CN117630000A - 土壤含盐量评估方法、装置、电子设备及存储介质 - Google Patents
土壤含盐量评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117630000A CN117630000A CN202410110369.1A CN202410110369A CN117630000A CN 117630000 A CN117630000 A CN 117630000A CN 202410110369 A CN202410110369 A CN 202410110369A CN 117630000 A CN117630000 A CN 117630000A
- Authority
- CN
- China
- Prior art keywords
- soil
- sample
- target
- value
- brightness
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 603
- 150000003839 salts Chemical class 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 title claims description 28
- 238000013210 evaluation model Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000002310 reflectometry Methods 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000001429 visible spectrum Methods 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种土壤含盐量评估方法、装置、电子设备及存储介质，涉及图像数据处理技术领域，该方法包括：获取待测区域对应的遥感影像，并基于遥感影像，确定待测区域对应的土壤亮度植被指数；获取待测区域内目标土壤对应的土壤酸碱度；将土壤亮度植被指数和土壤酸碱度输入至目标土壤对应的数学评估模型中，得到数学评估模型输出的待测区域对应的土壤含盐量；其中，数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。该方法利用构建好的目标土壤对应的数学评估模型，结合遥感技术，准确确定待测区域对应的土壤含盐量，整个过程能够对土壤盐渍化实现准确监测。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种土壤含盐量评估方法、装置、电子设备及存储介质。
背景技术
土壤盐渍化是指土壤中可溶性盐的积累，导致土壤中的盐分含量过高，从而影响作物的生长和产量。该土壤盐渍化是农业发展、生态稳定和土壤资源可持续利用的主要限制因素之一。某些地区，如内蒙古，由于过度放牧及开垦，导致土壤盐渍化问题显著。
目前，一般采用传统的人工定点采样法或采用遥感手段（如高光谱反演土壤含盐量方法）来实现对土壤盐渍化的监测。然而，前者监测周期长、工作量大，监测精度与采样点数量、布设相关，难以准确反映土壤盐渍化在空间上的动态分布，进而难以对土壤盐渍化进行准确监测；后者虽然在一定程度上，能够掌握土壤盐渍化的空间分布特征，以对预防土壤盐渍化造成的农业生产力下降、生物多样性威胁、生态环境恶化等问题带来的影响具有指导性意义，但也仅局限于季节、时空演变规律等角度，一般利用空间插值、缓冲区分析和空间自相关分析方法等，同样也难以对土壤盐渍化进行准确监测。
发明内容
本发明提供一种土壤含盐量评估方法、装置、电子设备及存储介质，用以解决现有技术难以对土壤盐渍化进行准确监测的缺陷，该方法利用构建好的目标土壤对应的数学评估模型，结合遥感技术，准确确定待测区域对应的土壤含盐量，由于该数学评估模型是一种表达盐渍化状况的遥感含盐量反演关系模型，所以，该数学评估模型输出的土壤含盐量的准确性也较高，以对土壤盐渍化实现准确监测。
本发明提供一种土壤含盐量评估方法，包括：
获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；
获取所述待测区域内目标土壤对应的土壤酸碱度；
将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；
其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
根据本发明提供的一种土壤含盐量评估方法，所述数学评估模型是基于以下步骤构建得到的：获取所述区域样本对应的遥感影像样本，并基于所述遥感影像样本，确定所述区域样本对应的土壤亮度植被指数样本；获取所述区域样本内所述目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本；根据所述土壤含盐量样本和所述土壤酸碱度样本，确定第一最大信息系数；并根据所述土壤亮度植被指数样本和所述土壤含盐量样本，确定第二最大信息系数；基于所述第一最大信息系数和所述第二最大信息系数，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型；其中，所述目标土壤样本与所述目标土壤为同一类型的土壤，所述目标土壤样本对应的数学评估模型与所述目标土壤对应的数学评估模型相同。
根据本发明提供的一种土壤含盐量评估方法，所述基于所述第一最大信息系数和所述第二最大信息系数，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型，包括：在所述第一最大信息系数和所述第二最大信息系数均大于等于系数阈值的情况下，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型。
根据本发明提供的一种土壤含盐量评估方法，所述获取所述区域样本内所述目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本，包括：采用网格取样法，确定所述遥感影像样本对应的多个网格，并从所述多个网格中，确定目标网格；基于所述目标网格，生成采集信息，所述采集信息用于指示其它设备采集和/或用户输入所述区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；获取所述区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；将所述不同深度中目标深度对应的土壤样本确定为所述目标土壤样本，并将所述目标深度对应土壤的土壤酸碱度样本确定为所述目标土壤对应的土壤酸碱度样本。
根据本发明提供的一种土壤含盐量评估方法，所述根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型，包括：对所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本进行拟合，得到所述目标土壤样本对应的数学评估公式；将所述数学评估公式，确定为所述目标土壤样本对应的数学评估模型；其中，所述数学评估公式为：；表示所述土壤亮度植被指数样本；表示所述土壤酸碱度样本；表示所述土壤含盐量样本；表示第一常数；表示第二常数；表示第三常数；表示第四常数；表示指数函数，的取值为或；表示第五常数；示第六常数。
根据本发明提供的一种土壤含盐量评估方法，所述根据所述土壤含盐量样本和所述土壤酸碱度样本，确定第一最大信息系数；并根据所述土壤亮度植被指数样本和所述土壤含盐量样本，确定第二最大信息系数，包括：根据所述目标网格中的数据点频率，确定所述土壤含盐量样本和所述土壤酸碱度样本对应的第一互信息值；根据所述第一互信息值，确定所述第一最大信息系数；根据所述目标网格中的数据点频率，确定所述土壤亮度植被指数样本和所述土壤含盐量样本对应的第二互信息值；根据所述第二互信息值，确定所述第二最大信息系数。
根据本发明提供的一种土壤含盐量评估方法，所述获取所述区域样本对应的遥感影像样本，并基于所述遥感影像样本，确定所述区域样本对应的土壤亮度植被指数样本，包括：获取所述区域样本对应的初始遥感影像样本；对所述初始遥感影像样本进行预处理，得到所述遥感影像样本，所述预处理包括以下至少一项：辐射校正、几何校正和大气校正；基于所述遥感影像样本，确定近红外波段的第一反射率和红光波段的第二反射率；根据所述第一反射率、所述第二反射率及所述区域样本对应的土壤调整因子，确定所述区域样本对应的土壤亮度植被指数样本。
本发明还提供一种土壤含盐量评估装置，包括：
获取模块，用于获取待测区域对应的遥感影像；
处理模块，用于基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述土壤含盐量评估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述土壤含盐量评估方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述土壤含盐量评估方法。
本发明提供的土壤含盐量评估方法、装置、电子设备及存储介质，通过获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。该方法利用构建好的目标土壤对应的数学评估模型，结合遥感技术，准确确定待测区域对应的土壤含盐量，由于该数学评估模型是一种表达盐渍化状况的遥感含盐量反演关系模型，所以，该数学评估模型输出的土壤含盐量的准确性也较高，以对土壤盐渍化实现准确监测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的土壤含盐量评估方法的流程示意图；
图2是本发明提供的土壤含盐量评估装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
需要说明的是，本发明实施例涉及的执行主体可以是土壤含盐量评估装置，也可以是电子设备，可选的，该电子设备可以包括：计算机、移动终端及可穿戴设备等。
下面以电子设备为例对本发明实施例进行进一步地说明。
如图1所示，是本发明提供的土壤含盐量评估方法的流程示意图，可以包括：
101、获取待测区域对应的遥感影像，并基于遥感影像，确定待测区域对应的土壤亮度植被指数。
其中，待测区域是指待检测土壤含盐量的区域。
遥感图像为一种最少拥有红、绿、蓝和近红这四个波段的遥感影像，如卫星影像或无人机影像等，示例性的，该遥感影像的空间分辨率≤10米（m）。
土壤亮度植被指数（Soil-Adjusted Vegetation Index，SAVI）是一种遥感指数，用于描述土壤背景和植被的光谱特征。
电子设备在确定待测区域之后，可先采集该待测区域对应的遥感影像，并基于该遥感影像，确定该待测区域对应的土壤亮度植被指数，为后续确定该待测区域内目标土壤的土壤含盐量提供数据支撑。
可选的，电子设备确定待测区域对应的土壤亮度植被指数，可以包括：电子设备基于遥感影像，确定近红外波段的反射率和红光波段的反射率；该电子设备根据近红外波段的反射率、红光波段的反射率及待测区域对应的土壤调整因子，确定待测区域对应的土壤亮度植被指数。
其中，近红外波段的反射率是指植物在近红外波段的光谱特性，即植物对近红外光的反射能力。
红光波段的反射率是指植物在红光波段的光谱特性，即植物对红光的反射能力。该红光波段位于可见光谱的短波长端，具有较高的吸收率和反射率。
待测区域对应的土壤调整因子通常是根据实地观测数据和其他环境指标得出的，用于校正土壤表面反射率的差异，以获得更准确的结果。
电子设备在确定遥感影像之后，可基于该遥感影像，确定近红外波段的反射率和红光波段的反射率，进而结合待测区域对应的土壤调整因子进行计算，得到待测区域对应的土壤亮度植被指数。
可选的，电子设备获取待测区域对应的遥感影像，可以包括：电子设备待测区域对应的初始遥感影像；该电子设备对初始遥感影像进行预处理，得到遥感影像。
其中，预处理可以包括以下至少一项：辐射校正、几何校正和大气校正等。
辐射校正用于校正初始遥感影像的辐射失真。
几何校正用于校正可能由卫星轨道、地球曲率、传感器特性等因素引起的初始遥感影像的几何变形，通过几何校正，能够使得该初始遥感影像中的每个像素都会被重新定位到正确的地理坐标。
大气校正用于消除大气条件（如大气散射和/或吸收）对初始遥感影像的影响。由于大气条件的变化，该初始遥感影像可能会受到“失真”，这会导致地面物体的颜色和亮度发生变化，通过大气校正，可以更准确地分析地面的真实反射率或发射率。
电子设备在获取了待测区域对应的初始遥感影像之后，由于该初始遥感影像的质量不佳，所以，该电子设备可对该初始遥感影像进行预处理，以消除该初始遥感影像中的噪声或误差，提高该初始遥感影像的质量，得到准确性较高的遥感影像。
可选的，电子设备根据近红外波段的反射率、红光波段的反射率及待测区域对应的土壤调整因子，确定待测区域对应的土壤亮度植被指数，可以包括：电子设备根据第一指数公式，得到待测区域对应的土壤亮度植被指数。
其中，第一指数公式为：；
表示待测区域对应的土壤亮度植被指数；表示待测区域对应的土壤调整因子；表示近红外波段的反射率；表示红光波段的反射率。
电子设备根据上述第一指数公式，能够得到准确性较高的待测区域对应的土壤亮度植被指数，为后续确定该待测区域对应的含盐量提供数据支撑。
示例性的，土壤调整因子的取值一般为0.5。
102、获取待测区域内目标土壤对应的土壤酸碱度。
其中，土壤酸碱度是指土壤的酸碱性强弱程度，用pH来表示，pH∈(1,14)。
电子设备在获取遥感影像之后，可基于遥感影像，生成采集指示信息，该采集指示信息用于指示其它设备采集和/或用户输入待测内任一点位在不同深度的目标土壤各自对应的土壤酸碱度；在接收到其它设备成功上传的土壤酸碱度和/或检测到用户已输入该土壤酸碱度的情况下，说明该电子设备已经获取到了待测区域内目标土壤对应的土壤酸碱度，实现为后续确定该待测区域内目标土壤的土壤含盐量提供数据支撑。
需要说明的是，电子设备确定待测区域对应的土壤亮度植被指数与该电子设备获取该待测区域内目标土壤对应的土壤酸碱度的时序不限。
103、将土壤亮度植被指数和土壤酸碱度输入至目标土壤对应的数学评估模型中，得到数学评估模型输出的待测区域对应的土壤含盐量。
其中，数学评估模型是一个用于表达盐渍化状况的遥感含盐量反演关系模型，是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的，其中，该目标土壤样本与上述目标土壤为同一类型的土壤，该目标土壤样本对应的数学评估模型与该目标土壤对应的数学评估模型相同。可以理解的是，该数学评估模型能够为土壤盐渍化的遥感含盐量反演提供精度较高的监测手段。
土壤电导率（Electrical Conductivity, EC）是测定土壤含盐量的指标，是土壤提取液中的阴离子和阳离子的总和，单位为μS/cm，是土壤盐碱化程度的一个重要指标，可以用作评估土壤盐渍化的程度，并指导农业生产和土地利用。
由于目标土壤对应的数学评估模型是预先构建好的，所以，电子设备在获取土壤亮度植被指数和土壤酸碱度之后，可直接将这两个数据输入至该数学评估模型，通过该数学评估模型计算得到该目标土壤所在待测区域所对应的土壤含盐量，实现为后续待测区域的数据分析提供数据支撑。
在一些实施例中，数学评估模型可以是基于以下步骤构建得到的：电子设备获取区域样本对应的遥感影像样本，并基于遥感影像样本，确定区域样本对应的土壤亮度植被指数样本；该电子设备获取区域样本内目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本；该电子设备根据土壤含盐量样本和土壤酸碱度样本，确定第一最大信息系数；并根据土壤亮度植被指数样本和土壤含盐量样本，确定第二最大信息系数；该电子设备基于第一最大信息系数和第二最大信息系数，根据土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本，构建目标土壤样本对应的数学评估模型。
其中，最大信息系数用于表征两个变量之间的相关程度，旨在识别出这两个变量之间的任何可能的关系，无论这些关系是线性的还是非线性的。其中，第一最大信息系数用于表征土壤含盐量样本和土壤酸碱度样本之间的相关程度；第二最大信息系数用于表征土壤亮度植被指数样本和土壤含盐量样本之间的相关程度。
由于目标土壤样本与目标土壤为同一类型的土壤，所以，该目标土壤样本对应的数学评估模型与该目标土壤对应的数学评估模型是相同的。电子设备在构建目标土壤样本对应的数学评估模型的过程中，可先建立感兴趣区域（Region of Interest，RoI），具体的，在指定区域（如内蒙古地区草原及种植区域）使用聚类分析的随机选点方法，按照植被类型和/或种植区作物类型，对该指定区域的土地进行归类，再在每一类植被类型对应的土地和/或每一类种植区作物类型对应的土地中，随机选取N组正方形（如）的样方作为感兴趣区域进行研究，N≥1，也即同一类植被类型和/或种植区作物类型，可对应至少一个感兴趣区域。
之后，该电子设备从所有的植被类型和/或种植区作物类型中，先确定出目标土壤样本对应的目标植被类型土地和/或目标种植区作物类型，再将该目标植被类型土地和/或该目标种植区作物类型对应的感兴趣区域确定为该目标土壤样本对应的区域样本；然后，该电子设备采集该区域样本对应的遥感影像样本，进而基于该遥感影像样本，确定该区域样本对应的土壤亮度植被指数样本，并获取区域样本内目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本。
接着，该电子设备确定该土壤亮度植被指数样本和该土壤酸碱度样本之间的相关性关系，并确定该土壤亮度植被指数样本和该土壤含盐量样本之间的相关性关系，具体的，根据该土壤含盐量样本和该土壤酸碱度样本，确定第一最大信息系数；并根据该土壤亮度植被指数样本和该土壤含盐量样本，确定第二最大信息系数。
最后，该电子设备在充分研究了土壤亮度植被指数样本分别与土壤酸碱度样本和土壤含盐量样本之间的相关性关系的情况下，即在基于土壤亮度植被指数样本，进行与土壤酸碱度样本和土壤含盐量样本间关系的定量评价的情况下，构建土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本这三者对应的关系模型，具体的，该电子设备以第一最大信息系数和第二最大信息系数为条件，以土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本为依据，构建上述目标土壤样本对应的数学评估模型，该目标土壤样本对应的数学评估模型即为目标土壤对应的数学评估模型。
基于上述数学评估模型的构建过程，电子设备能够准确确定指定区域内不同土壤各自对应的数学评估模型，为不同土壤各自对应的土壤盐渍化的遥感含盐量反演提供了数据支撑，有效降低了土壤含盐量反演的门槛，对区域盐渍化研究提供可靠依据。
其中，聚类分析的随机选点方法旨在发现照植被类型和/或种植区作物类型，以及指定区域的土地之间的映射关系。
需要说明的是，电子设备确定第一最大信息系数与该电子设备确定第二最大信息系数的时序不限。
此外，采用内蒙古地区草原及种植区域的原因在于：该内蒙古地区草原及种植区域地势较平坦且大部分为温带大陆性气候，具有年降雨量相差小、年有效积温相差小、年气温相差小等特点，使得降水量、光照强度、气温等因素对区域内植被及作物长势影响基本相同，不同区域的土壤含盐量及土壤酸碱度对区域内植被及作物长势影响差异较大。
在一些实施例中，电子设备获取区域样本对应的遥感影像样本，并基于遥感影像样本，确定区域样本对应的土壤亮度植被指数样本，可以包括：电子设备获取区域样本对应的初始遥感影像样本；该电子设备对初始遥感影像样本进行预处理，得到遥感影像样本；该电子设备基于遥感影像样本，确定近红外波段的第一反射率和红光波段的第二反射率；该电子设备根据第一反射率、第二反射率及区域样本对应的土壤调整因子，确定区域样本对应的土壤亮度植被指数样本。
其中，预处理可以包括以下至少一项：辐射校正、几何校正和大气校正等。
电子设备在获取了区域样本对应的初始遥感影像样本之后，由于该初始遥感影像样本的质量不佳，所以，该电子设备可对该初始遥感影像样本进行预处理，以消除该初始遥感影像样本中的噪声或误差，提高该初始遥感影像样本的质量，得到准确性较高的遥感影像样本；接着，该电子设备基于该遥感影像样本，确定近红外波段的第一反射率和红光波段的第二反射率，进而结合该区域样本对应的土壤调整因子，确定该区域样本对应的土壤亮度植被指数样本，该土壤亮度植被指数样本也是较为准确的。
可选的，电子设备根据第一反射率、第二反射率及区域样本对应的土壤调整因子，确定区域样本对应的土壤亮度植被指数样本，可以包括：电子设备根据第二指数公式，得到区域样本对应的土壤亮度植被指数样本。
其中，第一指数公式为：；
表示区域样本对应的土壤亮度植被指数样本；表示区域样本对应的土壤调整因子；表示第一反射率；表示第二反射率。
电子设备根据上述第二指数公式，能够得到准确性较高的区域样本对应的土壤亮度植被指数样本，为后续训练该区域样本中目标土壤对应的数学评估模型提供数据支撑。
示例性的，土壤调整因子的取值一般为0.5。
在一些实施例中，电子设备获取区域样本内目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本，可以包括：电子设备采用网格取样法，确定遥感影像样本对应的多个网格，并从多个网格中，确定目标网格；该电子设备基于目标网格，生成采集信息，采集信息用于指示其它设备采集和/或用户输入区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；该电子设备获取区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；该电子设备将不同深度中目标深度对应的土壤样本确定为目标土壤样本，并将目标深度对应土壤的土壤酸碱度样本确定为目标土壤对应的土壤酸碱度样本。
其中，网格取样法指的是一种按照一定规则将区域样本划分成多个网格，再按照网格逐一进行取样的方法。这种方法的优点是操作简便、易于控制，可以用于大范围区域的快速取样。示例性的，各网格的大小一般取值为。
深度是指自地表面为起始向土地内部的深度。其中，目标深度一般为作物的根系深度，与土壤亮度植被指数最相关。
电子设备在确定目标土壤对应的土壤酸碱度样本的过程中，可先采用网格取样法，对遥感影像样本进行均匀分割，得到该遥感影像样本对应的多个网格，并将这多个网格中的中心网格确定为目标网格；然后，该电子设备以该目标网格为依据，生成采集信息，以采集区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本，基于此，该电子设备就能获取该区域样本内不同点位在不同深度的土壤样本各自对应的土壤酸碱度样本；接着，该电子设备再从不同深度中确定目标深度，并确定该目标深度对应的土壤样本，此时，该目标深度对应的土壤样本即为目标土壤样本，该目标深度对应的土壤样本的土壤酸碱度样本即为该目标土壤对应的土壤酸碱度样本。
示例性的，不同深度的土壤样本可以包括：0-10cm表层土壤样本、10cm-20cm次表层土壤样本、20cm-40cm中层土壤样本及40cm-60cm下层土壤样本等。目标深度的土壤样本为10cm-20cm次表层土壤样本和/或20cm-30cm中层土壤样本。
在一些实施例中，电子设备根据土壤含盐量样本和土壤酸碱度样本，确定第一最大信息系数；并根据土壤亮度植被指数样本和土壤含盐量样本，确定第二最大信息系数，可以包括：电子设备根据目标网格中的数据点频率，确定土壤含盐量样本和土壤酸碱度样本对应的第一互信息值；该电子设备根据第一互信息值，确定第一最大信息系数；该电子设备根据目标网格中的数据点频率，确定土壤亮度植被指数样本和土壤含盐量样本对应的第二互信息值；该电子设备根据第二互信息值，确定第二最大信息系数。
其中，数据点频率是指数据点在目标网格中的分布情况，通常用于描述点位在目标网格中的密度或出现概率。
互信息值是一种用于描述两个变量之间关系的度量，在聚类分析中，互信息值可以用于评估聚类结果的相似性或差异性。其中，第一互信息值用于表征土壤含盐量样本和土壤酸碱度样本之间的相似性或差异性；第二互信息值用于表征土壤亮度植被指数样本和土壤含盐量样本之间的相似性或差异性。
针对区域样本内不同点位在不同深度的土壤含盐量样本及土壤酸碱度样本，与该区域样本对应的土壤亮度植被指数样本进行定量评价，引入最大信息系数，具体的，该电子设备可先目标网格中的数据点频率，进而确定土壤含盐量样本和土壤酸碱度样本对应的第一互信息值，并确定该土壤亮度植被指数样本和土壤含盐量样本对应的第二互信息值；然后，该电子设备根据该第一互信息值，确定第一最大信息系数，并根据第二互信息值，确定第二最大信息，为后续确定目标土壤对应的数学评估模型提供数据支撑。
可选的，电子设备根据目标网格中的数据点频率，确定土壤含盐量样本和土壤酸碱度样本对应的第一互信息值；该电子设备根据第一互信息值，确定第一最大信息系数，可以包括：电子设备根据第一公式，得到第一互信息值；该电子设备根据第二公式，得到第一最大信息系数。
其中，第一公式为：；
第二公式为：；
表示区域样本内不同点位在不同深度的土壤酸碱度样本，表示区域样本内不同点位的土壤含盐量样本，表示不同点位在不同深度的土壤酸碱度样本与不同点位的土壤含盐量样本在目标网格划分下的第一互信息值；表示目标网格的行数，表示目标网格的列数，，也即行数和列数是将土壤酸碱度样本和土壤含盐量样本构成的散点图划分为行列的网格的参数；表示目标网格中第行第列的数据点，该数据点即点位；表示数据点的数据点频率；表示第行的数据点频率；表示第列的数据点频率；表示第一最大信息系数；表示限制因子，一般取为样本量的0.6次方；表示行数与列数之间的最小值。
电子设备结合上述第一公式和上述第二公式能够准确确定土壤含盐量样本和土壤酸碱度样本之间的第一最大信息系数。
示例性的，以内蒙古种植区与非种植区典型作物的样方内10cm-20cm处的土壤酸碱度样本和土壤含盐量样本为例，确定第一最大信息系数，如表1所示，是本发明提供的土壤酸碱度样本与土壤含盐量样本之间的相关性定量评价结果。
表1：
从表1中可以看出，内蒙古非种植区的植被类型为禾本科植物，该禾本科植物对应的第一最大信息系数为0.8551，内蒙古种植区的植被类型为小麦，该小麦对应的第一最大信息系数为0.8742，均高于0.5，具有强相关性。
可选的，电子设备根据目标网格中的数据点频率，确定土壤亮度植被指数样本和土壤含盐量样本对应的第二互信息值；该电子设备根据第二互信息值，确定第二最大信息系数，可以包括：电子设备根据第三公式，得到第二互信息值；该电子设备根据第四公式，得到第二最大信息系数。
其中，第三公式为：；
第四公式为：；
表示土壤亮度植被指数样本，表示土壤亮度植被指数样本与不同点位的土壤含盐量样本在目标网格划分下的第二互信息值；表示第二最大信息系数。
电子设备结合上述第三公式和上述第四公式能够准确确定土壤亮度植被指数样本和土壤含盐量样本之间的第二最大信息系数。
示例性的，以内蒙古种植区与非种植区典型作物的样方内的土壤含盐量样本和土壤亮度植被指数样本为例，确定第二最大信息系数，如表2所示，是本发明提供的土壤含盐量样本与土壤亮度植被指数样本之间的相关性定量评价结果。
表2：
从表2中可以看出，区域样本内不同点位在不同深度的土壤样本对应的土壤含盐量样本，与该区域样本对应的土壤亮度植被指数样本之间的第二最大信息系数均高于0.5，具有强相关性。
在一些实施例中，电子设备基于第一最大信息系数和第二最大信息系数，根据土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本，构建目标土壤样本对应的数学评估模型，可以包括：在第一最大信息系数和第二最大信息系数均大于等于系数阈值的情况下，电子设备根据土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本，构建目标土壤样本对应的数学评估模型。
其中，系数阈值可以是电子设备出厂前设置的，也可以是用户自定义的，此处不作具体限定。
示例性的，上述系数阈值一般取值为0.5。
电子设备在确定第一最大信息系数和第二最大信息系数之后，可判断该第一最大信息系数与该第二最大信息系数与系数阈值的关系，若该第一最大信息系数大于等于该系数阈值，且该第二最大信息系数大于等于该系数阈值，说明土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本具有较强相关性，此时，该电子设备可根据该土壤亮度植被指数样本、该土壤酸碱度样本和该土壤含盐量样本，构建目标土壤样本对应的数学评估模型。
示例性的，结合表1和表2可知，在系数阈值取值为0.5的情况下，所有的第一最大信息系数和第二最大信息系数均大于该系数阈值，此时，说明土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本这三者具有强相关性，且具有某种线性关系，进一步地，该电子设备可根据土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本，构建目标土壤样本对应的数学评估模型。
在一些实施例中，电子设备根据土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本，构建目标土壤样本对应的数学评估模型，包括：电子设备对土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本进行拟合，得到目标土壤样本对应的数学评估公式；该电子设备将数学评估公式，确定为目标土壤样本对应的数学评估模型。
其中，数学评估公式为：；
表示土壤亮度植被指数样本；表示土壤酸碱度样本；表示土壤含盐量样本；表示第一常数；表示第二常数；表示第三常数；表示第四常数；表示指数函数，的取值为或；表示第五常数；表示第六常数。
由于土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本这三者具有强相关性，且具有某种线性关系，所以，为了较好的描述这三者的定量关系，该电子设备可根据采集到的土壤亮度植被指数样本、土壤酸碱度样本和土壤含盐量样本建立拟合模型，得到该目标土壤样本对应的数学评估公式，进而将该数学评估公式确定为该目标土壤样本对应的数学评估模型。
示例性的，以内蒙古种植区与非种植区典型作物的样方内的土壤含盐量样本、土壤酸碱度样本和土壤亮度植被指数样本为例，构建拟合模型，如表3所示，是本发明提供的拟合模型。
表3：
；
其中，表示土壤亮度植被指数样本；表示10cm-20cm处的土壤酸碱度样本；表示当前土层深度的土壤含盐量样本。从表3中可以看出，不同土壤对应的拟合模型所涉及的常数也是不同的，此处不作具体限定。
可选的，该方法还可以包括：电子设备根据其它区域样本对应的土壤亮度植被指数样本、该其它区域样本内目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本，确定该目标土壤样本对应的数学评估模型的精度值。
示例性，电子设备针对目标土壤样本，将对应的目标植被类型土地和/或目标种植区作物类型对应的其它样方，确定该目标土壤样本对应的其它区域样本，再确定该其它区域样本对应的土壤亮度植被指数样本、该其它区域样本内目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本，进而确定该目标土壤样本对应的数学评估模型的精度值，该精度值大于预设精度阈值，此时，说明该数学评估模型的准确性和精度较高。
可选的，预设精度阈值可以是电子设备出厂前设置的，也可以是用户自定义的，此处不作具体限定。
示例性的，上述预设精度阈值一般取值为0.75。
在本发明实施例中，获取待测区域对应的遥感影像，并基于遥感影像，确定待测区域对应的土壤亮度植被指数；获取待测区域内目标土壤对应的土壤酸碱度；将土壤亮度植被指数和土壤酸碱度输入至目标土壤对应的数学评估模型中，得到数学评估模型输出的待测区域对应的土壤含盐量；其中，数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。该方法利用构建好的目标土壤对应的数学评估模型，结合遥感技术，准确确定待测区域对应的土壤含盐量，由于该数学评估模型是一种表达盐渍化状况的遥感含盐量反演关系模型，所以，该数学评估模型输出的土壤含盐量的准确性也较高，以对土壤盐渍化实现准确监测。
此外，该方法相对于传统的人工定点采样法，能够有效减少测量土壤含盐量的工作量与成本，同时，有效提升测量速率，另外，相对于传统人工测量的区域内点数据，该方法能够获取区域内面数据，指导生产。
该方法相对于高光谱反演土壤含盐量方法，具有数据源多、数据时效性强、数据便宜、数据获取简单、数据处理简单且有开元数据等多种优势。
下面对本发明提供的土壤含盐量评估装置进行描述，下文描述的土壤含盐量评估装置与上文描述的土壤含盐量评估方法可相互对应参照。
如图2所示，是本发明提供的土壤含盐量评估装置的结构示意图，可以包括：
获取模块201，用于获取待测区域对应的遥感影像；
处理模块202，用于基于该遥感影像，确定该待测区域对应的土壤亮度植被指数；获取该待测区域内目标土壤对应的土壤酸碱度；将该土壤亮度植被指数和该土壤酸碱度输入至该目标土壤对应的数学评估模型中，得到该数学评估模型输出的该待测区域对应的土壤含盐量；其中，该数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
可选的，该数学评估模型是基于以下步骤构建得到的：获取模块201，具体用于获取该区域样本对应的遥感影像样本；
处理模块202，具体用于基于该遥感影像样本，确定该区域样本对应的土壤亮度植被指数样本；获取该区域样本内该目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本；根据该土壤含盐量样本和该土壤酸碱度样本，确定第一最大信息系数；并根据该土壤亮度植被指数样本和该土壤含盐量样本，确定第二最大信息系数；基于该第一最大信息系数和该第二最大信息系数，根据该土壤亮度植被指数样本、该土壤酸碱度样本和该土壤含盐量样本，构建该目标土壤样本对应的数学评估模型；其中，该目标土壤样本与该目标土壤为同一类型的土壤，该目标土壤样本对应的数学评估模型与该目标土壤对应的数学评估模型相同。
可选的，处理模块202，具体用于在该第一最大信息系数和该第二最大信息系数均大于等于系数阈值的情况下，根据该土壤亮度植被指数样本、该土壤酸碱度样本和该土壤含盐量样本，构建该目标土壤样本对应的数学评估模型。
可选的，处理模块202，具体用于采用网格取样法，确定该遥感影像样本对应的多个网格，并从该多个网格中，确定目标网格；基于该目标网格，生成采集信息，该采集信息用于指示其它设备采集和/或用户输入该区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；获取该区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；将该不同深度中目标深度对应的土壤样本确定为该目标土壤样本，并将该目标深度对应土壤的土壤酸碱度样本确定为该目标土壤对应的土壤酸碱度样本。
可选的，处理模块202，具体用于对该土壤亮度植被指数样本、该土壤酸碱度样本和该土壤含盐量样本进行拟合，得到该目标土壤样本对应的数学评估公式；将该数学评估公式，确定为该目标土壤样本对应的数学评估模型；其中，该数学评估公式为：；表示该土壤亮度植被指数样本；表示该土壤酸碱度样本；表示该土壤含盐量样本；表示第一常数；表示第二常数；表示第三常数；表示第四常数；表示指数函数，的取值为或；表示第五常数；表示第六常数。
可选的，处理模块202，具体用于根据该目标网格中的数据点频率，确定该土壤含盐量样本和该土壤酸碱度样本对应的第一互信息值；根据该第一互信息值，确定该第一最大信息系数；根据该目标网格中的数据点频率，确定该土壤亮度植被指数样本和该土壤含盐量样本对应的第二互信息值；根据该第二互信息值，确定该第二最大信息系数。
可选的，获取模块201，具体用于获取该区域样本对应的初始遥感影像样本；
可选的，处理模块202，具体用于对该初始遥感影像样本进行预处理，得到该遥感影像样本，该预处理包括以下至少一项：辐射校正、几何校正和大气校正；基于该遥感影像样本，确定近红外波段的第一反射率和红光波段的第二反射率；根据该第一反射率、该第二反射率及该区域样本对应的土壤调整因子，确定该区域样本对应的土壤亮度植被指数样本。
如图3所示，是本发明提供的电子设备的结构示意图，该电子设备可以包括：处理器（processor）310、通信接口（Communications Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行土壤含盐量评估方法，该方法包括：获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
此外，上述的存储器330中的逻辑指令可以通过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、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土壤含盐量评估方法，该方法包括：获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的土壤含盐量评估方法，该方法包括：获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种土壤含盐量评估方法，其特征在于，包括：
获取待测区域对应的遥感影像，并基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；
获取所述待测区域内目标土壤对应的土壤酸碱度；
将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；
其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
2.根据权利要求1所述的方法，其特征在于，所述数学评估模型是基于以下步骤构建得到的：
获取所述区域样本对应的遥感影像样本，并基于所述遥感影像样本，确定所述区域样本对应的土壤亮度植被指数样本；
获取所述区域样本内所述目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本；
根据所述土壤含盐量样本和所述土壤酸碱度样本，确定第一最大信息系数；并根据所述土壤亮度植被指数样本和所述土壤含盐量样本，确定第二最大信息系数；
基于所述第一最大信息系数和所述第二最大信息系数，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型；
其中，所述目标土壤样本与所述目标土壤为同一类型的土壤，所述目标土壤样本对应的数学评估模型与所述目标土壤对应的数学评估模型相同。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一最大信息系数和所述第二最大信息系数，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型，包括：
在所述第一最大信息系数和所述第二最大信息系数均大于等于系数阈值的情况下，根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型。
4.根据权利要求2或3所述的方法，其特征在于，所述获取所述区域样本内所述目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本，包括：
采用网格取样法，确定所述遥感影像样本对应的多个网格，并从所述多个网格中，确定目标网格；
基于所述目标网格，生成采集信息，所述采集信息用于指示其它设备采集和/或用户输入所述区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；
获取所述区域样本内任一点位在不同深度的土壤样本各自对应的土壤酸碱度样本；
将所述不同深度中目标深度对应的土壤样本确定为所述目标土壤样本，并将所述目标深度对应土壤的土壤酸碱度样本确定为所述目标土壤对应的土壤酸碱度样本。
5.根据权利要求2或3所述的方法，其特征在于，所述根据所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本，构建所述目标土壤样本对应的数学评估模型，包括：
对所述土壤亮度植被指数样本、所述土壤酸碱度样本和所述土壤含盐量样本进行拟合，得到所述目标土壤样本对应的数学评估公式；
将所述数学评估公式，确定为所述目标土壤样本对应的数学评估模型；
其中，所述数学评估公式为：；表示所述土壤亮度植被指数样本；表示所述土壤酸碱度样本；表示所述土壤含盐量样本；表示第一常数；表示第二常数；表示第三常数；表示第四常数；表示指数函数，的取值为或；表示第五常数；表示第六常数。
6.根据权利要求4所述的方法，其特征在于，所述根据所述土壤含盐量样本和所述土壤酸碱度样本，确定第一最大信息系数；并根据所述土壤亮度植被指数样本和所述土壤含盐量样本，确定第二最大信息系数，包括：
根据所述目标网格中的数据点频率，确定所述土壤含盐量样本和所述土壤酸碱度样本对应的第一互信息值；
根据所述第一互信息值，确定所述第一最大信息系数；
根据所述目标网格中的数据点频率，确定所述土壤亮度植被指数样本和所述土壤含盐量样本对应的第二互信息值；
根据所述第二互信息值，确定所述第二最大信息系数。
7.根据权利要求2或3所述的方法，其特征在于，所述获取所述区域样本对应的遥感影像样本，并基于所述遥感影像样本，确定所述区域样本对应的土壤亮度植被指数样本，包括：
获取所述区域样本对应的初始遥感影像样本；
对所述初始遥感影像样本进行预处理，得到所述遥感影像样本，所述预处理包括以下至少一项：辐射校正、几何校正和大气校正；
基于所述遥感影像样本，确定近红外波段的第一反射率和红光波段的第二反射率；
根据所述第一反射率、所述第二反射率及所述区域样本对应的土壤调整因子，确定所述区域样本对应的土壤亮度植被指数样本。
8.一种土壤含盐量评估装置，其特征在于，包括：
获取模块，用于获取待测区域对应的遥感影像；
处理模块，用于基于所述遥感影像，确定所述待测区域对应的土壤亮度植被指数；获取所述待测区域内目标土壤对应的土壤酸碱度；将所述土壤亮度植被指数和所述土壤酸碱度输入至所述目标土壤对应的数学评估模型中，得到所述数学评估模型输出的所述待测区域对应的土壤含盐量；其中，所述数学评估模型是基于区域样本对应的土壤亮度植被指数样本、目标土壤样本对应的土壤酸碱度样本和土壤含盐量样本构建得到的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述土壤含盐量评估方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述土壤含盐量评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110369.1A CN117630000B (zh) | 2024-01-26 | 2024-01-26 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110369.1A CN117630000B (zh) | 2024-01-26 | 2024-01-26 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117630000A true CN117630000A (zh) | 2024-03-01 |
| CN117630000B CN117630000B (zh) | 2024-04-02 |
Family
ID=90025628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410110369.1A Active CN117630000B (zh) | 2024-01-26 | 2024-01-26 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117630000B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118376761A (zh) * | 2024-06-21 | 2024-07-23 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种基于土壤数据的检测方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144535A (zh) * | 2017-05-19 | 2017-09-08 | 南京信息工程大学 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
| CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
| 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 |
| CN116757099A (zh) * | 2023-08-18 | 2023-09-15 | 中国科学院南京土壤研究所 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
-
2024
- 2024-01-26 CN CN202410110369.1A patent/CN117630000B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144535A (zh) * | 2017-05-19 | 2017-09-08 | 南京信息工程大学 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
| CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
| 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 |
| CN116757099A (zh) * | 2023-08-18 | 2023-09-15 | 中国科学院南京土壤研究所 | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| 张同瑞 等: "基于近地面多光谱的黄河三角洲典型地区土壤含盐量估算研究", 光谱学与光谱分析, vol. 36, no. 01, 15 January 2016 (2016-01-15), pages 248 - 253 * |
| 张慧 等: "植被指数的地形效应研究进展", 应用生态学报, vol. 29, no. 02, 28 February 2018 (2018-02-28), pages 669 - 677 * |
| 张振华 等: "集成土壤-环境关系与机器学习的干旱区土壤属性数字制图", 中国农业科学, vol. 53, no. 03, 1 February 2020 (2020-02-01), pages 563 - 573 * |
| 徐驰 等: "内蒙古河套灌区土壤含盐量和pH高光谱反演研究", 灌溉排水学报, vol. 32, no. 03, 15 June 2013 (2013-06-15), pages 39 - 43 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118376761A (zh) * | 2024-06-21 | 2024-07-23 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种基于土壤数据的检测方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117630000B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
| CN117630000B (zh) | 土壤含盐量评估方法、装置、电子设备及存储介质 | |
| CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
| CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
| CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
| CN114140591B (zh) | 一种结合机器学习和地统计的土壤有机质遥感制图方法 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN111751286B (zh) | 基于变化检测算法的土壤水分提取方法 | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
| CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
| CN114065643A (zh) | 基于sar和极化分解的种植物土壤含水量估算方法及系统 | |
| CN112924401B (zh) | 一种植被冠层叶绿素含量半经验反演方法 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN114486783A (zh) | 基于无人机多源遥感的冬小麦田土壤水分反演方法 | |
| CN105631176A (zh) | 一种基于双树复小波分段直接标准化的模型传递方法 | |
| CN117571626A (zh) | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN115508292B (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
| CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
| CN115063610A (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法 |
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 |