基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于Landsat8与Sentinel-1遥感图像融合的土壤含水率反演模型

针对当前运用单一光学卫星反演土壤含水率时易受到云的影响,单一SAR卫星反演土壤含水率时易受到地表粗糙度和植被影响的问题,以内蒙古河套灌区沙壕渠为研究区域,以4个深度的土壤含水率为研究对象,分别采用主成分分析(PCA)、施密特正交变换(GS)融合Landsat8和Sentinel-1图像以减少云、植被、土壤粗糙度的影响,并对融合后的图像质量进行评价,然后用融合图像的灰度构建1134种遥感指数,基于相关系数分析、变量投影重要性分析、灰色关联分析3种变量筛选方法与BP神经网络(BP)、极限学习机(ELM)、随机森林(RF)、支持向量机(SVM)4种机器学习算法的耦合模型反演沙壕渠土壤含水率。研究结果表明:经PCA、GS融合后的融合图像可同时保持Sentinel-1和Landsat8图像的优势,并成功定量反演土壤含水率。基于融合图像构建的三维指数普遍比二维指数对土壤含水率更敏感。在表层土壤含水率反演中,基于GS融合的VIP-ELM模型精度最高(决定系数R2=0.66,均方根误差(RMSE)为1.35%)。将GS融合的VIP-ELM模型应用于其他土壤深度含水率的反演后发现,20~40 cm反演精度最高(R2=0.79,RMSE为0.94%),其次是0~10 cm、40~60 cm、10~20 cm。该研究可为多源卫星图像融合反演土壤含水率提供参考。

基于EnKF和PF的沙壕渠灌域土壤含盐量监测模型研究

为探究不同数据同化算法在时空尺度上监测土壤含盐量的可行性,以内蒙古河套灌区沙壕渠灌域为研究区域,采用高分一号卫星遥感图像作为数据源,通过EnKF算法和PF算法的同化观测算子和模型算子得到时空范围中的土壤含盐量变化情况。其中观测算子分为两步,首先通过PLS-VIP准则来筛选光谱指数作为自变量,再使用ELM模型建立基于不同时间不同深度的遥感监测土壤含盐量模型;模型算子为基于Hydrus-1D模型的数学模拟监测土壤含盐量模型。结果表明,基于ELM模型的土壤含盐量模型中,深度0~20 cm、20~40 cm和40~60 cm的平均IOA均在0.74以上,平均ME在0.14%以下,表明反演模型具有良好的精度;基于Hydrus-1D的数学模拟监测土壤含盐量模型中,3个深度平均IOA在0.79~0.89之间,平均ME在0.128%~0.137%之间,能够较好地反映土壤盐分在时间序列中的运移情况;EnKF算法3个深度IOA在0.820以上,ME在0.141%~0.157%之间,NMB在0.141~0.252之间,PF算法3个深度IOA在0.89以上,ME在0.090%~0.142%之间,NMB在0.075~0.097之间,精度优于EnKF算法,能够很好地反映土壤含盐量在时间和空间上的分布情况。本文基于EnKF和PF算法进行Hydrus-1D模型和ELM模型的同化方案研究,提高了土壤含盐量的监测精度,可为后续在长时间大范围的时空尺度上监测土壤含盐量提供依据,也可为精准农业防治土壤盐渍化的研究提供参考。

Sentinel-2多光谱卫星遥感反演植被覆盖下的土壤盐分变化

为克服植被覆盖条件下土壤盐分含量与光谱反射率之间相关性较差所带来反演精度较低的问题,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,利用Sentinel-2卫星同步获取光谱数据,通过构建以归一化植被指数(Normalized Difference Vegetation Index,NDVI)为分支标准的盐分深度决策树确定反演土壤盐分含量的最佳深度,然后构建以NDVI和表层土壤含水率为分支标准的类别决策树,将土壤样本划分为不同类别,以此分别构建土壤盐分反演模型,并评估反演效果。研究结果表明,决策树能增强光谱反射率对土壤盐分含量的敏感性,基于随机森林(Random Forest,RF)的盐分反演模型可取得理想的反演效果,决定系数为0.70,均方根误差为0.25%,相对分布误差为0.35,相对分析误差为1.67。土壤盐分含量反演模型能较好地反演表层(<20 cm)和深层(>40~60 cm)土壤盐分含量,在反演中层(20~40 cm)土壤盐分含量上存在一定局限。当地表有植被覆盖时,利用决策树可有效地提高土壤盐分含量的反演精度(与未考虑决策树相比,决定系数和相对分析误差分别提高0.32和0.80)。研究结果可为监测灌区内作物生育期间土壤盐分含量的动态变化提供方法参考。

基于Sentinel-2卫星数据的灌区农田土壤水盐协同反演

土壤含水量(soil water content, SWC)和土壤含盐量(soil salt content, SSC)是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率(R_(v))对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明:RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分:决定系数R^(2)为0.63~0.74,均方根误差为0.017~0.028;盐分:决定系数R^(2)为0.68~0.75,均方根误差为0.052 5~0.061 7)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。