CN115128013A - 一种基于分区算法的土壤有机质含量空间预测评估方法 - Google Patents
一种基于分区算法的土壤有机质含量空间预测评估方法 Download PDFInfo
- Publication number
- CN115128013A CN115128013A CN202210757738.7A CN202210757738A CN115128013A CN 115128013 A CN115128013 A CN 115128013A CN 202210757738 A CN202210757738 A CN 202210757738A CN 115128013 A CN115128013 A CN 115128013A
- Authority
- CN
- China
- Prior art keywords
- soil
- organic matter
- algorithm
- prediction
- partition
- 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
- 238000005192 partition Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 239000004016 soil organic matter Substances 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 239000002689 soil Substances 0.000 claims abstract description 113
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000005416 organic matter Substances 0.000 claims description 28
- 238000002310 reflectometry Methods 0.000 claims description 15
- 230000002194 synthesizing effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000011146 organic particle Substances 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于分区算法的土壤有机质含量空间预测评估方法,所述土壤有机质含量空间预测评估方法具体包括:土壤样品数据的采集和预处理、图像选择和预处理、光谱指数的构建、基于分区算法的土壤有机质估算模型构建。该基于分区算法的土壤有机质含量空间预测评估方法提出了一种基于不同时期裸土合成图像的光谱特征,利用土壤实测样本训练,得到光谱特征与土壤有机质含量关系的森林回归模型,并据此绘制区域高空间分辨率的土壤有机质含量的制图方法。本发明利用分区算法避免数据不足和区域微环境差异造成的预测误差,提高了土壤有机质含量预测精度。此外,分区算法加速了图像光谱信息处理响应时间,大幅提高了计算速度,降低了时间成本。
Description
技术领域
本发明涉及土壤有机质含量技术领域,具体为一种基于分区算法的土壤有机质含量空间预测评估方法。
背景技术
有机质是土壤肥力的重要指标,是作物生长的主要养分来源,对农业生产和粮食安全具有重要意义。传统的土壤有机质测量主要依靠人工采样和大量的定点观测。这些方法费时费力,通常只能获取土壤有机质点分布数据,不能反映区域分布的整体情况。因此,结合空间信息技术获取土壤有机质精细的空间分布信息是未来发展的方向。
由于遥感影像的高实时性和易获取性,利用遥感影像的土壤有机质空间分布映射得到了广泛的应用。土壤有机质含量与光谱反射率存在相关关系,这为使用多光谱图像进行空间土壤有机质映射提供了理论基础。不过,当前基于反射光谱技术的土壤有机质含量预测存在以下问题:目前基于光谱的土壤有机质含量估算多使用光谱反射率、反射率一阶微分、反射率倒数对数、反射率倒数对数一阶微分等光谱反射率变化等作为估算模型参数;(2)目前基于反射光谱的土壤有机质含量估算多采用神经网络、CARS算法、蝙蝠算法(BA)、多元线性回归等方法构建模型。这些模型参数和方法相对比较复杂,计算参数多、计算耗时长,实际应用操作可能存在较大困难,且这些方法多是基于整体光谱图像进行的含量估算,存在由于目标区内部土壤差异大对模型预测带来较大偏差的风险。因此亟需一种新型的参数简单且建模方法容易,能对目标区进行分区的土壤有机质含量估算方法。
针对上述问题,在原有土壤有机质估算方法的基础上进行创新设计。
发明内容
本发明的目的在于提供一种基于分区算法的土壤有机质含量空间预测评估方法,避免了传统实验室化学分析方法费时费力的不足,与其它光谱技术相比,本发明利用分区算法能避免数据不足和区域微环境差异造成的预测误差,提高了土壤有机质含量预测的精度。此外,分区算法加速了图像光谱信息处理响应时间,大幅提高了计算速度,可以大大减少计算用时,降低了时间成本。
为实现上述目的,本发明提供如下技术方案:一种基于分区算法的土壤有机质含量空间预测评估方法,其中具体包括:
步骤A.土壤样品数据的收集和预处理;
步骤B.图像选择和预处理;
步骤C.光谱指数的构建;
步骤D.基于分区算法的土壤有机质预测模型构建。
优选的,所述步骤A中土壤样品数据的收集和预处理是通过将目标农用地划分为多个30m×30m的网格,在每个网格内采集5到6个子样本混合成一个样本,使用手持GPS记录每个网格的中心位置。采样点包括目标农用地内所有土壤类型。
采用上述技术方案,将每个混合样品采用自然风干、除杂,研磨通过2毫米筛子,后采用重铬酸钾法等方法测定样品中总有机碳(TOC)含量,然后我们将TOC含量乘以转换因子获取土壤有机质含量。
优选的,所述步骤B中图像选择和预处理,通过谷歌地球引擎(GEE)平台,选择目标农用地所有裸露土壤期的Landsat-8或者Sentinel-2的大气校正表面反射率图(SR)为原始图像。对多期SR图像进行合成,从合成图像中获得相对稳定的土壤像素来预测有机质含量。
优选的,所述Landsat 8图像预处理方法:Landsat-8数据存储在GEE平台中的USGSLandsat-8 SR数据库中,包括5个可见光和VNIR波段、2个SWIR波段和1个热红外波段。这些波段通过LaSRC算法进行大气校正,空间分辨率为30米。后将Landsat-8 SR产品的pixel_QA波段作为云掩模,生成裸土期无云覆盖的Landsat-8图像,将所有裸土期Landsat-8 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量;
优选的,所述Sentinel-2图像预处理方法:Sentinel-2数据存储在GEE平台中的Sentinel-2 MSI Level-2A数据库中,包括4个VNIR波段、2个SWIR波段和4个红边波段。这些波段通过Sen2Cor算法进行大气校正,VNIR波段空间分辨率为10米,SWIR波段和红边波段空间分辨率为20米。后将Sentinel-2 SR产品的QA60波段作为云掩模,生成裸土期无云覆盖的Sentinel-2图像,将所有裸土期Sentinel-2 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量。
优选的,所述步骤C光谱指数的构建:构建归一化差分指数(NDI)、比值指数(RI)和差分指数(DI)等光谱指数对土壤有机质含量进行预测。NDI、RI和DI可以为光谱带较少的多光谱图像提供比其他指数更多的信息。
NDI、RI和DI计算公式如下:
其中,Pi代表第i个波段的反射率,Pj代表第j个波段反射率;
利用上述公式,对Landsat-8 合成图像或者Sentinel-2合成图像生成所需的光谱指数。
优选的,步骤(D)所述基于分区算法的土壤有机质预测模型构建中基于土壤类型分区的局部回归模型。根据中国土壤普查结果,将目标农用地分为不同土壤类型,对不同类型土壤有机质含量进行预测,将预测结果与步骤A中的土壤实测结果相结合,得到基于土壤类型分区的局部回归模型。
优选的,步骤(D)所述基于分区算法的土壤有机质预测模型构建中基于K-均值分区的局部回归模型。是使用GEE平台中内置的级联简单K均值(”cascade simple K-means”)算法选择最佳分区数据。将要分割的合成图像和步骤A中的土壤实测样本数据作为训练样本输入GEE,对不同分区的土壤有机质含量进行预测,将预测结果和土壤实测结果相结合,得到基于K-均值分区的局部回归模型。
优选的,步骤(D)所述基于分区算法的土壤有机质预测模型构建中随机森林回归模型,使用GEE平台内置的RF算法进行计算。以Landsat-8或者Sentinel-2的所有波段和光谱指数为自变量,土壤有机质含量定义为因变量。使用bootstrap从土壤原始数据集中随机选择一定数量的样本生产新的训练数据集。然后,建立每个树模型,并利用误差确定最优分割节点数,所有树的预测平均值即为最终的预测值。优选的,基于分区算法的土壤有机质预测模型构建,其特征在于:所述的基于分区算法的土壤有机质预测模型的准确性验证,是通过将步骤(A)中 75%的土壤样本作为训练样本,25%作为验证样本,通过模型预测值和实测值之间的决定系数(R2)和均方根误差(RMSE)来评估土壤有机质估算模型预测的准确性,R2越大,RMSE越小,土壤有机质估算模型的准确率越高。R2和RMSE的计算公式如下:
与现有技术相比,本发明的有益效果是:
1.依托GEE平台可同步美国地质调查局(USGS)、欧空局等单位产生的不同时期、不同层次的产品,可提供多时相光谱图像处理职能,其强大的数据并行处理能力,能极大地简化和加速原本非常复杂的计算和操作步骤。
2.采用分区算法,可以避免数据不足和区域微环境差异造成的预测误差,提高了土壤有机质含量预测的精度。此外,分区算法加速了图像光谱信息处理响应时间,大幅提高了计算速度,可以大大减少计算用时,降低了时间成本。
附图说明
图1为本发明Landsat-8不同分区算法土壤有机质平均值随光谱带的变化曲线;
图2为本发明Sentinel-2不同分区算法土壤有机质平均值随光谱带的变化曲线;
图3为本发明实施例Landsat-8土壤有机质不同分区回归模型验证精度图;
图4为本发明实施例Sentinel-2土壤有机质不同分区回归模型验证精度图;
图5为本发明基于分区算法的土壤有机质含量空间预测评估方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,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,本领域普通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
一种基于分区算法的土壤有机质含量空间预测评估方法,其中具体包括:
步骤A.土壤样品数据的收集和预处理;
步骤B.Landsat-8图像选择和预处理;
步骤C.光谱指数的构建;
步骤D.基于分区算法的土壤有机质预测模型构建。
步骤A中土壤样品数据的收集和预处理是通过将目标农用地划分为多个30m×30m的网格,在每个网格内采集5到6个子样本混合成一个样本,使用手持GPS记录每个网格的中心位置。采样点包括目标农用地内所有土壤类型。对每个混合样本采用自然风干、除杂,研磨通过2毫米筛子,后采用重铬酸钾法等方法测定样品中的有机质含量。
步骤B中图像选择和预处理,通过谷歌地球引擎(GEE)平台,选择目标农用地所有裸露土壤期的Landsat-8的大气校正表面反射率图(SR)为原始图像。对多期SR图像进行合成,从合成图像中获得相对稳定的土壤像素来预测有机质含量;Landsat-8数据存储在GEE平台中的USGS Landsat-8 SR数据库中,包括5个可见光和VNIR波段、2个SWIR波段和1个热红外波段。这些波段通过LaSRC算法进行大气校正,空间分辨率为30米。后将Landsat-8 SR产品的pixel_QA波段作为云掩模,生成裸土期无云覆盖的Landsat-8图像,将所有裸土期Landsat-8 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量;
步骤C光谱指数的构建:
构建归一化差分指数(NDI)、比值指数(RI)和差分指数(DI)等光谱指数对土壤有机质含量进行预测。NDI、RI和DI可以为光谱带较少的多光谱图像提供比其他指数更多的信息。:
NDI、RI和DI计算公式如下:
其中,Pi代表第i个波段的反射率,Pj代表第j个波段反射率;
利用上述公式,对Landsat-8 合成图像生成所需的光谱指数。
步骤(D)基于分区算法的土壤有机质预测模型:
(1)分区算法基于土壤类型分区的局部回归模型,根据中国土壤普查结果,将目标农用地分为不同土壤类型,对不同类型土壤有机质含量进行预测,将预测结果与步骤A中的土壤实测结果相结合,得到基于土壤类型分区的局部回归模型。
(2)分区算法基于K-均值分区的局部回归模型,是使用GEE平台中内置的级联简单K均值(“cascade simple K-means”)算法选择最佳分区数据。将要分割的合成图像和步骤A中的土壤实测样本数据作为训练样本输入GEE,对不同分区的土壤有机质含量进行预测,将预测结果和土壤实测结果相结合,得到基于K-均值分区的局部回归模型。
(3)土壤有机质预测模型为随机森林回归模型,使用GEE平台内置的RF算法进行计算。以Landsat-8的所有波段和光谱指数为自变量,土壤有机质含量定义为因变量。使用bootstrap从土壤原始数据集中随机选择一定数量的样本生产新的训练数据集。然后,建立每个树模型,并利用误差确定最优分割节点数,所有树的预测平均值即为最终的预测值。
(4)校验模型
将 75%的土壤样本作为训练样本,25%作为验证样本,通过模型预测值和实测值之间的决定系数(R2)和均方根误差(RMSE)来评估土壤有机质估算模型预测的准确性,R2越大,RMSE越小,土壤有机质估算模型的准确率越高。R2和RMSE的计算公式如下:
实施例2
一种基于分区算法的土壤有机质含量空间预测评估方法,其中具体包括:
步骤A.土壤样品数据的收集和预处理;
步骤B.Sentinel-2图像选择和预处理;
步骤C.光谱指数的构建;
步骤D.基于分区算法的土壤有机质预测模型构建。
步骤A中土壤样品数据的收集和预处理是通过将目标农用地划分为多个30m×30m的网格,在每个网格内采集5到6个子样本混合成一个样本,使用手持GPS记录每个网格的中心位置。采样点包括目标农用地内所有土壤类型。对每个混合样本采用自然风干、除杂,研磨通过2毫米筛子,后采用重铬酸钾法等方法测定样品中的有机质含量。
步骤B中图像选择和预处理,通过谷歌地球引擎(GEE)平台,选择目标农用地所有裸露土壤期的Sentinel-2的大气校正表面反射率图(SR)为原始图像。对多期SR图像进行合成,从合成图像中获得相对稳定的土壤像素来预测有机质含量;Sentinel-2数据存储在GEE平台中的Sentinel-2 MSI Level-2A数据库中,包括4个VNIR波段、2个SWIR波段和4个红边波段。这些波段通过Sen2Cor算法进行大气校正,VNIR波段空间分辨率为10米,SWIR波段和红边波段空间分辨率为20米。后将Sentinel-2 SR产品的QA60波段作为云掩模,生成裸土期无云覆盖的Sentinel-2图像,将所有裸土期Sentinel-2 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量。
步骤C光谱指数的构建:
构建归一化差分指数(NDI)、比值指数(RI)和差分指数(DI)等光谱指数对土壤有机质含量进行预测。NDI、RI和DI可以为光谱带较少的多光谱图像提供比其他指数更多的信息。:
NDI、RI和DI计算公式如下:
其中,Pi代表第i个波段的反射率,Pj代表第j个波段反射率;
利用上述公式,对Sentinel-2合成图像生成所需的光谱指数。
步骤(D)基于分区算法的土壤有机质预测模型:
(1)分区算法基于土壤类型分区的局部回归模型,根据中国土壤普查结果,将目标农用地分为不同土壤类型,对不同类型土壤有机质含量进行预测,将预测结果与步骤A中的土壤实测结果相结合,得到基于土壤类型分区的局部回归模型。
(2)分区算法基于K-均值分区的局部回归模型,是使用GEE平台中内置的级联简单K均值(“cascade simple K-means”)算法选择最佳分区数据。将要分割的合成图像和步骤A中的土壤实测样本数据作为训练样本输入GEE,对不同分区的土壤有机质含量进行预测,将预测结果和土壤实测结果相结合,得到基于K-均值分区的局部回归模型。
(3)土壤有机质预测模型为随机森林回归模型,使用GEE平台内置的RF算法进行计算。以Sentinel-2的所有波段和光谱指数为自变量,土壤有机质含量定义为因变量。使用bootstrap从土壤原始数据集中随机选择一定数量的样本生产新的训练数据集。然后,建立每个树模型,并利用误差确定最优分割节点数,所有树的预测平均值即为最终的预测值。
(4)校验模型
将 75%的土壤样本作为训练样本,25%作为验证样本,通过模型预测值和实测值之间的决定系数(R2)和均方根误差(RMSE)来评估土壤有机质估算模型预测的准确性,R2越大,RMSE越小,土壤有机质估算模型的准确率越高。R2和RMSE的计算公式如下:
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于分区算法的土壤有机质含量空间预测评估方法,其特征在于:该预测评估方法,具体包括:
步骤A.土壤样品数据的收集和预处理;
步骤B.图像选择和预处理;
步骤C.光谱指数的构建;
步骤D.基于分区算法的土壤有机质预测模型构建。
2.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法,其特征在于:所述步骤A中土壤样品数据的收集和预处理是通过将目标农用地划分为多个30m×30m的网格,在每个网格内采集5到6个子样本混合成一个样本,使用手持GPS记录每个网格的中心位置;
采样点包括目标农用地内所有土壤类型;
对每个混合样本采用自然风干、除杂,研磨通过2毫米筛子,后采用重铬酸钾法等方法测定样品中的有机质含量。
3.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法,其特征在于:所述步骤B中图像选择和预处理,通过谷歌地球引擎(GEE)平台,选择目标农用地所有裸露土壤期的Landsat-8或者Sentinel-2的大气校正表面反射率图(SR)为原始图像;
对多期SR图像进行合成,从合成图像中获得相对稳定的土壤像素来预测有机质含量;
(1)所述的Landsat-8数据存储在GEE平台中的USGS Landsat-8 SR数据库中,包括5个可见光和VNIR波段、2个SWIR波段和1个热红外波段;
这些波段通过LaSRC算法进行大气校正,空间分辨率为30米;
后将Landsat-8 SR产品的pixel_QA波段作为云掩模,生成裸土期无云覆盖的Landsat-8图像,将所有裸土期Landsat-8 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量;
(2)所述的Sentinel-2数据存储在GEE平台中的Sentinel-2 MSI Level-2A数据库中,包括4个VNIR波段、2个SWIR波段和4个红边波段;
这些波段通过Sen2Cor算法进行大气校正,VNIR波段空间分辨率为10米,SWIR波段和红边波段空间分辨率为20米;
后将Sentinel-2 SR产品的QA60波段作为云掩模,生成裸土期无云覆盖的Sentinel-2图像,将所有裸土期Sentinel-2 SR图像合成,可获得相对稳定的土壤像素来预测有机质含量。
5.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法,其特征在于:步骤(D)所述基于分区算法的土壤有机质预测模型构建:
(1)所述分区算法可为基于土壤类型分区的局部回归模型;
(2)所述分区算法可为基于K-均值分区的局部回归模型;
(3)所述土壤有机质预测模型为随机森林回归模型。
6.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建,其特征在于:所述(1)基于土壤类型分区的局部回归模型,根据中国土壤普查结果,将目标农用地分为不同土壤类型,对不同类型土壤有机质含量进行预测,将预测结果与步骤A中的土壤实测结果相结合,得到基于土壤类型分区的局部回归模型。
7.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建,其特征在于:所述(2)基于K-均值分区的局部回归模型,是使用GEE平台中内置的级联简单K均值(“cascadesimple K-means”)算法选择最佳分区数据;
将要分割的合成图像和步骤A中的土壤实测样本数据作为训练样本输入GEE,对不同分区的土壤有机质含量进行预测,将预测结果和土壤实测结果相结合,得到基于K-均值分区的局部回归模型。
8.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建,其特征在于:所述(3)随机森林回归模型,使用GEE平台内置的RF算法进行计算;
以Landsat-8或者Sentinel-2的所有波段和光谱指数为自变量,土壤有机质含量定义为因变量;
使用bootstrap从土壤原始数据集中随机选择一定数量的样本生产新的训练数据集;
然后,建立每个树模型,并利用误差确定最优分割节点数,所有树的预测平均值即为最终的预测值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210757738.7A CN115128013A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分区算法的土壤有机质含量空间预测评估方法 |
GB2305398.6A GB2620469A (en) | 2022-06-30 | 2023-04-12 | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210757738.7A CN115128013A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分区算法的土壤有机质含量空间预测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115128013A true CN115128013A (zh) | 2022-09-30 |
Family
ID=83382206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210757738.7A Pending CN115128013A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分区算法的土壤有机质含量空间预测评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115128013A (zh) |
GB (1) | GB2620469A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829376A (zh) * | 2024-02-29 | 2024-04-05 | 中国科学院地理科学与资源研究所 | 一种黑土区耕地资源可持续利用评价方法及系统 |
CN117852775B (zh) * | 2024-03-05 | 2024-05-28 | 中国科学院地理科学与资源研究所 | 一种喀斯特碳汇潜力的评估方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209803A1 (en) * | 2020-01-06 | 2021-07-08 | Quantela Inc | Computer-based method and system for geo-spatial analysis |
AU2020104068A4 (en) * | 2020-12-14 | 2021-02-25 | Shihezi University | Method for zone-based management of soil nutrients of cultivated land based on geographic information system (gis) and remote sensing (rs) |
-
2022
- 2022-06-30 CN CN202210757738.7A patent/CN115128013A/zh active Pending
-
2023
- 2023-04-12 GB GB2305398.6A patent/GB2620469A/en active Pending
Also Published As
Publication number | Publication date |
---|---|
GB2620469A (en) | 2024-01-10 |
GB202305398D0 (en) | 2023-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及系统 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
Jin et al. | Estimation of maize yield by assimilating biomass and canopy cover derived from hyperspectral data into the AquaCrop model | |
CN115128013A (zh) | 一种基于分区算法的土壤有机质含量空间预测评估方法 | |
CN114076738A (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 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
CN114494882B (zh) | 一种基于随机森林的冬小麦遥感识别分析方法和系统 | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
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 | |
Cho et al. | Mapping beech (Fagus sylvatica L.) forest structure with airborne hyperspectral imagery | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
Bera et al. | Comparative performance of Sentinel-2 MSI and Landsat-8 OLI data in canopy cover prediction using Random Forest model: Comparing model performance and tuning parameters | |
CN113159420A (zh) | 一种GSA-MLs相结合的小麦LAI估算方法 | |
Lin et al. | A model for forest type identification and forest regeneration monitoring based on deep learning and hyperspectral imagery | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN116879176A (zh) | 基于遥感技术区域生态环境监测和森林密度估测方法 | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 |
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 |