CN116757099B - 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 - Google Patents
一种土壤盐分反演及盐渍化风险评估方法、装置及设备 Download PDFInfo
- Publication number
- CN116757099B CN116757099B CN202311040841.0A CN202311040841A CN116757099B CN 116757099 B CN116757099 B CN 116757099B CN 202311040841 A CN202311040841 A CN 202311040841A CN 116757099 B CN116757099 B CN 116757099B
- Authority
- CN
- China
- Prior art keywords
- risk
- soil
- data
- salinization
- salinity
- 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 238
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012502 risk assessment Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 84
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 115
- 238000011176 pooling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003621 irrigation water Substances 0.000 claims description 3
- 239000003895 organic fertilizer Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 9
- 210000002569 neuron Anatomy 0.000 description 16
- 238000012937 correction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 150000003839 salts Chemical class 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种土壤盐分反演及盐渍化风险评估方法、装置及设备，方法包括：获取目标区域遥感数据和野外实测数据；对遥感数据进行预处理，得到土壤盐分特征参数；对土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；训练得到土壤盐渍化反演模型；根据土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；根据目标区域至少一个采样点的含盐度，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；本发明的方案可以利用多源遥感数据构建适宜地区的盐渍化反演模型，对目标区域土壤盐渍化与植被生态时空分布进行分析；构建土壤盐渍化风险评估模型，对区域盐渍化风险进行定量评价与分析。
Description
技术领域
本发明涉及土壤盐渍化技术领域，特别是一种土壤盐分反演及盐渍化风险评估方法、装置及设备。
背景技术
土壤盐渍化是一种土地退化过程，会导致土壤中可溶性盐的过度积累；盐渍土作为生态系统的一部分，其会产生异常的生态系统物质并影响能量循环过程，从而引起农业资源的浪费并对脆弱的生态环境造成影响，也会导致由土壤质量下降带来的经济损失和次生危害，威胁人类的生产生活。
由此，土壤盐渍化在全球变化中是一个重要的环境议题，并且对经济和生态问题带来严重影响；目前亟需对不同尺度土壤盐渍化分布范围、恶化程度进行精确、及时的动态监测，并对区域土壤盐渍化潜在的驱动因子进行分析，为生态的可持续发展提供对策。
发明内容
本发明要解决的技术问题是提供一种土壤盐分反演及盐渍化风险评估方法、装置及设备，可以利用多源遥感数据构建适宜地区的盐渍化反演模型，对目标区域土壤盐渍化与植被生态时空分布进行分析；构建土壤盐渍化风险评估模型，对区域盐渍化风险进行定量评价与分析。
为解决上述技术问题，本发明的技术方案如下：
一种土壤盐分反演及盐渍化风险评估方法，包括：
获取目标区域遥感数据和野外实测数据；
对所述遥感数据进行预处理，得到土壤盐分特征参数；
对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；
将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；
根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；
根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；
根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估。
可选的，对所述遥感数据进行预处理，得到土壤盐分特征参数，包括：
对光学遥感数据进行预处理，得到不同波段构成的土壤盐分特征参数，包括土壤盐分指数和植被指数；
对微波遥感数据进行预处理，得到土壤盐分特征参数，包括后向散射系数、雷达极化分解变量和雷达指数。
可选的，对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数，包括：
对野外实测数据进行预处理，得到土壤盐分实测值；
对所述土壤盐分特征参数和土壤盐分实测值进行相关性分析，计算特征参数的相关系数；
将相关系数大于一预设值的特征参数确定为目标特征参数。
可选的，将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型，包括：
预设一组包含至少一个特征面的卷积层和池化层，以及至少一个卷积核；所述卷积核为一预设权值矩阵；
通过卷积核对输入层数据进行卷积，将提取到的特征经激活函数处理后输入卷积层；池化层对卷积层内数据进行池化处理，并将池化后的数据输入全连接层；
将所述全连接层数据通过输出层输出，得到土壤盐分模型预测值；通过计算决定系数R2和均方根误差RMSE评估模型精度，并调整参数值，直至决定系数R2和均方根误差RMSE达到预设范围，得到土壤盐渍化反演模型。
可选的，所述风险因子包括生物物理量的评价因子、遥感指数及地形情况的评价因子和社会经济评价因子。
可选的，根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值，包括：
建立土壤盐渍化风险基本评价模型：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、wj为第j类风险评价因子对评价目标Fi影响的权重系数、m为风险评价因子种类个数、xij为第i个采样点在第j类风险评价因子的标准化值、xaj为最适宜值；
令xi0为第i个采样点的含盐度值，计算n个采样点的风险评价因子的灰色关联系数；
获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，根据风险评价因子的权重系数和灰色关联系数，计算采样点i与风险评价因子的关联度γi0；
其中，k为分辨率、γi0为采样点i与风险评价因子的关联度；
根据所述关联度，得到目标区域至少一个采样点的土壤盐渍化生态风险值。
可选的，获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，包括：
建立风险评价因子的空间标准化栅格图层集；
将栅格化处理后的风险评价因子与表层土壤电导率进行关联度分析，根据关联度值确定风险评价因子对评价目标Fi影响的权重系数wj值。
本发明还提供一种土壤盐分反演及盐渍化风险评估装置，包括：
反演模块，获取目标区域遥感数据和野外实测数据；对所述遥感数据进行预处理，得到土壤盐分特征参数；对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
评估模块，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估。
本发明还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述的方法。
本发明还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取目标区域遥感数据和野外实测数据；对所述遥感数据进行预处理，得到土壤盐分特征参数；对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估。可以利用多源遥感数据构建适宜地区的盐渍化反演模型，对目标区域土壤盐渍化与植被生态时空分布进行分析；构建土壤盐渍化风险评估模型，对区域盐渍化风险进行定量评价与分析。
附图说明
图1是本发明实施例的土壤盐分反演及盐渍化风险评估方法的流程示意图；
图2是本发明实施例的土壤盐分反演及盐渍化风险评估方法的技术路线图；
图3是本发明实施例的土壤盐分反演及盐渍化风险评估方法的土壤盐渍化反演模型的示意图；
图4是本发明实施例的土壤盐分反演及盐渍化风险评估装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种土壤盐分反演及盐渍化风险评估方法，包括：
步骤11，获取目标区域遥感数据和野外实测数据；
步骤12，对所述遥感数据进行预处理，得到土壤盐分特征参数；
步骤13，对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；
步骤14，将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
步骤15，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；
步骤16，根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；
步骤17，根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；
步骤18，根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估。
如图2所示，该实施例中，利用多元遥感数据构建目标区域的土壤盐渍化反演模型，对目标区域的土壤盐渍化与植被生态时空分布进行分析；采用机器学习的方式，通过卷积神经网络对光学遥感数据和微波遥感数据进行学习，构建目标区域的土壤盐渍化反演模型。利用土壤盐渍化反演模型反演获得的土壤盐分作为评价盐渍化风险生态终点，选择盐渍化形成过程的合适指标作为风险源，通过驱动力分析确定风险因子的权重系数，采用灰色系统分析法构建目标区域的土壤盐渍化风险评估模型，对目标区域的土壤盐渍化风险进行定量评价与分级评估；由于所述风险因子包含遥感数据、社会经济数据以及实测数据，因而可以对中尺度和大尺度的目标区域，从土壤生产潜力和土壤健康等多方面宏观的评价目标区域的土壤盐渍化风险。
本发明一可选的实施例中，步骤12可以包括：
步骤121，对光学遥感数据进行预处理，得到不同波段构成的土壤盐分特征参数，包括土壤盐分指数和植被指数；
步骤122，对微波遥感数据进行预处理，得到土壤盐分特征参数，包括后向散射系数、雷达极化分解变量和雷达指数。
本实施例中，由于土壤盐渍化不但受到目标区域降水和灌溉量的影响，还会受植被生态的影响，因此采用光学遥感和微波遥感两种方式，获取土壤盐渍化和植被生态时空分布特征，作为反演模型的目标特征参数。在光学遥感中，对遥感数据进行辐射定标、大气校正、地形矫正和影像裁切的预处理方式，对预处理后的影像通过遥感处理平台计算不同波段构成的土壤盐分指数和植被指数，如下表1所示：
表1，土壤盐分指数及植被指数
其中，Red为红光波段、Blue为蓝光波段、Green为绿光波段、NIR为近红外波段、SR1为短波红外1波段、SR2为短波红外2波段。
在微波遥感反演中，卫星通过携带的 C 波段信号发射器，发射电磁波信号，而地物信息会影响电磁波反射回的强度、偏移等；通常将地物散射回的信号称为雷达的后向散射系数，地物类型不同，后向散射系数也会不同。由此，可以通过后向散射系数获取目标区域的植被生态时空分布特征。通过轨道矫正、辐射定标、极化分解、地形矫正和影像裁切的方式对数据预处理过程如下：
1、精密轨道文件校正：获取影像产品的精密轨道文件并进行轨道校正；
2、消除热噪声：雷达主极化通道中的信号能量足够高，热噪声的影响较低。然而，交叉极化通道的去极化能量弱于其初始极化能量，热噪声对其信号的干扰较强。因此，消除热噪声对于从交叉极化通道获取有用雷达信息是必不可少的；
3、辐射定标：通过应用软件中的定标系数进行辐射定标；
4、斑点噪声去除：原始的雷达影像存在许多噪声斑点需要去除，本方法选用滤波器对斑点噪声进行处理；
5、几何地形校正：雷达成像在经过预处理之后必须进行几何校正才能让原本倒立的图像转正回来；地形校正采用航天飞机雷达地形测绘使命生成的数字高程模型；
6、分贝化：上述处理后得到的是线性比例单位的后向散射系数，其值通常是很小的正值，通过分贝化可以使得数据在可视化以及分析上更方便。
通过上述预处理后得到的土壤盐分特征参数如下表2所示：
表2,土壤盐分特征参数
本发明一可选的实施例中，步骤13可以包括：
步骤131，对野外实测数据进行预处理，得到土壤盐分实测值；
步骤132，对所述土壤盐分特征参数和土壤盐分实测值进行相关性分析，计算特征参数的相关系数；
步骤133，将相关系数大于一预设值的特征参数确定为目标特征参数。
本实施例中，考虑了盐度和植被覆盖率等条件，应用五点采样法，采用手持式环刀在0-20cm进行采样，以消除取样代表性误差，并利用定位系统记录采样点的经纬度信息。本实施例中，共计收集69个样品，将获得的土壤样品置于105℃的烘箱中，然后再次称量干燥的样品并研磨以除去大颗粒；之后制备土壤溶液（蒸馏水与处理土壤的质量比为5:1），并使用电导率仪器测量土壤电导率，再使用经验公式计算土壤含盐量，得到所述土壤盐分实测值。
将所述土壤盐分特征参数与所述土壤盐分实测值进行相关性分析，将相关性最高的特征参数作为输入土壤盐渍化反演模型的参量。相关性分析方法为 首先进行数据描述性统计，绘制散点图，判断其是否具有线性关系；再描述其平均值、标准差等相关统计信息；对两个呈线性关系的正态连续变量计算相关系数R，将相关系数大于一预设值的特征参数确定为目标特征参数；所述相关系数R计算公式为：
其中，Xi为各个特征参量即自变量、Yi为土壤含盐量即因变量、为自变量的平均
值、为因变量的平均值。
本发明一可选的实施例中，步骤14可以包括：
步骤141，预设一组包含至少一个特征面的卷积层和池化层，以及至少一个卷积核；所述卷积核为一预设权值矩阵；
步骤142，通过卷积核对输入层数据进行卷积，将提取到的特征经激活函数处理后输入卷积层；池化层对卷积层内数据进行池化处理，并将池化后的数据输入全连接层；
步骤143，将所述全连接层数据通过输出层输出，得到土壤盐分模型预测值；通过计算决定系数R2和均方根误差RMSE评估模型精度，并调整参数值，直至决定系数R2和均方根误差RMSE达到预设范围，得到土壤盐渍化反演模型。
本实施例中，在进行反演模型训练之前，需要通过输入层对数据进行标准化处理；以消除不同指标之间的量纲影响，使得各指标处于同一数量级，以进行综合对比评价。优选的，本方法中，采用min-max标准化（极小极大归一化）对原始数据进行线性变换，使结果值映射到[0-1]之间；转换函数如下：
其中，Ip.norm为归一化后的值，Ip为实际值，Ip.max为最大值，Ip.min为最小值。
如图3所示，将经过标准化处理后的输入层数据输入卷积神经网络，所述卷积神经网络包含卷积层、池化层和全连接层；所述卷积层由多个特征面组成，每个特征面由多个神经元组成，它的每一个神经元通过卷积核与上一层特征面的局部区域相连，所述卷积核是一个权值矩阵。卷积层中每个神经元通过一组权值被连接到上一层特征面的局部区域，即卷积层中的神经元与其输入层中的特征面进行局部连接；输入层数据经过卷积核卷积即局部加权求和后传递给一个激活函数即可获得卷积层中每个神经元的输出值。
本实施例中，在同一个输入特征面和同一个输出特征面中，所述卷积神经网络权
值共享；如图3所示，其中，而
，其中表示输入特征面ｍ第ｉ个神经元与输出特征面ｎ第ｊ个神经元的连接权值。本
方法中，优选的，设置卷积核在上一层的滑动步长为１，卷积核大小为１×３。本方法中，卷积
层的每个输出特征面的大小（即神经元的个数）oMapN 满足如下关系：
其中，表示每一个输入特征面的大小、为卷积核的大小、表示卷积核在其上一层的滑动步长。
本方法中，每个卷积层可训练参数数目满足如下公式：
其中，为每个卷积层输出特征面的个数、为输入特征面的个数。
本方法中，设卷积层输出特征面n第k个神经元的输出值为，输入特征面m第h个
神经元的输出值为，则可以表示为：
其中，为输出特征面n的偏置值、为非线性激活函数，本实施例中，激活函
数为ReLU函数（线性整流函数）。
本实施例中，经卷积层提取特征后的数据输入池化层，所述池化层由多个特征面
组成，每一个特征面唯一对应于卷积层的一个特征面；所述池化层通过降低特征面的分辨
率来获得具有空间不变性的特征，起到二次提取特征的作用，它的每个神经元对局部接受
域进行池化操作，本实施例中，采用重叠池化框架，设池化层中第n个输出特征面第l个神经
元的输出值为，则有：
其中，为池化层第n个输入特征面第q个神经元的输出值、为激活函数。
本实施例中，经多个卷积层和池化层后，连接着1个或1个以上的全连接层，所述全连接层中的每个神经元与其前一层的所有神经元进行全连接，可以整合卷积层或者池化层中具有类别区分性的局部信息。为了提升卷积神经网络网络性能，全连接层每个神经元的激励函数采用ReLU函数（线性整流函数），最后一层全连接层的输出值被传递给一个输出层输出。
本实施例中，分别采用了网格搜索和随机搜索的方式进行超参数调优，选取使得反演误差最小的一组超参数组合进行卷积神经网络模型构建和土壤盐分最终反演。网格搜索是通过穷举法列出不同的参数组合，确定性能最优的结构；随机搜索是从具有特定分布的参数空间中抽取出一定数量的候选组合。本实施例中首先尝试在较小迭代次数或较小规模的训练集上进行大步幅的网格搜索；然后在下个阶段中，设置更大的迭代次数，或是使用整个训练集，实现小幅精确定位。
本发明一可选的实施例中，所述风险因子包括生物物理量的评价因子、遥感指数及地形情况的评价因子和社会经济评价因子。
本实施例中，在实测数据中，选择与盐渍化过程相关的表层土壤含盐量、地下水埋深、表层土壤pH值、表层土壤含水率、地下水矿化度作为生物物理量的评价因子；选取DEM（地面高程信息）、地面蒸散发、土地利用类型、生物量、叶面积指数等作为遥感指数及地形情况的评价因子；选取以统计年鉴及实地调研获得的土地复垦率、有机肥投入使用率、灌溉引水量等因素作为社会经济评价因子。
本实施例中，在选取风险因子后运用灰色关联法筛选指标，进行驱动因子分析，以确保评估指标的独立性和代表性，因与盐渍化相关指标有部分为实测数据和调研社会经济数据，因此运用线性内插法将指标标准化处理；所述线型内插法将指标标准化处理公式如下所示：
其中，i为采样点编号、j为风险因子编号、yij表示第i个采样点第j个风险因子的实测数据、ymaxj表示第j个风险因子的实测数据最大值、yminj表示第j个风险因子的实测数据最小值。
根据标准化处理后的数据构建土壤盐渍化风险指标如下表3所示：
表3，土壤盐渍化风险指标
本发明一可选的实施例中，步骤17可以包括：
步骤171，建立土壤盐渍化风险基本评价模型：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、wj为第j类风险评价因子对评价目标Fi影响的权重系数、m为风险评价因子种类个数、xij为第i个采样点在第j类风险评价因子的标准化值、xaj为最适宜值；
步骤172，令xi0为第i个采样点的含盐度值，计算n个采样点的风险评价因子的灰色关联系数；
步骤173，获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，根据风险评价因子的权重系数和灰色关联系数，计算采样点i与风险评价因子的关联度γi0；
其中，k为分辨率，取值0.5、γi0为采样点i与风险评价因子的关联度；
步骤174，根据所述关联度，得到目标区域至少一个采样点的土壤盐渍化生态风险值。
本实施例中，采用灰色关联度分析方法描述评价对象即风险评价因子，对理想对象即土壤含盐度的接近次序，即评价对象的优劣次序。
将土壤盐渍化风险定义为风险评价因子xij对最适宜值xaj的偏离程度，建立基本
评价模型，其中；
令 xi0为采样点的指标变量（母系列，即参考序列）标准化值，即上述土壤盐渍化反演模型预测得到的采样点土壤含盐度值，xij为第 i 个采样点在第 j 个风险评价因子的标准化值（比较序列）；xi0作为参考序列，则可得采样点风险评价因子对土壤含盐度的灰色关联系数；
其中，为第i个采样点在第j类风险评价因子xij对参考指标xi0的灰色关
联系数、ρ为分辨率，且ρ∈(0, 1)，本方法中，ρ取值为0.5。
根据采样点各个风险评价因子的权重系数wj和灰色关联系数，加权求和
即可得到采样点i与风险评价因子的关联度γi0，由于风险评价因子xij与参考指标xi0之间
呈负相关性，则有公式：
其中，Fi为第i个采样点的土壤盐渍化生态风险值。
本方法中，在计算土壤盐渍化生态风险值后，各生态风险评价因子及综合生态风险评价按自然间断点分级法划为10级表示，对目标区域土壤盐渍化生态风险划分等级，优选的，将盐渍化生态风险划分为3级：风险较小（<0.1）、风险较大 （0.1~0.3）和风险很大（0.3~0.5），对目标区域土壤盐渍化风险分级评估。
本发明一可选的实施例中，步骤173可以包括：
步骤1731，建立风险评价因子的空间标准化栅格图层集；
步骤1732，将栅格化处理后的风险评价因子与表层土壤电导率进行关联度分析，根据关联度值确定风险评价因子对评价目标Fi影响的权重系数wj值。
本实施例中，在建立土壤盐渍化风险指标后，对各风险评价因子运用灰色关联法，进行驱动力分析；首先建立土壤盐渍化风险评价因子空间地理叠加的栅格图层集；其次，实现各土壤盐渍化风险评价因子（比较序列）和指标变量（参考序列）的数据标准化图层的计算，生成所有因子的空间标准化栅格图层集；然后，计算出各盐渍化风险评价因子与表层土壤电导率的灰色关联系数的栅格图层集，根据灰色关联系数值确定风险评价因子对评价目标Fi影响的权重系数wj值。
如图4所示，本发明的实施例还提供一种土壤盐分反演及盐渍化风险评估装置40，包括：
反演模块41，获取目标区域遥感数据和野外实测数据；对所述遥感数据进行预处理，得到土壤盐分特征参数；对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
评估模块42，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估。
可选的，对所述遥感数据进行预处理，得到土壤盐分特征参数，包括：
对光学遥感数据进行预处理，得到不同波段构成的土壤盐分特征参数，包括土壤盐分指数和植被指数；
对微波遥感数据进行预处理，得到土壤盐分特征参数，包括后向散射系数、雷达极化分解变量和雷达指数。
可选的，对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数，包括：
对野外实测数据进行预处理，得到土壤盐分实测值；
对所述土壤盐分特征参数和土壤盐分实测值进行相关性分析，计算特征参数的相关系数；
将相关系数大于一预设值的特征参数确定为目标特征参数。
可选的，将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型，包括：
预设一组包含至少一个特征面的卷积层和池化层，以及至少一个卷积核；所述卷积核为一预设权值矩阵；
通过卷积核对输入层数据进行卷积，将提取到的特征经激活函数处理后输入卷积层；池化层对卷积层内数据进行池化处理，并将池化后的数据输入全连接层；
将所述全连接层数据通过输出层输出，得到土壤盐分模型预测值；通过计算决定系数R2和均方根误差RMSE评估模型精度，并调整参数值，直至决定系数R2和均方根误差RMSE达到预设范围，得到土壤盐渍化反演模型。
可选的，所述风险因子包括生物物理量的评价因子、遥感指数及地形情况的评价因子和社会经济评价因子。
可选的，根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值，包括：
建立土壤盐渍化风险基本评价模型：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、wj为第j类风险评价因子对评价目标Fi影响的权重系数、m为风险评价因子种类个数、xij为第i个采样点在第j类风险评价因子的标准化值、xaj为最适宜值；
令xi0为第i个采样点的含盐度值，计算n个采样点的风险评价因子的灰色关联系数；
获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，根据风险评价因子的权重系数和灰色关联系数，计算采样点i与风险评价因子的关联度γi0；
其中，k为分辨率、γi0为采样点i与风险评价因子的关联度；
根据所述关联度，得到目标区域至少一个采样点的土壤盐渍化生态风险值。
可选的，获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，包括：
建立风险评价因子的空间标准化栅格图层集；
将栅格化处理后的风险评价因子与表层土壤电导率进行关联度分析，根据关联度值确定风险评价因子对评价目标Fi影响的权重系数wj值。
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种土壤盐分反演及盐渍化风险评估方法，其特征在于，包括：
获取目标区域遥感数据和野外实测数据；
对所述遥感数据进行预处理，得到土壤盐分特征参数；
对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；
将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；
根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；
根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；其中，土壤盐渍化生态风险值计算公式为：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、j为第j类风险评价因子、wj为权重系数，xij为第 i 个采样点在第 j 个风险评价因子的标准化值、xi0为采样点的指标变量标准化值；
其中，xi0为土壤盐渍化反演模型预测得到的采样点土壤含盐度值；
根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估；
其中，对所述遥感数据进行预处理，得到土壤盐分特征参数，包括：
对光学遥感数据进行预处理，得到不同波段构成的土壤盐分特征参数，包括土壤盐分指数和植被指数；
对微波遥感数据进行预处理，得到土壤盐分特征参数，包括后向散射系数、雷达极化分解变量和雷达指数；
其中，将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型，包括：
预设一组包含至少一个特征面的卷积层和池化层，以及至少一个卷积核；所述卷积核为一预设权值矩阵；
通过卷积核对输入层数据进行卷积，将提取到的特征经激活函数处理后输入卷积层；池化层对卷积层内数据进行池化处理，并将池化后的数据输入全连接层；
将所述全连接层数据通过输出层输出，得到土壤盐分模型预测值；通过计算决定系数R2和均方根误差RMSE评估模型精度，并调整参数值，直至决定系数R2和均方根误差RMSE达到预设范围，得到土壤盐渍化反演模型；
其中，所述风险因子包括生物物理量的评价因子、遥感指数及地形情况的评价因子和社会经济评价因子；所述社会经济评价因子包括：土地复垦率、有机肥投入使用率、灌溉引水量；
其中，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标，包括：
当所述风险因子为实测数据或调研社会经济数据时，将数据进行标准化处理，得到土壤盐渍化风险指标，所述标准化处理公式为：
其中，i为采样点编号、j为风险因子编号、yij表示第i个采样点第j个风险因子的实测数据、ymaxj表示第j个风险因子的实测数据最大值、yminj表示第j个风险因子的实测数据最小值；
其中，对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数，包括：
对野外实测数据进行预处理，得到土壤盐分实测值；
对所述土壤盐分特征参数和土壤盐分实测值进行相关性分析，计算特征参数的相关系数；
将相关系数大于一预设值的特征参数确定为目标特征参数；
其中，根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值，包括：
建立土壤盐渍化风险基本评价模型：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、wj为第j类风险评价因子对评价目标Fi影响的权重系数、m为风险评价因子种类个数、xij为第i个采样点在第j类风险评价因子的标准化值、xaj为最适宜值；
令xi0为第i个采样点的含盐度值，计算n个采样点的风险评价因子的灰色关联系数；
获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，根据风险评价因子的权重系数和灰色关联系数，计算采样点i与风险评价因子的关联度γi0；
其中，k为分辨率、γi0为采样点i与风险评价因子的关联度；
根据所述关联度，得到目标区域至少一个采样点的土壤盐渍化生态风险值；
其中，获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，包括：
建立风险评价因子的空间标准化栅格图层集；
将栅格化处理后的风险评价因子与表层土壤电导率进行关联度分析，根据关联度值确定风险评价因子对评价目标Fi影响的权重系数wj值；
其中，所述植被指数包括：地表微波比辐射率植被指数EDVI、归一化植被指数NDVI、增强比值植被指数ERVI和增强归一化植被指数ENDVI。
2.一种土壤盐分反演及盐渍化风险评估装置，其特征在于，包括：
反演模块，获取目标区域遥感数据和野外实测数据；对所述遥感数据进行预处理，得到土壤盐分特征参数；对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数；将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型；
评估模块，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标；根据所述土壤盐渍化反演模型，得到目标区域至少一个采样点的含盐度；根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值；其中，土壤盐渍化生态风险值计算公式为：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、j为第j类风险评价因子、wj为权重系数，xij为第 i 个采样点在第 j 个风险评价因子的标准化值、xi0为采样点的指标变量标准化值；
其中，xi0为土壤盐渍化反演模型预测得到的采样点土壤含盐度值；
根据所述土壤盐渍化生态风险值对目标区域进行盐渍化风险分级评估；
其中，对所述遥感数据进行预处理，得到土壤盐分特征参数，包括：
对光学遥感数据进行预处理，得到不同波段构成的土壤盐分特征参数，包括土壤盐分指数和植被指数；
对微波遥感数据进行预处理，得到土壤盐分特征参数，包括后向散射系数、雷达极化分解变量和雷达指数；
其中，将所述目标特征参数进行数据标准化处理后输入卷积神经网络，训练得到土壤盐渍化反演模型，包括：
预设一组包含至少一个特征面的卷积层和池化层，以及至少一个卷积核；所述卷积核为一预设权值矩阵；
通过卷积核对输入层数据进行卷积，将提取到的特征经激活函数处理后输入卷积层；池化层对卷积层内数据进行池化处理，并将池化后的数据输入全连接层；
将所述全连接层数据通过输出层输出，得到土壤盐分模型预测值；通过计算决定系数R2和均方根误差RMSE评估模型精度，并调整参数值，直至决定系数R2和均方根误差RMSE达到预设范围，得到土壤盐渍化反演模型；
其中，所述风险因子包括生物物理量的评价因子、遥感指数及地形情况的评价因子和社会经济评价因子；所述社会经济评价因子包括：土地复垦率、有机肥投入使用率、灌溉引水量；
其中，获取目标区域社会经济数据，根据所述社会经济数据和遥感数据以及野外实测数据，选取风险因子并构建土壤盐渍化风险指标，包括：
当所述风险因子为实测数据或调研社会经济数据时，将数据进行标准化处理，得到土壤盐渍化风险指标，所述标准化处理公式为：
其中，i为采样点编号、j为风险因子编号、yij表示第i个采样点第j个风险因子的实测数据、ymaxj表示第j个风险因子的实测数据最大值、yminj表示第j个风险因子的实测数据最小值；
其中，对所述土壤盐分特征参数和野外实测数据进行相关性分析，得到目标特征参数，包括：
对野外实测数据进行预处理，得到土壤盐分实测值；
对所述土壤盐分特征参数和土壤盐分实测值进行相关性分析，计算特征参数的相关系数；
将相关系数大于一预设值的特征参数确定为目标特征参数；
其中，根据所述目标区域至少一个采样点的含盐度，对风险因子进行关联度分析，构建土壤盐渍化风险评估模型，得到目标区域至少一个采样点的土壤盐渍化生态风险值，包括：
建立土壤盐渍化风险基本评价模型：
其中，Fi为第i个采样点的土壤盐渍化生态风险值、wj为第j类风险评价因子对评价目标Fi影响的权重系数、m为风险评价因子种类个数、xij为第i个采样点在第j类风险评价因子的标准化值、xaj为最适宜值；
令xi0为第i个采样点的含盐度值，计算n个采样点的风险评价因子的灰色关联系数；
获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，根据风险评价因子的权重系数和灰色关联系数，计算采样点i与风险评价因子的关联度γi0；
其中，k为分辨率、γi0为采样点i与风险评价因子的关联度；
根据所述关联度，得到目标区域至少一个采样点的土壤盐渍化生态风险值；
其中，获取第j类风险评价因子对评价目标Fi影响的权重系数wj值，包括：
建立风险评价因子的空间标准化栅格图层集；
将栅格化处理后的风险评价因子与表层土壤电导率进行关联度分析，根据关联度值确定风险评价因子对评价目标Fi影响的权重系数wj值；
其中，所述植被指数包括：地表微波比辐射率植被指数EDVI、归一化植被指数NDVI、增强比值植被指数ERVI和增强归一化植被指数ENDVI。
3.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040841.0A CN116757099B (zh) | 2023-08-18 | 2023-08-18 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040841.0A CN116757099B (zh) | 2023-08-18 | 2023-08-18 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757099A CN116757099A (zh) | 2023-09-15 |
| CN116757099B true CN116757099B (zh) | 2024-03-19 |
Family
ID=87961287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311040841.0A Active CN116757099B (zh) | 2023-08-18 | 2023-08-18 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757099B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117630000B (zh) * | 2024-01-26 | 2024-04-02 | 北京观微科技有限公司 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033578A (zh) * | 2018-07-11 | 2018-12-18 | 河海大学 | 一种河口沿程淡水保证率的反演方法 |
| CN110095587A (zh) * | 2019-05-27 | 2019-08-06 | 生态环境部南京环境科学研究所 | 一种基于高光谱影像的区域生态风险评价方法 |
| CN110188507A (zh) * | 2019-06-14 | 2019-08-30 | 海南省农业科学院农业环境与土壤研究所 | 一种海水倒灌农田土壤盐渍化监测、评价和修复改良方法 |
| KR20200080466A (ko) * | 2018-12-26 | 2020-07-07 | 가천대학교 산학협력단 | 다중 선형 회귀를 이용한 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 |
| CN112213287A (zh) * | 2020-12-07 | 2021-01-12 | 速度时空信息科技股份有限公司 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
| CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
| CN113553907A (zh) * | 2021-06-21 | 2021-10-26 | 山东建筑大学 | 一种基于遥感技术的森林生态环境状况评价方法 |
| CN113919141A (zh) * | 2021-09-22 | 2022-01-11 | 中国矿业大学 | 一种煤矿区堆场土壤重金属风险管控系统与迁移反演方法 |
| 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 |
| CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
| CN116127674A (zh) * | 2021-11-09 | 2023-05-16 | 中国石油天然气集团有限公司 | 一种油田开发区湿地生态系统监测与评估方法 |
-
2023
- 2023-08-18 CN CN202311040841.0A patent/CN116757099B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033578A (zh) * | 2018-07-11 | 2018-12-18 | 河海大学 | 一种河口沿程淡水保证率的反演方法 |
| KR20200080466A (ko) * | 2018-12-26 | 2020-07-07 | 가천대학교 산학협력단 | 다중 선형 회귀를 이용한 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 |
| CN110095587A (zh) * | 2019-05-27 | 2019-08-06 | 生态环境部南京环境科学研究所 | 一种基于高光谱影像的区域生态风险评价方法 |
| CN110188507A (zh) * | 2019-06-14 | 2019-08-30 | 海南省农业科学院农业环境与土壤研究所 | 一种海水倒灌农田土壤盐渍化监测、评价和修复改良方法 |
| CN112213287A (zh) * | 2020-12-07 | 2021-01-12 | 速度时空信息科技股份有限公司 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
| CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
| CN113553907A (zh) * | 2021-06-21 | 2021-10-26 | 山东建筑大学 | 一种基于遥感技术的森林生态环境状况评价方法 |
| CN113919141A (zh) * | 2021-09-22 | 2022-01-11 | 中国矿业大学 | 一种煤矿区堆场土壤重金属风险管控系统与迁移反演方法 |
| CN116127674A (zh) * | 2021-11-09 | 2023-05-16 | 中国石油天然气集团有限公司 | 一种油田开发区湿地生态系统监测与评估方法 |
| 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 |
| CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
Non-Patent Citations (4)
| Title |
|---|
| 卷积神经网络研究综述;周飞燕 等;计算机学报;第40卷(第6期);1229-1251 * |
| 土壤盐渍化评价研究进展;郭晓飞 等;现代农业科技;20150410(第07期);213-215 * |
| 灰色评估模型定量评价于田绿洲土壤盐渍化风险;依力亚斯江·努尔麦麦提 等;农业工程学报;第35卷(第8期);176-184 * |
| 黄河三角洲土壤盐渍化原因分析与生态风险评价;曹建荣 等;海洋科学进展;20141015;第32卷(第04期);508-516 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757099A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | Satellite remote sensing of grasslands: from observation to management | |
| Reeves et al. | Mapping weekly rangeland vegetation productivity using MODIS algorithms | |
| CN110046415A (zh) | 一种时空精细化的土壤有机质含量遥感动态反演方法 | |
| CN115293473A (zh) | 一种林草生态修复效果评价方法 | |
| CN116757099B (zh) | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 | |
| CN115356249A (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 | |
| Srivastava et al. | Sensitivity analysis of artificial neural network for chlorophyll prediction using hyperspectral data | |
| CN111523525A (zh) | 农作物分类识别方法、装置和电子设备 | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| Stampoulis et al. | Using satellite remote sensing and machine learning techniques towards precipitation prediction and vegetation classification | |
| Vasudeva et al. | Mapping spatial variability of foliar nitrogen and carbon in Indian tropical moist deciduous sal (Shorea robusta) forest using machine learning algorithms and Sentinel-2 data | |
| CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
| Zhang et al. | Estimation of rice yield from a C-band radar remote sensing image by integrating a physical scattering model and an optimization algorithm | |
| Jamil et al. | The use of Multispectral Radio-Meter (MSR5) data for wheat crop genotypes identification using machine learning models | |
| Bangira et al. | Remote sensing-based water quality monitoring in African reservoirs, potential and limitations of sensors and algorithms: A systematic review | |
| Xu et al. | Estimation of shrub willow biophysical parameters across time and space from Sentinel-2 and unmanned aerial system (UAS) data | |
| CN115661601A (zh) | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 | |
| Abdi et al. | A novel satellite-based methodology for retrieving specific leaf area of rice (Hashemi cultivar) at field scale. | |
| CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
| Jia et al. | Multiresolution soil moisture products based on a spatially adaptive estimation model and CYGNSS data | |
| Jiang et al. | Surface global and diffuse solar radiation over China acquired from geostationary Multi-functional Transport Satellite data | |
| Li et al. | Dk-stn: A domain knowledge embedded spatio-temporal network model for mjo forecast | |
| Janetzky et al. | Global Vegetation Modeling with Pre-Trained Weather Transformers | |
| Li et al. | Scale transfer learning of hyperspectral prediction model of heavy metal content in maize: From laboratory to satellite | |
| CN113516362B (zh) | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |