深度0～20厘米，特殊要求的监测(土壤背景、环评、污染事故等)必要时选择部分采样点采集剖面样品。剖面的规格一般长为1.5米，宽0.8米，深1.2米。挖掘土壤剖面要使观察面向阳，表土和底土分两侧放置。
一般每个剖面采集A、B、C三层土样。地下水位较高时，剖面挖至地下水出露时为止；山地丘陵土层较薄时，剖面挖至风化层。对B层发育不完整(不发育)的山地土壤，只采A、C两层；干旱地区剖面发育不完善的土壤，在表层5～20厘米、心土层50厘米、底土层100厘米左右采样。水稻土按照A耕作层、P犁底层、C母质层(或G潜育层、W潴育层)分层采样；对P层太薄的剖面，只采A、C两层(或A、G层或A、W层)。对A层特别深厚，沉积层不甚发育，一米内见不到母质的土类剖面，按A层5～20厘米、A/B层60～90厘米、B层100～200厘米采集土壤。草甸土和潮土一般在A层5～20厘米、C1层(或B层)50厘米、C2层100～120厘米处采样。采样次序自下而上，先采剖面的底层样品，再采中层样品，最后采上层样品。测量重金属的样品尽量用竹片或竹刀去除与金属采样器接触的部分土壤，再用其采样。这里采样点得到的土壤样本是混合样本，在确定采样点后，在该采样点以对角线分五等分，在五等分的点采集土壤混合后就是该采样点的土壤样本，这里混合采样的方法还有梅花点法、棋盘式法和蛇形法。
影像植被覆盖度是通过归一化植被指数计算获取，首先需要利用预处理结束的卫星遥感数据进行NDVI的计算。NDVI的计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED)
式中：NIR代表遥感影像中的近红外波段，RED代表遥感影像中的红光波段。不同影像对应的波段号不同，需要按影像来确定对应的计算公式。
完成NDVI计算后，需要用该指数进行影像植被覆盖度Fv1的计算，其计算公式如下：
Fv1＝(NDVI-NDVImin)/(NDVImax-NDVImin)
对于NDVImax和NDVImin的取值，分别取区域中的最大和最小NDVI值。由于不可避免存在噪声，这两个值需要在一定置信度范围中进行取值，如二倍差、三倍差法定的范围。需要注意当有实测数据情况下，可选用实测植被覆盖度最大值和最小值对应坐标位置的NDVI值作为计算影像植被覆盖度Fv1中NDVI的最大和最小值。这里的NDVImax和NDVImin是通过人工解译一定数量(如每种200个)的茂密植被像元与裸土像元的值，分别取其平均值为NDVImax(茂密植被像元平均值)、NDVImin(裸土像元平均值)。这两个值作为被固定下来的参数进行计算。
实施例2
如图2所示，一种基于植被覆盖度的土壤氮素估计方法，包括：
S210、确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
S220、建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
S230、根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系；
S240、建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
S250、基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
由实施例2可知，建立影像植被覆盖度FV1与实测植被覆盖度FV2之间关系，为实现基于实测植被覆盖度土壤氮素反演模型的优化，需要分析影像植被覆盖度FV1与实测植被覆盖度FV2之间关系。这个首先在实地进行植被覆盖度FV2的测量，记录经纬度。然后在影像植被覆盖度FV1图中找到对应位置取Fv1值。建立对应位置的FV1-FV2散点图，回归分析建立趋势线，得到两者间映射关系。联立生成影像植被覆盖度FV1与土壤氮素间反演模型，将所述实测植被覆盖度和所述影像植被覆盖度的映射关系与所述实测植被覆盖度与实测土壤氮素之间的回归方程联立，得到影像植被覆盖度与土壤氮素之间的回归模型。使用遥感多光谱影像数据计算植被覆盖度FV1，建立与实测植被覆盖率FV2之间回归关系，进而联立实测植被覆盖率与实际氮素之间的映射关系，实现影像到土壤氮素的反演，完成土壤氮素大规模快速监测，获取稳定、连续的土壤监测数据，用于指导土壤养分科学管理，控制土壤养分管理的费用成本。
实施例3
如图3所示，一种具体的实施方式可为：
步骤一：实测土壤养分数据的获取
首先进行样方区域选定，尽可能均匀分布到整个研究区，数量上遵守以下规则：
样品数量＝(置信水平2*变异系数2)/可接受的相对偏差2，其中，置信水平一般选取为0.95或0.99；变异系数可以根据该地区历史数据进行估计，当该地区没有历史资料时，一般可用0.1～0.3进行粗略估计变异系数。有效磷和有效钾的变异系数可取0.5；可接受的相对偏差在土壤环境监测一般限定为0.2～0.3。因为需要高精度的监测结果，因此我们对于这些系数的设定如下：置信水平0.99、变异系数0.5、可接受的相对偏差0.1，所以样品最少个数＝(0.99^2*0.5^2)/0.1^2＝24.5025≈25；即采样点大于等于25个时，可以反映特定时刻的土壤环境情况。将样方布置完成后，在样方内以X型取5点土壤进行混合，混合后的土壤样本作为该样方区域的土壤养分数据。
步骤二：测土点植被覆盖度获取
植被覆盖度的测量方法采用网格目测法。样方大小与采集土壤样本的样方保持一致，对单个样方划分网格，对网格逐个进行目视估计，取平均得到样方的实测植被覆盖度。
步骤三：卫星遥感数据获取
遥感数据类型需要根据实际需要决定，如免费获取的MODIS、Sentinel、Landsat等，或者收费的高分、高景更高空间分辨率影像。根据获取的遥感数据种类进行对应预处理操作。
步骤四：计算影像NDVI值
影像植被覆盖度需要由NDVI(归一化植被指数)计算获取，因此首先需要利用预处理结束的卫星遥感数据进行NDVI的计算。NDVI的计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED)
式中：NIR代表遥感影像中的近红外波段，RED代表遥感影像中的红光波段。不同影像对应的波段号不同，需要按影像来确定对应的计算公式。
步骤五：计算影像植被覆盖度FV1
完成NDVI计算后，需要用该指数进行影像植被覆盖度Fv1的计算，其计算公式如下：
Fv1＝(NDVI-NDVImin)/(NDVImax-NDVImin)
对于NDVImax和NDVImin的取值，分别取区域中的最大和最小NDVI值。由于不可避免存在噪声，这两个值需要在一定置信度范围中进行取值，如二倍差、三倍差法定的范围。需要注意当有实测数据情况下，可选用实测植被覆盖度最大值和最小值对应坐标位置的NDVI值作为计算影像植被覆盖度Fv1中NDVI的最大和最小值。
步骤六：建立影像植被覆盖度FV1与实测植被覆盖度FV2之间关系
为实现基于实测植被覆盖度土壤氮素反演模型的优化，需要分析影像植被覆盖度FV1与实测植被覆盖度FV2之间关系。经过相关性分析后确定映射关系，并确定某种影像的影像植被覆盖度可用性。
步骤七：建立实测植被覆盖度FV2与实测土壤氮素数据间关系
基于实际测量数据，对各样方的实测土壤氮素与实际植被覆盖度进行回归分析，建立映射关系，根据决定系数判断模型优劣。
步骤八：联立生成影像植被覆盖度FV1与土壤氮素间反演模型
将步骤六(FV1-FV2)与步骤七(FV2-土壤氮素)中方程联立，得到影像植被覆盖度与土壤氮素之间的回归模型。
实施例4
如图4所示，一种基于植被覆盖度的土壤氮素估计装置，包括：
获取模块10：用于获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
计算模块20：用于根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；
第一建立模块30：用于获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
第二建立模块40：用于建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
反演模块50：用于基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
上述装置的一种实施方式可为：获取模块10获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；计算模块20根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；第一建立模块30获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；第二建立模块40建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；反演模块50基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
实施例5
如图5所示，一种基于植被覆盖度的土壤氮素估计装置的第一建立模块30包括：
获取子单元32：用于确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
建立子单元34：用于建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
映射单元36：用于根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
上述装置的第一建立模块30的一种实施方式可为：获取子单元32确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；建立子单元34建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；映射单元36根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
实施例6
如图6所示，一种电子设备，包括存储器1101和处理器1102，所述存储器1101用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1102执行以实现上述的一种基于植被覆盖度的土壤氮素估计方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于植被覆盖度的土壤氮素估计方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1101中，并由处理器1102执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器1101、处理器1102。本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器1102可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器1102、数字信号处理器1102(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器1102可以是微处理器1102或者该处理器1102也可以是任何常规的处理器1102等。
存储器1101可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器1101也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器1101还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器1101用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器1101还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (8)
1.一种基于植被覆盖度的土壤氮素估计方法，其特征在于，包括：
获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；
获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
2.根据权利要求1所述的一种基于植被覆盖度的土壤氮素估计方法，其特征在于，所述根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度，包括：
所述影像植被覆盖度计算公式为：FV1＝(NVDI-NDVImin)/(NDVImax-NDVImin)，其中，FV1表示影像植被覆盖度，NDVImax和NDVImin分别为区域中的最大和最小NDVI值。
3.根据权利要求1所述的一种基于植被覆盖度的土壤氮素估计方法，其特征在于，所述获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系，包括：
确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
4.一种基于植被覆盖度的土壤氮素估计装置，其特征在于，包括：
获取模块：用于获取待测土壤的遥感影像数据，对所述遥感影像数据进行归一化计算得到归一化植被指数；
计算模块：用于根据所述归一化植被指数计算得到所述待测土壤的影像植被覆盖度；
第一建立模块：用于获取实地植被覆盖度，根据回归分析建立从所述影像植被覆盖度到所述实地植被覆盖度的映射关系；
第二建立模块：用于建立所述实测植被覆盖度与实测土壤氮素之间的回归方程；
反演模块：用于基于所述映射关系和所述回归方程得到所述影像植被覆盖度与土壤氮素间的反演模型，以估计所述待测土壤中的氮素含量。
5.根据权利要求4所述的一种基于植被覆盖度的土壤氮素估计装置，其特征在于，所述计算模块具体包括：
所述影像植被覆盖度计算公式为：FV1＝(NVDI-NDVImin)/(NDVImax-NDVImin)，其中，FV1表示影像植被覆盖度，NDVImax和NDVImin分别为区域中的最大和最小NDVI值。
6.根据权利要求4所述的一种基于植被覆盖度的土壤氮素估计装置，其特征在于，所述第一建立模块具体包括：
获取子单元：用于确定经纬度，获取实测植被覆盖度和对应位置的影像植被覆盖度；
建立子单元：用于建立所述位置的所述实测植被覆盖度和所述影像植被覆盖度的散点图；
映射单元：用于根据图表相关分析得到所述实测植被覆盖度和所述影像植被覆盖度的映射关系。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～3中任一项所述的一种基于植被覆盖度的土壤氮素估计方法。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1～3中任一项所述的一种基于植被覆盖度的土壤氮素估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111070384.0A CN113624716A (zh) | 2021-09-13 | 2021-09-13 | 一种基于植被覆盖度的土壤氮素估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111070384.0A CN113624716A (zh) | 2021-09-13 | 2021-09-13 | 一种基于植被覆盖度的土壤氮素估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113624716A true CN113624716A (zh) | 2021-11-09 |
Family
ID=78389827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111070384.0A Pending CN113624716A (zh) | 2021-09-13 | 2021-09-13 | 一种基于植被覆盖度的土壤氮素估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113624716A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114005039A (zh) * | 2021-12-31 | 2022-02-01 | 成都国星宇航科技有限公司 | 基于遥感图像的农作物长势评估方法、装置及电子设备 |
| CN114972750A (zh) * | 2022-04-29 | 2022-08-30 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
| CN115759524A (zh) * | 2022-10-20 | 2023-03-07 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
-
2021
- 2021-09-13 CN CN202111070384.0A patent/CN113624716A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114005039A (zh) * | 2021-12-31 | 2022-02-01 | 成都国星宇航科技有限公司 | 基于遥感图像的农作物长势评估方法、装置及电子设备 |
| CN114972750A (zh) * | 2022-04-29 | 2022-08-30 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
| CN114972750B (zh) * | 2022-04-29 | 2023-10-27 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
| CN115759524A (zh) * | 2022-10-20 | 2023-03-07 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
| CN115759524B (zh) * | 2022-10-20 | 2023-12-08 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Compared performances of SMOS-IC soil moisture and vegetation optical depth retrievals based on Tau-Omega and Two-Stream microwave emission models | |
| CN113624716A (zh) | 一种基于植被覆盖度的土壤氮素估计方法 | |
| CN110276160B (zh) | 一种平原区土壤有机碳三维空间分布模拟方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
| CN106767687A (zh) | 一种利用遥感含水量测量滩涂高程的方法 | |
| Tian et al. | Estimating zero-plane displacement height and aerodynamic roughness length using synthesis of LiDAR and SPOT-5 data | |
| Huss et al. | Glacier mass balance in the south-eastern Swiss Alps since 1900 and perspectives for the future | |
| CN104462809A (zh) | 一种基于遥感与gis相结合的草地生产力估算方法 | |
| CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
| CN117408495B (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
| CN113591288A (zh) | 一种基于克里格插值的土壤湿度数据预测方法及装置 | |
| CN111985422B (zh) | 基于遥感的耕地田面坡度估算方法、估算装置 | |
| US20230090928A1 (en) | Method for determining dynamic wetland boundary based on hydrology, organism and soil elements | |
| CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
| CN111079835A (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
| Pan et al. | Remote sensing inversion of soil organic matter by using the subregion method at the field scale | |
| CN111965330B (zh) | 一种基于双极化类发射率的裸露土壤含水量反演方法 | |
| CN117871550A (zh) | 一种大面积农田灌溉监测方法、系统及电子设备 | |
| CN110618145B (zh) | 一种基于无人机的快速测定黄土塬区泉眼位置的方法 | |
| CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
| Momm et al. | Methods for gully characterization in agricultural croplands using ground-based light detection and ranging | |
| Liu et al. | Multifractal detrended fluctuation analysis of regional precipitation sequences based on the CEEMDAN-WPT | |
| CN110082507A (zh) | 一种获取标准农田综合地力指数的方法 | |
| CN113533695B (zh) | 一种农田墒情数据估计方法及系统 |
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 |