CN116952849A - Msi的表层土壤质地反演方法 - Google Patents
Msi的表层土壤质地反演方法 Download PDFInfo
- Publication number
- CN116952849A CN116952849A CN202310955450.5A CN202310955450A CN116952849A CN 116952849 A CN116952849 A CN 116952849A CN 202310955450 A CN202310955450 A CN 202310955450A CN 116952849 A CN116952849 A CN 116952849A
- Authority
- CN
- China
- Prior art keywords
- soil
- soil texture
- msi
- index
- texture
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002344 surface layer Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 239000004576 sand Substances 0.000 claims description 21
- 239000000843 powder Substances 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 17
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000004927 clay Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 30
- 230000003750 conditioning effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 239000002364 soil amendment Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000000126 substance 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
MSI的表层土壤质地反演方法，属于卫星遥感技术应用领域，具体涉及MSI的表层土壤质地反演方法。本发明的是为了解决在较大的区域范围内采样困难且成本较高的技术问题。本方法如下：典型黑土区表层土壤样本采集与测试；遥感影像下载与处理；变量选取；典型黑土区土壤质地遥感反演模型的构建；典型黑土区土壤质地制图。本方法简单，计算出来的土壤质地与实测土壤质地线性拟合较好，精度较高，具有较高的可信度，可用于黑土区表层土壤质地定量反演、耕地质量评估以及土壤生态修复绩效评估等领域，实用性强。
Description
技术领域
本发明涉及一种MSI的表层土壤质地反演方法，属于卫星遥感技术应用领域。
背景技术
土壤质地是影响土壤物理、化学和生物过程和性质的重要因素。土壤质地在土壤肥力和土壤水分保持方面发挥着重要作用，土壤质地空间分布图可用于评估土壤侵蚀风险，或农药和养分的储存和渗透状况，对了解土壤信息和制定农业管理对策至关重要。土壤质地分为砂粒(2-0.05mm)、粉粒(0.05-0.002mm)和黏粒(<0.002mm)，总和为1(或100％)。传统的地质统计学方法需要大量的样本点来保证预测精度，而在较大的区域范围内采样困难且成本较高。
发明内容
本发明的目的是为了解决在较大的区域范围内采样困难且成本较高的技术问题，提供了一种MSI的表层土壤质地反演方法。
MSI的表层土壤质地反演方法按照以下步骤进行：
一、在Google Earth Engine(GEE)云平台上下载Sentinel-2MSI无云影像地表反射率产品，即经过官方大气处理和几何校正前期处理后的数据，并同时将MSI地表反射率产品重采样至10m分辨率数据；
二、变量选取：选择随机森林预测模型估算黑土区土壤质地，选择经过步骤一处理后的MSI无云影像6个波段、以基于波段地表反射率构建的植被指数和亮度相关指数作为随机森林预测模型的输入变量，输出变量为砂粒含量(％)和粉粒含量(％)，土壤质地包括砂粒、粉粒和黏粒，三者含量的总和为100％，砂粒和粉粒的含量预测精度高于黏粒含量，因此，用100％减去砂粒含量和粉粒的含量得到黏粒含量(％)，绘制区域耕地表层土壤质地分布图，即完成MSI的表层土壤质地反演；
所述随机森林预测模型的输入变量为：
蓝波段(B2)、绿波段(B3)、红波段(B4)、近红外波段(B8)、短波红外1(B11)和短波红外2(B12)；
归一化差异植被指数(缩写NDVI，Normalized Differences Vegetation Index)；
转化植被指数(缩写TVI，Transformed Vegetation Index)；
增强植被指数(缩写EVI，Enhanced Vegetation Index)；
土壤调整总植被指数(缩写SATVI，Soil Adjusted Total Vegetation Index)；
土壤调整植被指数(缩写SAVI，Soil Adjusted Vegetation Index)；
第二次改良土壤调整植被指数(缩写MSAVI2，the Second Modified SoilAdjusted Vegetation Index)；
植被(缩写V，Vegetation)；
亮度指数(缩写BI，Brightness Index)；
第二亮度指数(缩写BI2，the Second Brightness Index)；
红色指数(缩写RI，Redness Index)。
步骤二所述估算黑土区土壤深度为0-20cm。
步骤二中构建黑土区土壤质地随机森林预测模型使用RandomForest包，决策树的数量(ntree)为500，分割节点的随机变量的数量(mtry)为输入量的1/3，此时数值较小且模型内误差基本稳定。
由于土壤质地影响VNIR-SWIR光谱域的光谱强度和吸收带深度，体现在地表反射率变化，能够被卫星遥感技术探测。近几年欧空局发射的Sentinel-2A卫星，携带MSI传感器涵盖可见光、近红外到短波红外的13个波段，空间分辨率为10-60m，重访周期10d。借助遥感技术，数字土壤制图可以使用少量的样本点在大尺度空间区域内实现，有效地减少现场采样的时间和成本。
本发明是通过MSI和机器学习算法构建表层土壤质地反演模型绘制土壤质地图，通过土壤质地含量变化间接反映土壤肥力下降和土壤退化等问题，为农业政策制定和实施提供参考。
本发明基于MSI的表层土壤质地反演方法，即只需获取目标区域MSI传感器第2，3，4，8，11和12波段地表反射率，和波段地表反射率构建的归一化差异植被指数，转化植被指数，增强植被指数，土壤调整总植被指数，土壤调整植被指数，第二次改良土壤调整植被指数，植被，亮度指数，第二亮度指数和红色指数作为输入变量，输入自主编程随机森林预测模型，得到表层土壤质地及其空间分布图。本发明涉及一种MSI的表层土壤质地反演方法简单，计算出来的土壤质地与实测土壤质地线性拟合较好，精度较高，具有较高的可信度，可用于黑土区表层土壤质地定量反演、耕地质量评估以及土壤生态修复绩效评估等领域，实用性强。
附图说明
图1是本发明实验一中研究区土壤类型及采样点分布图；
图2是本发明实验一中随机森林预测模型砂粒含量预测模型的结果的散点图；
图3是本发明实验一中随机森林预测模型粉粒含量预测模型的结果的散点图；
图4是本发明实验一中实现松嫩平原表层土壤质地砂粒的空间分布制图；
图5是本发明实验一中实现松嫩平原表层土壤质地粉粒的空间分布制图；
图6是本发明实验一中实现松嫩平原表层土壤质地黏粒的空间分布制图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式MSI的表层土壤质地反演方法按照以下步骤进行：
一、在Google Earth Engine(GEE)云平台上下载Sentinel-2MSI无云影像地表反射率产品，即经过官方大气处理和几何校正前期处理后的数据，并同时将MSI地表反射率产品重采样至10m分辨率数据；
二、变量选取：选择随机森林预测模型估算黑土区土壤质地，选择经过步骤一处理后的MSI无云影像6个波段、基于波段地表反射率构建的植被指数和亮度相关指数作为随机森林预测模型的输入变量，输出变量为砂粒含量(％)和粉粒含量(％)，土壤质地包括砂粒、粉粒和黏粒，三者含量的总和为100％，砂粒和粉粒的含量预测精度高于黏粒含量，因此，用100％减去砂粒含量和粉粒的含量得到黏粒含量(％)，绘制区域耕地表层土壤质地分布图，即完成MSI的表层土壤质地反演；
所述随机森林预测模型的输入变量为：
蓝波段(B2)、绿波段(B3)、红波段(B4)、近红外波段(B8)、短波红外1(B11)和短波红外2(B12)；
归一化差异植被指数(缩写NDVI，Normalized Differences Vegetation Index)；
转化植被指数(缩写TVI，Transformed Vegetation Index)；
增强植被指数(缩写EVI，Enhanced Vegetation Index)；
土壤调整总植被指数(缩写SATVI，Soil Adjusted Total Vegetation Index)；
土壤调整植被指数(缩写SAVI，Soil Adjusted Vegetation Index)；
第二次改良土壤调整植被指数(缩写MSAVI2，the Second Modified SoilAdjusted Vegetation Index)；
植被(缩写V，Vegetation)；
亮度指数(缩写BI，Brightness Index)；
第二亮度指数(缩写BI2，the Second Brightness Index)；
红色指数(缩写RI，Redness Index)。
具体实施方式二：本实施方式与具体实施方式一不同的是步骤二所述估算黑土区土壤深度为0-20cm。其他与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是步骤二中构建黑土区土壤质地随机森林预测模型使用RandomForest包，决策树的数量(ntree)为500，分割节点的随机变量的数量(mtry)为输入量的1/3，此时数值较小且模型内误差基本稳定。其他与具体实施方式一或二相同。
采用下述实验验证本发明效果：
实验一：
本实验MSI的表层土壤质地反演方法按照以下步骤进行：
一、表层土壤样本采集与测试：
松嫩平原在4月至5月为裸土期，裸土期为遥感影像提取地表信息创造了良好条件。采集松嫩平原耕地表层0-20cm土壤样本(GB/T 36197-2018)，使用GPS定位和记录每个土壤样本(图1)，风干，研磨，采用吸管法测量土壤质地。
二、遥感影像下载与处理：
在Google Earth Engine(GEE)云平台上下载Sentinel-2MSI无云影像地表反射率产品，即经过官方大气处理和几何校正前期处理后的数据，并同时将MSI地表反射率产品重采样至10m分辨率数据，主要应用波段为蓝波段(B2)、绿波段(B3)、红波段(B4)、近红外波段(B8)、短波红外1(B11)和短波红外2(B12)的地表反射率数据。
三、变量选取：
变量选取：选择随机森林预测模型估算表层土壤质地。选择MSI无云影像6个波段以及基于波段地表反射率构建的植被指数和亮度相关指数作为随机森林预测模型的输入变量。土壤质地随机森林算法的输入变量为：
蓝波段(B2)、绿波段(B3)、红波段(B4)、近红外波段(B8)、短波红外1(B11)和短波红外2(B12)；
归一化差异植被指数(缩写NDVI，Normalized Differences Vegetation Index)；
转化植被指数(缩写TVI，Transformed Vegetation Index)；
增强植被指数(缩写EVI，Enhanced Vegetation Index)；
土壤调整总植被指数(缩写SATVI，Soil Adjusted Total Vegetation Index)；
土壤调整植被指数(缩写SAVI，Soil Adjusted Vegetation Index)；
第二次改良土壤调整植被指数(缩写MSAVI2，the Second Modified SoilAdjusted Vegetation Index)；
植被(缩写V，Vegetation)；
亮度指数(缩写BI，Brightness Index)；
第二亮度指数(缩写BI2，the Second Brightness Index)；
红色指数(缩写RI，Redness Index)
输出变量为砂粒(％)和粉粒(％)含量，砂粒和粉粒的含量预测精度高于黏粒含量，因此，使用100％减砂粒和粉粒的含量得到黏粒含量(％)。随机森林预测模型使用RandomForest包，决策树的数量(ntree)为500，分割节点的随机变量的数量(mtry)为输入量的1/3，此时数值较小且模型内误差基本稳定。
四、典型黑土区土壤质地遥感反演模型的构建：
在土壤质地的空间建模中，砂粒、粉粒和黏粒含量的总和为100％。砂粒和粉粒的含量预测精度高于黏粒含量，因此使用100％减去砂粒和粉粒的含量得到黏粒含量。砂粒训练样点反演精度R2为0.95，RMSE为5.06％(图2)，粉粒训练样点反演精度R2为0.95，RMSE为4.62％(图3)。
五、典型黑土区土壤质地制图：
绘制区域耕地表层土壤质地分布图(图4-6)，松嫩平原粉粒和黏粒含量呈东北高、西南低的趋势，松嫩平原砂粒含量呈东北低、西南高的趋势。
Claims (3)
1.MSI的表层土壤质地反演方法，其特征在于所述MSI的表层土壤质地反演方法按照以下步骤进行：
一、在Google Earth Engine云平台上下载Sentinel-2MSI无云影像地表反射率产品，即经过官方大气处理和几何校正前期处理后的数据，并同时将MSI地表反射率产品重采样至10m分辨率数据；
二、变量选取：选择随机森林预测模型估算黑土区土壤质地，选择经过步骤一处理后的MSI无云影像6个波段、基于波段地表反射率构建的植被指数和亮度相关指数作为随机森林预测模型的输入变量，输出变量为砂粒含量和粉粒含量，用100％减去砂粒含量和粉粒的含量得到黏粒含量，绘制区域耕地表层土壤质地分布图，即完成MSI的表层土壤质地反演；
所述随机森林预测模型的输入变量为：
蓝波段、绿波段、红波段、近红外波段、短波红外1和短波红外2；
归一化差异植被指数、转化植被指数、增强植被指数、土壤调整总植被指数、土壤调整植被指数、第二次改良土壤调整植被指数、植被、亮度指数、第二亮度指数、红色指数。
2.根据权利要求1所述MSI的表层土壤质地反演方法，其特征在于步骤二所述估算黑土区土壤深度为0-20cm。
3.根据权利要求1所述MSI的表层土壤质地反演方法，其特征在于步骤二中构建黑土区土壤质地随机森林预测模型使用RandomForest包，决策树的数量为500，分割节点的随机变量的数量为输入量的1/3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955450.5A CN116952849A (zh) | 2023-08-01 | 2023-08-01 | Msi的表层土壤质地反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955450.5A CN116952849A (zh) | 2023-08-01 | 2023-08-01 | Msi的表层土壤质地反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116952849A true CN116952849A (zh) | 2023-10-27 |
Family
ID=88461757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310955450.5A Pending CN116952849A (zh) | 2023-08-01 | 2023-08-01 | Msi的表层土壤质地反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116952849A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115235997A (zh) * | 2022-07-04 | 2022-10-25 | 南通智能感知研究院 | 一种基于卫星高光谱影像的土壤质地反演方法 |
| CN115932154A (zh) * | 2022-09-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 考虑土壤类型的土壤有机碳遥感制图方法 |
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 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 |
-
2023
- 2023-08-01 CN CN202310955450.5A patent/CN116952849A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 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 |
| CN115235997A (zh) * | 2022-07-04 | 2022-10-25 | 南通智能感知研究院 | 一种基于卫星高光谱影像的土壤质地反演方法 |
| CN115932154A (zh) * | 2022-09-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 考虑土壤类型的土壤有机碳遥感制图方法 |
Non-Patent Citations (9)
| Title |
|---|
| 刘焕军: "多光谱遥感结合随机森林算法反演耕作土壤有机质含量", 农业工程学报, vol. 36, no. 10 * |
| 刘焕军: "黑土区田块土壤有机质空间分异及分布研究", 土壤通报, vol. 49, no. 6 * |
| 刘琼等: ""典型黑土区耕 作土壤质地遥感时间窗 口及影响因素分析"", 农业工程学报, vol. 38, no. 18, 23 September 2022 (2022-09-23), pages 122 - 129 * |
| 刘琼等: ""典型黑土区耕作土壤质地遥感时间窗口及影响因素分析"", 农业工程学报, vol. 38, no. 18, pages 122 - 129 * |
| 庞龙辉: "青海省表层土壤属性数字制图", 土壤通报, vol. 50, no. 3 * |
| 惠凤鸣等: "《南极洲高分辨率遥感制图研究》", 30 November 2020, 北京：海洋出版社, pages: 26 * |
| 朱燕香;潘剑君;白浩然;康翔;: "基于Sentinel-2A影像的OPTRAM模型及其改进模型的土壤水分估算研究", 南京农业大学学报, no. 04, 28 July 2020 (2020-07-28) * |
| 汪甜甜等: "基于遥感技术的土壤质地空间预测方法研究进展", 农业资源与环境学报 * |
| 郑淼等: ""黑土区土壤有机质和全氮含量遥感反演研究"", 地理科学, vol. 42, no. 8 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101114023A (zh) | 一种基于模型的湖泊湿地泛洪遥感监测方法 | |
| Cheshmberah et al. | Comparison of RBF and MLP neural network performance and regression analysis to estimate carbon sequestration | |
| Filippi et al. | Catchment-scale 3D mapping of depth to soil sodicity constraints through combining public and on-farm soil databases–A potential tool for on-farm management | |
| Nguyen et al. | Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| Sarp | Determination of vegetation change using thematic mapper imagery in Afşin-Elbistan Lignite Basin; SE Turkey | |
| CN116912676B (zh) | 一种水浮莲变化检测方法、装置、电子设备及存储介质 | |
| Parviz | Determination of effective indices in the drought monitoring through analysis of satellite images. | |
| CN116952849A (zh) | Msi的表层土壤质地反演方法 | |
| Zhang et al. | Spectral reflectance properties of major objects in desert oasis: a case study of the Weigan–Kuqa river delta oasis in Xinjiang, China | |
| CN114417092B (zh) | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 | |
| CN111814397B (zh) | 结合源解析与机器学习的森林生物量估算方法 | |
| Herodowicz et al. | Effects of soil surface roughness on soil processes and remote sensing data interpretation and its measuring techniques-a review | |
| Scopesi et al. | Assessment of flash floods in a small Mediterranean catchment using terrain analysis and remotely sensed data: A case study in the Torrente Teiro, Liguria, Italy | |
| Wang et al. | UAV hyperspectral analysis of secondary salinization in arid oasis cotton fields: effects of FOD feature selection and SOA-RF | |
| Zuravand et al. | Enhancing Soil Moisture Estimation: Exploring the Synergy of Optical Trapezoid and Deep Learning models | |
| Wang et al. | Extraction of Jujube Planting Areas in Sentinel-2 Image Based on NDVI Threshold—A case study of Ruoqiang County | |
| Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series | |
| Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast | |
| Abebrese et al. | Estimating the spatial distribution of soil volumetric water content in an agricultural field employing remote sensing and other auxiliary data under different tillage management practices | |
| Adak et al. | Assessment of soil health parameters using proximal hyperspectral remote sensing | |
| Ojo | Mapping and modeling of irrigation induced salinity of Vaal-Harts irrigation scheme in South Africa | |
| Montano Lopez | Mapping and monitoring soil organic carbon in the Clay Belt of Northern Ontario | |
| Khallouf et al. | Estimation of Surface Soil Particles Using Remote Sensing-based Data in Al-Ghab Plain, Syria | |
| Sivabalan et al. | Phenology based classification index method for land cover mapping from hyperspectral imagery |
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 |