CN114062439B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114062439B CN114062439B CN202111370955.2A CN202111370955A CN114062439B CN 114062439 B CN114062439 B CN 114062439B CN 202111370955 A CN202111370955 A CN 202111370955A CN 114062439 B CN114062439 B CN 114062439B
- Authority
- CN
- China
- Prior art keywords
- soil
- conductivity
- salinity
- data
- remote sensing
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 38
- 150000003839 salts Chemical class 0.000 claims abstract description 64
- 238000012417 linear regression Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000001419 dependent effect Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000005527 soil sampling Methods 0.000 claims description 103
- 239000010410 layer Substances 0.000 claims description 39
- 238000012216 screening Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 239000002344 surface layer Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 15
- 230000002123 temporal effect Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000828585 Gari Species 0.000 description 1
- 101000882194 Homo sapiens Protein FAM71F2 Proteins 0.000 description 1
- 102100039014 Protein FAM71F2 Human genes 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
- G01V3/10—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices using induction coils
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V20/188—Vegetation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了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。该方法首先获取用于描述同一对象的土壤剖面样品(1米)、EM38‑MK2土壤电导率数据及长时间序列的月平均Sentinel‑2卫星遥感影像数据；其次，根据线性回归方程式以及剖面盐分含量计算式得到1米深土壤剖面盐分含量；再次，利用随机森林筛选自变量的方式，得到基于时间序列月平均Sentinel‑2影像的指数作为建模的自变量；最后，以样点1米深土壤剖面盐分含量为因变量，利用时空卷积网络回归模型估算，得到大空间尺度的土壤剖面盐分含量分布图。本发明定量分析了剖面土壤总盐分含量水平，突破了遥感手段只能观测地表的土壤信息这一技术瓶颈，为大区域尺度内剖面土壤盐分信息的表征提供了新思路。
Description
技术领域
本发明涉及遥感反演领域，具体涉及到基于时间序列Sentinel-2数据高精度反演土壤剖面(1米)盐分含量的算法。
背景技术
土壤盐渍化是全球面临的土地退化问题之一，原生盐渍化和次生盐渍化严重危害了土壤健康和作物生产。特别是在干旱和半干旱地区，土壤蒸散量高于降水量，导致土壤中的盐分随着水分的蒸发而向上运移，在土壤表面结成盐壳。土壤盐渍化的监测和可视化对于土壤资源、尤其是耕地的保护和利用具有重要意义。地面调查和近地土壤传感调查是盐分信息最直接的获取手段和来源，能精确表示采样点土壤盐分的含量和分布，但无法准确描述大面积土壤盐分的分布情况及同时期快速调查。相较于传统野外调查方法，卫星遥感具有空间范围覆盖广，观测空间分辨率高、时间重返周期性短的特点，可以快速提供有关土壤的大量信息，逐渐成为土壤盐分监测的重要方法。
光学遥感卫星对土壤盐分表征的深度有限，以往的研究集中在对表土(0-0.2 米)的土壤盐分监测，而在对根区或底土的土壤盐分的估算中表现不佳。盐分在土体中随着水分的运移而在垂直方向上运移，降水、蒸散、土地管理措施(洗盐、作物播种、灌溉、收获)等周期性发生，导致土壤剖面中盐分的周期性运移。因此，表土中的盐分含量无法全面反映土壤健康状况。利用单个时期遥感影像获取土壤信息的方法时效性强，但仅限于单个时期的表土反盐量监测，无法实现对土壤剖面盐分含量的全面评估。面向单个时期遥感影像在土壤剖面盐分估算上的局限性，需要针对多个时期遥感影像进行时间序列分析，进行地面观测深度的拓展，从而实现对1米深的土壤剖面盐分含量的全面估算。
发明内容
本发明的目的在于解决现有技术中存在的问题，并提供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。
本发明的具体技术方案如下：
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，其步骤如下：
S1：获取待测区域在待估算时期下对应的单景Sentinel-2卫星遥感影像数据和地面调查数据；同时获取待测区域在待估算时期之前的Sentinel-2卫星遥感影像历史序列；
其中，所述地面调查数据包含在待估算时期采集的多深度实测电导率数据和EM38-MK2电导率数据；所述多深度实测电导率数据中包含了第一土壤采样点集合中每个土壤采样点的分段电导率数据，所述分段电导率数据包含土壤采样点所在位置深度为1米的土壤剖面按照设定间隔分段采样后实测得到的不同土层深度各自的电导率，其中土壤表面所在的一段土层为土壤表层；所述EM38-MK2 电导率数据包含第二土壤采样点集合中每个土壤采样点的多模式电导率数据，所述多模式电导率数据包含土壤采样点所在位置在不同深度分别按照不同模式测得的多个电导率；且第一土壤采样点集合为第二土壤采样点集合的子集；
S2：将S1中获取的三类数据按照S21～S23进行多源数据匹配处理：
S21：针对第一土壤采样点集合中的每个土壤采样点对应的分段电导率数据和多模式电导率数据进行线性回归，使线性回归模型能够基于所述多模式电导率数据估计同一土壤采样点的所述分段电导率数据；
S22：针对第二土壤采样点集合中的每个土壤采样点，利用所述线性回归模型估计每个土壤采样点对应的5个土层深度各自的电导率，并根据电导率换算得到土壤剖面不同土层深度处的盐分含量，对不同土层深度整合后得到1米深土壤剖面总盐分含量；
S23：对S1获得的Sentinel-2卫星遥感影像历史序列的时间分辨率进行规范化处理，得到空间分辨率和时间分辨率均统一的月平均Sentinel-2影像数据集；
S3：基于所述单景Sentinel-2卫星遥感影像数据和S22中得到的第二土壤采样点集合中每个土壤采样点的土壤表层盐分含量数据，以单一波段以及波段组合计算的方法构建待筛选特征集合作为解释变量，以土壤表层盐分含量作为被解释变量，构建自变量筛选模型对待筛选特征集合中的特征进行筛选，得到用于观测土壤表层盐分含量的最佳特征组合；再对所述月平均Sentinel-2影像数据集中的每一景卫星遥感影像逐像元计算所述最佳特征组合中的每个特征值，得到基于遥感影像的长时间序列指数数据集；
S4：以所述第二土壤采样点集合中各土壤采样点在所述长时间序列指数数据集中对应的最佳特征组合特征值作为自变量，以S22中得到的所有第二土壤采样点集合中各土壤采样点的1米深土壤剖面总盐分含量作为因变量，建立时空回归模型；最后基于所述长时间序列指数数据集，利用时空回归模型来预测待测区域内每一个像元所在位置的1米深土壤剖面盐分含量，形成待估算时期对应的1 米深土壤剖面盐分含量的空间分布图。
作为优选，所述多深度实测电导率数据中，每个土壤采样点处深度为1米的土壤剖面按照0.2m的间隔分别在0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m进行分段采样，并测定每一段土壤的电导率，得到5个土层深度各自的电导率构成所述多深度实测电导率数据。
作为优选，所述EM38-MK2电导率数据中，每个土壤采样点处利用 EM38-MK2大地电导率仪在0.75米和1.5米深度分别按照水平和垂直模式测得4 个电导率，构成所述多模式电导率数据。
作为优选，所述Sentinel-2卫星遥感影像历史序列为在待估算时期之前三年至待估算时期之前一年期间获得的待测区域Sentinel-2卫星遥感影像，时间跨度为24个月，影像空间分辨率为10米。
作为优选，所述线性回归模型的形式为：
EC1:5(a-bm)＝A+B×ECah0.75+C×ECah1.5+D×ECav0.75+E×ECav1.5
其中，EC1:5(a-bm)代表a-b m土层深度对应的电导率，ECah0.75代表EM38-MK2 大地电导率仪在0.75米深处按水平模式测得的电导率，ECah1.5代表EM38-MK2 大地电导率仪在1.5米深处按水平模式测得的电导率，ECav0.75代表EM38-MK2 大地电导率仪在0.75米深处按垂直模式测得的电导率，ECav1.5代表EM38-MK2 大地电导率仪在1.75米按深处垂直模式测得的电导率，A、B、C、D、E分别表示五个回归系数。
作为优选，所述S22中，根据电导率换算土壤剖面不同土层深度处的盐分含量时，先根据电导率换算可溶性盐含量，再根据可溶性盐含量计算土壤中的盐分含量。
作为优选，所述S22中，对不同土层深度整合得到1米深土壤剖面总盐分含量所用的整合方法为累加法，累加公式为：
Y0-1m＝Y0-0.2m+Y0.2-0.4m+Y0.4-0.6m+Y0.6-0.8m+Y0.8-1m
其中，Y0-1m代表1米深土壤剖面总盐分含量，Y0-0.2m，Y0.2-0.4m，Y0.4-0.6m，Y0.6-0.8m，Y0.8-1m分别是0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m五个土层深度处的盐分含量。
作为优选，所述月平均Sentinel-2影像数据集中的每一景卫星遥感影像由同一个月中所有Sentinel-2卫星遥感影像平均得到。
作为优选，所述S3中，所述的自变量筛选模型为随机森林(Random Forest) 模型，所述待筛选特征集合中包含光谱特征、植被指数特征、盐分指数特征和土壤相关指数特征；随机森林模型按均方误差的显着性(％IncMSE)和节点的纯度 (IncNodePurity)筛选待筛选特征集合中的特征，得到与表土中土壤盐分含量相关性最高的若干特征形成最佳特征组合。
作为优选，所述S4中的时空回归模型为基于时空卷积网络(TemporalConvolution Network)构建的回归模型。
本发明相对于现有技术而言，具有以下有益效果：
本发明提出了一种基于时间序列Sentinel-2卫星遥感数据集和地面实测值反演1米深土壤剖面的盐分含量的方法，最终得到空间分辨率为10米的高空间分辨率、高质量的土壤剖面盐分含量空间变异结果。通过本发明的方法对土壤剖面盐分含量进行估算，突破了基于遥感数据在观测土壤剖面盐分的瓶颈，为大区域尺度、土壤剖面盐分含量的估算提供了新方法，有利于大区域尺度及剖面、底层土壤盐分的治理改良政策的制定，具有一定的理论、实践意义和推广应用价值。
附图说明
图1为土壤剖面盐分含量估算值在2020年数据建模集(a)、土壤剖面盐分含量估算值在2020年测试集(b)和土壤剖面盐分含量估算值在2019年测试集 (c)的散点图，代表本发明估算得到的盐分数据相对于地面实测值的验证结果；
图2为实施例中2019年(a)及2020年(b)南疆地区农田1米土壤剖面的盐分含量分布图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
在本发明的一个较佳实施例中提供了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，该方法具体步骤如下：
S1：获取待测区域在待估算时期下对应的单景Sentinel-2卫星遥感影像数据和地面调查数据；同时获取待测区域在待估算时期之前的Sentinel-2卫星遥感影像历史序列。
其中，单景Sentinel-2卫星遥感影像数据和地面调查数据这两类数据均需要是在待估算时期同步采集的。例如，待估算时期是某一个月，那么单景Sentinel-2 卫星遥感影像数据和地面调查数据均需要是这一个月采集的数据。地面调查数据包含在待估算时期采集的多深度实测电导率数据和EM38-MK2电导率数据，这两类电导率数据也均需要是待估算时期中同步采集的。
上述多深度实测电导率数据中包含了第一土壤采样点集合中每个土壤采样点的分段电导率数据，而每一个土壤采样点的分段电导率数据包含了该土壤采样点所在位置深度为1米的土壤剖面按照设定间隔分段采样后实测得到的不同土层深度各自的电导率，其中在所有的土层深度中土壤表面所在的一段土层为土壤表层。
在本实施例的多深度实测电导率数据中，每个土壤采样点处深度为1米的土壤剖面按照0.2m的间隔分别在0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m进行分段采样，并用电导率仪测定每一段土壤的电导率，得到5个土层深度各自的电导率，依次记为EC1:5(0-0.2m)、EC1:5(0.2-0.4m)、EC1:5(0.4-0.6m)、EC1:5(0.6-0.8m)、EC1:5(0.8-1m)。一个土壤采样点的这5个电导率构成了这个土壤采样点的分段电导率数据。
上述EM38-MK2电导率数据包含第二土壤采样点集合中每个土壤采样点的多模式电导率数据，其中每一个土壤采样点的多模式电导率数据包含该土壤采样点所在位置在不同深度分别按照不同模式测得的多个电导率。
在本实施例中的EM38-MK2电导率数据中，每个土壤采样点处利用 EM38-MK2大地电导率仪在0.75米和1.5米深度分别按照水平和垂直模式测得4 个电导率，分别为在0.75米深处按水平模式测得的电导率ECah0.75、在1.5米深处按水平模式测得的电导率ECah1.5、在0.75米深处按垂直模式测得的电导率 ECav0.75、在1.75米按深处垂直模式测得的电导率ECav1.5。一个土壤采样点的这4 个不同深度和不同模式下得到的电导率构成了这个土壤采样点的多模式电导率数据。
需要说明的是，上述分段电导率数据是需要采集不同深度土层的土壤进行实测的，而上述多模式电导率数据则仅需要用EM38-MK2大地电导率仪在两个不同深度处进行测量即可，因此多模式电导率数据的获取容易程度以及获取效率要大大高于分段电导率数据。由此，本发明中可以在待测区域内通过地面调查采集少量土壤采样点的分段电导率数据，另外采集大量土壤采样点的多模式电导率数据，后续通过在分段电导率数据和多模式电导率数据之间建立回归模型来实现两种数据的转换，从而高效地获取大量土壤采样点的分段电导率数据，用于估算待测区域内不同土壤采样点的土壤剖面盐分。
但需要注意的是，为了保证在分段电导率数据和多模式电导率数据之间可以建立回归模型，用于建模的分段电导率数据和多模式电导率数据需要是针对相同的一批土壤采样点采集的。因此，第一土壤采样点集合应当为第二土壤采样点集合的子集，即第一土壤采样点集合中的土壤采样点都包含在第二土壤采样点集合中，但第二土壤采样点集合中的土壤采样点数量要大于第一土壤采样点集合中的土壤采样点数量，以便于有充足样本数量进行后续建模。
在本实施例中的Sentinel-2卫星遥感影像，其影像空间分辨率均为10米，但是时间分辨率由于数据质量等客观原因存在差异，后续需要进行统一。
总体而言，上述三类数据属于来源不同的多源数据，其中，多深度实测电导率数据的特点是小空间范围、小样本量；EM38-MK2电导率数据的特点是小空间范围、大样本量Sentinel-2卫星遥感影像历史序列的特点是大空间范围、长时间序列。
S2：将S1中获取的三类数据即单景Sentinel-2卫星遥感影像数据、地面调查数据、Sentinel-2卫星遥感影像历史序列，按照S21～S23进行多源数据匹配处理，具体过程下：
S21：针对第一土壤采样点集合中的每个土壤采样点对应的分段电导率数据和多模式电导率数据进行线性回归，从而得到一个线性回归模型，该线性回归模型能够基于每个土壤采样点的多模式电导率数据估计对应土壤采样点的分段电导率数据。
在本实施例中，线性回归模型的形式为：
EC1:5(a-bm)＝A+B×ECah0.75+C×ECah1.5+D×ECav0.75+E×ECav1.5
其中，EC1:5(a-bm)代表a-b m土层深度对应的电导率，ECah0.75代表EM38-MK2 大地电导率仪在0.75米深处按水平模式测得的电导率，ECah1.5代表EM38-MK2 大地电导率仪在1.5米深处按水平模式测得的电导率，ECav0.75代表EM38-MK2 大地电导率仪在0.75米深处按垂直模式测得的电导率，ECav1.5代表EM38-MK2 大地电导率仪在1.75米按深处垂直模式测得的电导率，A、B、C、D、E分别表示五个回归系数。
对于不同图层深度对应的电导率EC1:5(a-bm)，其线性回归模型的形式都是相同的，但是其回归系数是不同的，具体的回归系数需根据样本数据拟合后确定。例如，在后续的实例中，5层不同土层深度处的线性回归模型分别为：
EC1:5(0-0.2m)＝0.102+0.013×ECah0.75+0.018×ECah1.5-0.002×ECav0.75+0.013×ECav1.5
EC1:5(0.2-0.4m)＝-0.154-0.001×ECah0.75+0.023×ECah1.5+0.005×ECav0.75-0.014×ECav1.5
EC1:5(0.4-0.6m)＝-0.247-0.012×ECah0.75+0.027×ECah1.5+0.001×ECav0.75-0.001×ECav1.5
EC1:5(0.6-0.8m)＝-0.118-0.012×ECah0.75+0.015×ECah1.5+0.007×ECav0.75-0.005×ECav1.5
EC1:5(0.8-1m)＝0.028-0.009×ECah0.75+0.013×ECah1.5+0.003×ECav0.75-0.004×ECav1.5
S22、针对第二土壤采样点集合中的每个土壤采样点，可将每个土壤采样点的多模式电导率数据输入前述线性回归模型中，利用前述线性回归模型估计每个土壤采样点的分段电导率数据，即每个土壤采样点对应的5个土层深度各自的电导率。而土壤的电导率与土壤中的盐分含量存在直接的相关性，可基于两者之间的相关关系，根据不同土层深度的电导率换算得到土壤剖面不同土层深度处的盐分含量，进而对1米深土壤剖面内不同土层深度整合后得到1米深土壤剖面总盐分含量。
需注意的是，土壤的电导率与土壤中的盐分含量之间的相关性转换公式可以根据实际数据进行测定得到，亦可根据现有技术中给出的转换公式进行确定。一般而言，根据电导率换算土壤剖面不同土层深度处的盐分含量时，可以先根据电导率换算可溶性盐含量，再根据可溶性盐含量计算土壤中的盐分含量。
在本实施例中，可溶性盐含量c的计算公式为c(g/kg)＝0.0275*EC-0.0573，其中EC是指土壤的电导率，单位为mS/m。任一土层深度处的盐分含量的计算公式为：
Y＝ρ×c/1000
其中，Y代表计算得到的剖面盐分含量，单位为kg/m3；ρ代表土壤容重，单位为kg/m3，c代表可溶性盐含量，单位为g/kg。由于本实施例中的土层间隔为0.2m，因此上述公式计算后得到的是土壤剖面每0.2m深度的可溶性盐含量。
另外，对不同土层深度整合得到1米深土壤剖面总盐分含量所用的整合方法为累加法，累加公式为：
Y0-1m＝Y0-0.2m+Y0.2-0.4m+Y0.4-0.6m+Y0.6-0.8m+Y0.8-1m
其中，Y0-1m代表1米深土壤剖面总盐分含量，Y0-0.2m，Y0.2-0.4m，Y0.4-0.6m，Y0.6-0.8m，Y0.8-1m分别是0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m五个土层深度处的盐分含量。
按照S22对第二土壤采样点集合中的每个土壤采样点进行处理和计算，即可得到大样本量的土壤剖面1米深的可溶性盐含量数据。
另外，需要注意的是，此步骤中第二土壤采样点集合中每个土壤采样点的土壤表层盐分含量数据(即Y0-0.2m)也需要单独保存，这部分数据后续将用于与遥感影像数据一起进行最佳解释特征的筛选。
S23：对S1获得的Sentinel-2卫星遥感影像历史序列的时间分辨率进行规范化处理，得到空间分辨率和时间分辨率均统一的月平均Sentinel-2影像数据集。在本实施例中，空间分辨率都是10米，时间分辨率都是一个月。因此在进行规范化处理时，主要需要对一个月中存在多景卫星遥感影像的数据进行处理，将同一个月中所有Sentinel-2卫星遥感影像进行平均，平均后的影像作为这一个月的卫星遥感影像归入平均Sentinel-2影像数据集中。在具体实现时，遥感影像的月平均值可采用栅格逐像元计算方法，对单幅影像以月份为目标时间单位进行分类，对分类至同一个月份中所有单幅Sentinel-2卫星遥感影像中的全波段进行计算，逐个像元地将相同位置的栅格值相加并求平均值，即可得到长时间序列、空间分辨率为10m、时间分辨率为1个月的Sentinel-2月平均数据集。经过时间分辨率的规范化，可以保证相同长度的时间序列中所包含的影像数量相同，避免后续建模时出现输入数据的不统一。
S3：以S21中得到的土壤表层盐分含量(0-0.2米)的计算结果和S23中得到的与地面调查同一时期的单景Sentinel-2影像作为相关变量，基于遥感数据对土壤表层盐分观测筛选最佳观测指数，并构建长时间序列自变量数据集，具体依次进行如下步骤：
S31：基于前述单景Sentinel-2卫星遥感影像数据和S22中得到的第二土壤采样点集合中每个土壤采样点的土壤表层盐分含量数据，以单一波段以及波段组合计算的方法构建待筛选特征集合作为解释变量，以土壤表层盐分含量作为被解释变量，构建自变量筛选模型对待筛选特征集合中的特征(即指数)进行筛选，得到用于观测土壤表层盐分含量的最佳特征组合。需注意的是，由于单景 Sentinel-2卫星遥感影像数据是空间连续的栅格数据，而S22中得到的第二土壤采样点集合中每个土壤采样点的土壤表层盐分含量数据则是离散的点数据，因此两者在建模时需要按照土壤采样点的坐标进行数据匹配，以土壤采样点在遥感影像中的相应特征值与相同土壤采样点的土壤表层盐分含量作为样本数据。
需特别注意的是，在本步骤中，与遥感影像一起构建自变量筛选模型的是土壤表层盐分含量数据，而不是土壤剖面1米深的总盐分含量数据。这是由于 Sentinel-2卫星遥感影像中的光谱只能反演土壤表面的理化信息，但无法反演深层土壤的理化信息。
在本实施例中，所选用的自变量筛选模型为随机森林(Random Forest)模型，而用于进行筛选的前述待筛选特征集合中应当包含光谱特征、植被指数特征、盐分指数特征和土壤相关指数特征四类，这四类特征中应当尽量涵盖不同的特征类型，以便于筛选得到最佳的解释特征组合，具体选择何种特征类型可根据专家经验或者前期的研究和文献进行确定。随机森林模型按按内置的两个评价指标均方误差的显着性(％IncMSE)和节点的纯度(IncNodePurity)为评估准则筛选待筛选特征集合中的特征作为解释表土中土壤盐分含量的自变量，得到与表土中土壤盐分含量相关性最高的若干特征形成最佳特征组合。具体将哪些特征纳入最佳特征组合中，需要根据各自的相关性系数以及后续土壤剖面盐分估算的准确性来确定。在本实施例中，以光谱波段、植被指数、盐分指数、土壤相关指数为自变量，表土土壤盐分含量(0-0.2米)为因变量，随机森林中树的数目为500，构建每棵决策树时随机抽取的变量的数目选择范围为[1,20]，模型以最小均方根误差为参数优选标准进行循环。
S32：确定最佳特征组合后，对前述月平均Sentinel-2影像数据集中的每一景卫星遥感影像逐像元计算前述最佳特征组合中的每个特征值，得到基于遥感影像的长时间序列指数数据集。
S4：以前述第二土壤采样点集合中各土壤采样点(大样本量)在前述长时间序列指数数据集中对应的最佳特征组合特征值作为自变量，以S22中得到的所有第二土壤采样点集合中各土壤采样点的1米深土壤剖面总盐分含量作为因变量，建立时空回归模型。最后基于前述S32得到的长时间序列指数数据集，利用前述训练得到的时空回归模型来预测待测区域内每一个像元所在位置的1米深土壤剖面盐分含量，形成待估算时期对应的1米深土壤剖面盐分含量的空间分布图 (大空间尺度)。
需注意的是，前述长时间序列指数数据集是空间连续的栅格图，而S22中得到的所有第二土壤采样点集合中各土壤采样点的1米深土壤剖面总盐分含量则是离散的点，因此建立时空回归模型是需要按照第二土壤采样点集合中各土壤采样点的位置信息在前述长时间序列指数数据集的栅格中进行匹配，得到各土壤采样点对应的最佳特征组合中每个特征的值作为自变量。
在本实施例中，所采用的时空回归模型为基于时空卷积网络(TemporalConvolution Network)构建的回归模型，具体构建方法如下：
以2:1的比例随机生成训练集和测试集；对训练集和测试集分别进行归一化处理，公式为Y＝(X-Xmin)/(Xmax-Xmin)；其中，Y代表归一化后的数据，X代表待归一化的数据，Xmax和Xmin分别代表X的最大值和最小值；计算后得到归一化为[-1， 1]区间内的数据。
在训练集、测试集中建模中，由于前述Sentinel-2卫星遥感影像历史序列中具体的序列长度对最终的估算效果有印象，因此可实现根据模型在测试集中表现的拟合优度最高为原则筛选历史序列的长度。在本实施例中，筛选后确定历史序列自变量的长度为前两年周期内的指数集作为最优时间序列自变量。所谓前两年周期，即前述Sentinel-2卫星遥感影像历史序列为在待估算时期之前三年至待估算时期之前一年期间获得的待测区域Sentinel-2卫星遥感影像，时间跨度为24 个月，影像空间分辨率为10米。
时空卷积网络TCN在训练时，设置训练集交叉验证模式为十折交叉验证，使用的模型为TCN回归模型，TCN以因果卷积模块训练时间序列自变量数据集，内核初始化器为He_normal，卷积层中的激活函数为ReLU，每个卷积层使用的内核大小为8，扩大卷积中跳跃参数filter为1，卷积层上下文中的膨胀参数 dilation base为7，时间膨胀模块对应的扩张因子分别为[1,2,4,8,16,32,64,128, 256]；在对训练集进行训练时，学习率设置为0.005、权值惩罚项参数dropout 率的概率参数设置为0.5，得到降低模型的损失率并提高学习率的模型；根据模型优选和参数设置，对待测区域内的每一个栅格构建自变量对因变量的回归模型，用于计算待测区域10米分辨率的1米深土壤剖面盐分含量数据。
为了进一步便于理解本发明的优点，下面将上述实施例中S1～S4步骤的利用时间序列遥感影像联合估算土壤剖面盐分的方法应用于一个具体的案例中，以便于展示具体的技术效果。
实施例
在本案例中，选取新疆维吾尔自治区的棉花种植田块(81°17'-81°22'E， 40°28'-40°31'N)作为研究区域，利用2020年11月1日以及2019年11月2日地面调查获取的土壤样点数据、大地电导率数据计算，得到的1米深土壤剖面盐分含量作为因变量，以同一时期的单景Sentinel-2遥感影像数据及前两年时间序列的影像数据作为自变量，基于随机森林-时空卷积网络(Random Forest- Temporal Convolution Network，RF-TCN)构建回归模型，最终得到空间分辨率为10米、估算深度为1米的土壤剖面盐分含量空间分布数据。该估算方法的基本步骤如前述实施例的S1～S4所述，不再完全重复赘述，下面主要展示具体的数据和实现细节：
步骤1)数据获取：分别在土层深度为0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m处获取研究区域的土壤剖面样品(小空间范围、小样本)，同时分别在0.75 米和1.5米深度测量，基于EM38-MK2大地电导率仪获取在水平、垂直方向上四种测量模式的电导率数据(小空间范围、大样本)，并获取与地面调查时间相同的单幅Sentinel-2遥感影像；在相同研究区域，获取前两年时间周期内可得的 10米分辨率Sentinel-2卫星遥感影像(大空间范围、长时间序列)。
其中，Sentinel-2数据是欧洲航天局(ESA)发布的L1级产品。Sentinel-2 由两颗极轨卫星(Sentinel-2A和Sentinel-2B)组成，两颗卫星数据互补，重访周期为5天，轨道周期为100分钟，轨道高度为786公里。扫描宽度为290公里，轨道倾角为98.62°。多光谱扫描成像数据(MSI)在可见光至红色边缘区域提供一个空间分辨率为60m的波段、三个10m波段和两个30m波段。影像获取时间为2015年10月至2020年11月，获取共139景影像，该数据可在美国地质调查局(USGS)下载。
步骤2)数据预处理：将步骤1)获取的五个深度的土层样点数据处理为1 米深的土壤剖面盐分数据；分别对于五个深度土层的实测电导率数据(EC1:5) 与EM38-MK2测量的土壤电导率数据进行线性回归，五个回归方程是为：
EC1:5(0-0.2m)＝0.102+0.013×ECah0.75+0.018×ECah1.5-0.002×ECav0.75+0.013×ECav1.5；
EC1:5(0.2-0.4m)＝-0.154-0.001×ECah0.75+0.023×ECah1.5+0.005×ECav0.75-0.014×ECav1.5；
EC1:5(0.4-0.6m)＝-0.247-0.012×ECah0.75+0.027×ECah1.5+0.001×ECav0.75-0.001×ECav1.5；
EC1:5(0.6-0.8m)＝-0.118-0.012×ECah0.75+0.015×ECah1.5+0.007×ECav0.75-0.005×ECav1.5；
EC1:5(0.8-1m)＝0.028-0.009×ECah0.75+0.013×ECah1.5+0.003×ECav0.75-0.004×ECav1.5；
其中，ECah0.75代表0.75米深处水平模式测得的电导率，ECah1.5代表1.5米深处水平模式测得的电导率，ECav0.75代表0.75米深处垂直模式测得的电导率，ECav1.5代表1.75 米深处垂直模式测得的电导率；得到与电导率数据点位数相同的EC1:5数据后，利用公式Y＝V×ρ×c计算得到五个土层深度的剖面盐分含量(0.2米)；其中，Y代表计算得到的剖面盐分含量，V代表土体的体积，ρ代表土壤容重，c代表可溶性盐含量；采用累加法对计算的每0.2米土层的剖面盐分含量整合，计算公式为 Y0-1m＝Y0-0.2m+Y0.2-0.4m+Y0.4-0.6m+Y0.6-0.8m+Y0.8-1m；其中，Y0-1m代表1米土壤剖面盐分总含量，Y0-0.2m，Y0.2-0.4m，Y0.4-0.6m，Y0.6-0.8m，Y0.8-1m分别是五个深度处剖面盐分含量；计算后2020年11月及2019年11月的1米土壤剖面盐分总含量样点，其中545个为2020年数据集，37个为2019年数据集。
将步骤1)获取的Sentinel-2遥感数据进行预处理；利用Sentinel ApplicationPlatform(SNAP)包中的Sen2Cor模块对Sentinel-2数据进行辐射校准和大气校正，将MSI图像转换为表面反射率格式输出；得到139景空间分辨率为10米的Sentinel-2影像；以月份为目标时间单位分类，对139景单幅Sentinel-2影像中的全波段采用栅格逐像元计算方法计算，逐个像元地将栅格值相加并求平均值；得到2015年10月至2020年11月的逐月平均影像，共60期数据，每一期数据的空间分辨率为10m、时间分辨率为1个月。
步骤3)自变量筛选：对步骤2)后处理的2020年11月1日的单景Sentinel-2 影像，利用波段及波段组合计算的方法得到光谱特征、植被指数特征、盐分指数特征、土壤相关指数特征，作为待评估的自变量；对步骤2)后处理的2020年 11月1日的表土盐分含量数据(0-0.2米，545个)作为相关变量，利用R软件中提供的“caret”包的“varImp”函数，对每个土壤样点建立RF模型；该模型具体特征如下：随机森林(RF)方法按内置评价指标：均方误差的显着性 (％IncMSE)和节点的纯度(IncNodePurity)为评估准则筛选自变量，得到与表土中土壤盐分含量相关性高的指数。以光谱波段、植被指数、盐分指数、土壤相关指数为自变量，表土土壤盐分含量(0-0.2米)为因变量，随机森林中树的数目为500，构建每棵决策树时随机抽取的变量的数目选择范围为[1,20]，模型以最小均方根误差为参数优选标准进行循环。自变量筛选模型优选后得到22个指数作为最佳观测土壤表层盐分含量的自变量，包括：SI,S1,S2,S3,S6,S7,CRSI, SSSI-2,SI-T,SI4,NDSI,BI,CYEX,CAEX,CLEX,GVMI,RVI,GARI,DVI,EVI, OSAVI,ENDVI；各个筛选得到的自变量的全称及波段计算公式如下所示：
对步骤2)后得到的60期空间分辨率为10m、时间分辨率为1个月的 Sentinel-2月平均数据集进行波段组合计算，根据上述22个波段组合公式，分别计算逐月平均的22个指数。
步骤4)土壤剖面盐分估算：基于步骤3)得到的22个月平均遥感影像的长时间序列指数数据集作为自变量，以步骤2)得到的土壤剖面1米深的可溶性盐含量数据作为因变量，基于时空卷积网络(Temporal Convolution Network)构建回归模型。具体方法如下：
基于步骤2)得到的545个2020年11月1日的土壤样点，以2:1的比例随机生成训练集和测试集；基于步骤2)得到的37个2019年11月2日的土壤样点作为2019年的测试集；为了增强模型运行的效率，对训练集和测试集分别进行归一化处理，公式为Y＝(X-Xmin)/(Xmax-Xmin)；其中，Y代表归一化后的数据，X 代表待归一化的数据，Xmax和Xmin分别代表X的最大值和最小值；计算后得到归一化为[-1，1]区间内的数据；在训练集、测试集中建模中，根据TCN模型在 2020年测试集中表现的拟合优度最高为原则筛选时间序列的长度，筛选后以时间序列自变量的长度为前两年周期内的指数集作为最优时间序列自变量；在估算 2020年11月份的土壤剖面盐分含量时，以2017年10月至2019年10月的月平均数据(24期)作为自变量；在估算2019年11月份的土壤剖面盐分含量时，以2016年10月至2018年10月的月平均数据(24期)作为自变量；
以十折交叉验证法对训练集进行TCN回归模型的训练，以因果卷积模块训练24期时间序列自变量数据集，内核初始化器为He_normal，卷积层中的激活函数为ReLU，每个卷积层使用的内核大小为8，扩大卷积中跳跃参数filter为1，卷积层上下文中的膨胀参数dilation base为7，时间膨胀模块对应的扩张因子分别为[1,2,4,8,16,32,64,128,256]；在对训练集进行训练时，学习率设置为0.005、权值惩罚项参数dropout率的概率参数设置为0.5，得到降低模型的损失率并提高学习率的模型；在2020年的建模和测试以及2019年数据集上的测试中，根据模型优选和参数设置，对待测区域内的每一个栅格构建自变量对因变量的回归模型，得到2020年11月和2019年11月的待测区域10米分辨率的1米深土壤剖面盐分含量数据。
选取2020年的545个地面样点和2019年的37个地面样点作为验证点，如图1所示，以本实施例估算的1米土壤剖面盐分含量在2020年数据训练集(a) 和2020年测试集(b)中表现良好，在训练集中R2＝0.66，在测试集中R2＝0.65；在时间尺度的迁移能力验证上，以本实施例估算的1米土壤剖面盐分含量在2019 年数据测试集上精度可信，在测试集中R2＝0.71。
选取新疆维吾尔自治区的棉花种植田块作为研究区，以本实施例估算得到的2020年、2019年1米土壤剖面的盐分含量分布图如图2所示，空间分辨率为10 米。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，步骤如下：
S1：获取待测区域在待估算时期下对应的单景Sentinel-2卫星遥感影像数据和地面调查数据；同时获取待测区域在待估算时期之前的Sentinel-2卫星遥感影像历史序列；
其中，所述地面调查数据包含在待估算时期采集的多深度实测电导率数据和EM38-MK2电导率数据；所述多深度实测电导率数据中包含了第一土壤采样点集合中每个土壤采样点的分段电导率数据，所述分段电导率数据包含土壤采样点所在位置深度为1米的土壤剖面按照设定间隔分段采样后实测得到的不同土层深度各自的电导率，其中土壤表面所在的一段土层为土壤表层；所述EM38-MK2电导率数据包含第二土壤采样点集合中每个土壤采样点的多模式电导率数据，所述多模式电导率数据包含土壤采样点所在位置在不同深度分别按照不同模式测得的多个电导率；且第一土壤采样点集合为第二土壤采样点集合的子集；
S2：将S1中获取的三类数据按照S21～S23进行多源数据匹配处理：
S21：针对第一土壤采样点集合中的每个土壤采样点对应的分段电导率数据和多模式电导率数据进行线性回归，使线性回归模型能够基于所述多模式电导率数据估计同一土壤采样点的所述分段电导率数据；
S22：针对第二土壤采样点集合中的每个土壤采样点，利用所述线性回归模型估计每个土壤采样点对应的5个土层深度各自的电导率，并根据电导率换算得到土壤剖面不同土层深度处的盐分含量，对不同土层深度整合后得到1米深土壤剖面总盐分含量；
S23：对S1获得的Sentinel-2卫星遥感影像历史序列的时间分辨率进行规范化处理，得到空间分辨率和时间分辨率均统一的月平均Sentinel-2影像数据集；
S3：基于所述单景Sentinel-2卫星遥感影像数据和S22中得到的第二土壤采样点集合中每个土壤采样点的土壤表层盐分含量数据，以单一波段以及波段组合计算的方法构建待筛选特征集合作为解释变量，以土壤表层盐分含量作为被解释变量，构建自变量筛选模型对待筛选特征集合中的特征进行筛选，得到用于观测土壤表层盐分含量的最佳特征组合；再对所述月平均Sentinel-2影像数据集中的每一景卫星遥感影像逐像元计算所述最佳特征组合中的每个特征值，得到基于遥感影像的长时间序列指数数据集；
S4：以所述第二土壤采样点集合中各土壤采样点在所述长时间序列指数数据集中对应的最佳特征组合特征值作为自变量，以S22中得到的所有第二土壤采样点集合中各土壤采样点的1米深土壤剖面总盐分含量作为因变量，建立时空回归模型；最后基于所述长时间序列指数数据集，利用时空回归模型来预测待测区域内每一个像元所在位置的1米深土壤剖面盐分含量，形成待估算时期对应的1米深土壤剖面盐分含量的空间分布图。
2.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述多深度实测电导率数据中，每个土壤采样点处深度为1米的土壤剖面按照0.2m的间隔分别在0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m进行分段采样，并测定每一段土壤的电导率，得到5个土层深度各自的电导率构成所述多深度实测电导率数据。
3.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述EM38-MK2电导率数据中，每个土壤采样点处利用EM38-MK2大地电导率仪在0.75米和1.5米深度分别按照水平和垂直模式测得4个电导率，构成所述多模式电导率数据。
4.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述Sentinel-2卫星遥感影像历史序列为在待估算时期之前三年至待估算时期之前一年期间获得的待测区域Sentinel-2卫星遥感影像，时间跨度为24个月，影像空间分辨率为10米。
5.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述线性回归模型的形式为：
EC1:5(a-bm)＝A+B×ECah0.75+C×ECah1.5+D×ECav0.75+E×ECav1.5
其中，EC1:5(a-bm)代表a-b m土层深度对应的电导率，ECah0.75代表EM38-MK2大地电导率仪在0.75米深处按水平模式测得的电导率，ECah1.5代表EM38-MK2大地电导率仪在1.5米深处按水平模式测得的电导率，ECav0.75代表EM38-MK2大地电导率仪在0.75米深处按垂直模式测得的电导率，ECav1.5代表EM38-MK2大地电导率仪在1.75米按深处垂直模式测得的电导率，A、B、C、D、E分别表示五个回归系数。
6.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述S22中，根据电导率换算土壤剖面不同土层深度处的盐分含量时，先根据电导率换算可溶性盐含量，再根据可溶性盐含量计算土壤中的盐分含量。
7.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述S22中，对不同土层深度整合得到1米深土壤剖面总盐分含量所用的整合方法为累加法，累加公式为：
Y0-1m＝Y0-0.2m+Y0.2-0.4m+Y0.4-0.6m+Y0.6-0.8m+Y0.8-1m
其中，Y0-1m代表1米深土壤剖面总盐分含量，Y0-0.2m，Y0.2-0.4m，Y0.4-0.6m，Y0.6-0.8m，Y0.8-1m分别是0-0.2m,0.2-0.4m,0.4-0.6m,0.6-0.8m,0.8-1m五个土层深度处的盐分含量。
8.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述月平均Sentinel-2影像数据集中的每一景卫星遥感影像由同一个月中所有Sentinel-2卫星遥感影像平均得到。
9.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述S3中，所述的自变量筛选模型为随机森林模型，所述待筛选特征集合中包含光谱特征、植被指数特征、盐分指数特征和土壤相关指数特征；随机森林模型按均方误差的显着性和节点的纯度筛选待筛选特征集合中的特征，得到与表土中土壤盐分含量相关性最高的若干特征形成最佳特征组合。
10.根据权利要求1所述利用时间序列遥感影像联合估算土壤剖面盐分的方法，其特征在于，所述S4中的时空回归模型为基于时空卷积网络构建的回归模型。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370955.2A CN114062439B (zh) | 2021-11-18 | 2021-11-18 | 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 |
| PCT/CN2022/132570 WO2023088366A1 (zh) | 2021-11-18 | 2022-11-17 | 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 |
| US18/655,308 US20240288602A1 (en) | 2021-11-18 | 2024-05-05 | Method for jointly estimating soil profile salinity by using time-series remote sensing image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370955.2A CN114062439B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114062439A CN114062439A (zh) | 2022-02-18 |
| CN114062439B true CN114062439B (zh) | 2022-08-23 |
Family
ID=80277961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111370955.2A Active CN114062439B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240288602A1 (zh) |
| CN (1) | CN114062439B (zh) |
| WO (1) | WO2023088366A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP2023170710A (ja) * | 2022-05-19 | 2023-12-01 | 横河電機株式会社 | 撮影支援装置、撮影支援方法、および、撮影支援プログラム |
| CN117688478B (zh) * | 2023-12-11 | 2024-09-24 | 中国科学院地理科学与资源研究所 | 一种基于多循环分类的耕地土壤含盐量反演方法 |
| CN117540132B (zh) * | 2024-01-09 | 2024-04-02 | 中国科学院精密测量科学与技术创新研究院 | 一种基于星-地观测的多年冻土活动层厚度估算方法 |
| CN118551920A (zh) * | 2024-05-06 | 2024-08-27 | 北京四象爱数科技有限公司 | 一种基于遥感数据的项目资产核算方法及设备 |
| CN118279310B (zh) * | 2024-06-03 | 2024-08-30 | 中国科学院空天信息创新研究院 | 基于微分建模的遥感影像异常检测方法及其装置 |
| CN118521182B (zh) * | 2024-07-18 | 2024-10-18 | 烟台大学 | 一种基于遥感数据的国土规划调整辅助系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| AU2021101714A4 (en) * | 2020-06-19 | 2021-05-20 | Brealant Limited | Method of land use classification oriented to time-series remote-sensing images |
| CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
| 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 |
| 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 |
-
2021
- 2021-11-18 CN CN202111370955.2A patent/CN114062439B/zh active Active
-
2022
- 2022-11-17 WO PCT/CN2022/132570 patent/WO2023088366A1/zh unknown
-
2024
- 2024-05-05 US US18/655,308 patent/US20240288602A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| AU2021101714A4 (en) * | 2020-06-19 | 2021-05-20 | Brealant Limited | Method of land use classification oriented to time-series remote-sensing images |
| CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Integrating Remote Sensing and Landscape Characteristics to Estimate Soil Salinity Using Machine Learning Methods: A Case Study from Southern Xinjiang, China;Wang, NWang等;《REMOTE SENSING》;20201216;第12卷(第24期);全文 * |
| Mapping coastal salt marshes in China using time series of Sentinel-1 SAR;Hu, Yuekai等;《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》;20210131;第173卷;第122-134页 * |
| 基于多源反的干旱地区盐分遥感演进研究;胡婕;《中国优秀硕士论文全文数据库基础科学辑》;20190715(第7期);全文 * |
| 基于时间序列高光谱遥感影像的田块尺度作物产量预测;刘焕军等;《光谱学与光谱分析》;20160815(第08期);第231-235页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114062439A (zh) | 2022-02-18 |
| WO2023088366A1 (zh) | 2023-05-25 |
| US20240288602A1 (en) | 2024-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114062439B (zh) | 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 | |
| CN114076738B (zh) | 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 | |
| Puliti et al. | Modelling above-ground biomass stock over Norway using national forest inventory data with ArcticDEM and Sentinel-2 data | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
| CN110427995B (zh) | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 | |
| CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| CN107328741B (zh) | 土壤侵蚀方程中植被覆盖与管理因子c改进方法 | |
| CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
| CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
| Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
| CN116452023B (zh) | 基于低频微波雷达vod数据的公里级碳储量评估方法 | |
| CN115077656B (zh) | 水库水储量反演方法和装置 | |
| Gupta et al. | Mixed tropical forests canopy height mapping from spaceborne LiDAR GEDI and multisensor imagery using machine learning models | |
| CN117437538A (zh) | 一种热带雨林生态系统时空格局特征提取及预测方法 | |
| CN117826112B (zh) | 一种基于sar的土壤含水量的反演方法 | |
| Qi et al. | Soil salinity inversion in coastal cotton growing areas: An integration method using satellite‐ground spectral fusion and satellite‐UAV collaboration | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Matongera et al. | Characterizing bracken fern phenological cycle using time series data derived from Sentinel-2 satellite sensor | |
| CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
| Duan et al. | Monitoring apple flowering date at 10 m spatial resolution based on crop reference curves | |
| Abegeja | The application of satellite sensors, current state of utilization, and sources of remote sensing dataset in hydrology for water resource management | |
| CN117078033B (zh) | 一种台风灾害影响评估方法、装置及计算机 | |
| Setiawan et al. | VEGETATION INDICES FROM LANDSAT-8 DATA IN PALABUHANRATU |
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 |