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。

融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

及时获取大田作物根区土壤含水率(Soil moisture content,SMC)对于实现精准灌溉至关重要。本研究采用无人机多光谱技术,通过连续2年(2021—2022年)田间试验,采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像,建立了与作物参数具有较强相关性的植被指数及冠层纹理特征。通过分析植被指数和纹理特征与各深度土层SMC的相关性,分别筛选出与各深度土层SMC相关系数达显著相关(P<0.05)的参数作为模型的输入变量(组合1:植被指数;组合2:纹理特征;组合3:植被指数结合纹理特征),分别利用支持向量机(Support vector machine,SVM)、梯度提升模型(Extreme gradient boosting,XGBoost)和梯度提升决策树(Gradient boosting decision tree,GDBT)对各深度土层SMC进行建模。结果表明,与20~40 cm和40~60 cm土层深度相比,植被指数和纹理特征在0~20 cm土层深度中与SMC表现出更高的相关性。XGBoost模型为SMC估算的最佳建模方法,特别是对于0~20 cm土层深度。该深度估计模型验证集决定系数为0.881,均方根误差为0.7%,平均相对误差为3.758%。本研究结果为大豆根区SMC无人机多光谱监测提供了基础,为水分胁迫条件下作物生长的快速评估提供了参考。

基于电导率对相对介电常数补偿的土壤含水率电容传感器标定方法

针对土壤含水率电容传感器检测精度低,标定模型对盐渍土壤的适用性不高等问题,提出基于电导率对相对介电常数补偿的含水率电容传感器标定法。在标准溶液中建立相对介电常数与传感器输出电压关系对数模型(R^(2)=0.983),进一步基于二元二次回归分析法,建立标准溶液电导率对相对介电常数补偿的相对介电常数与传感器输出电压及电导率的回归标定模型(R^(2)=0.979)。对传感器进行土壤含水率标定,建立土壤体积含水率与相对介电常数关系的三阶多项式标定模型(R^(2)=0.996)。对两步标定模型进行实测,结果表明:土壤电导率为0~2 dS/m时,体积含水率检测最大误差从未电导率补偿时0.0383 m^(3)/m^(3)降至电导率补偿后0.0127m^(3)/m^(3),最大相对误差从12.0200%降至6.2241%。结果表明,在不同电导率的同类土壤中,使用基于电导率对相对介电常数补偿的含水率传感器标定法能明显提高土壤含水率检测精度和对不同电导率土壤(黄土)的适用性。

基于机器学习算法的滑坡土壤含水率预测方法研究

土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升(Extreme gradient boosting, XGBoost)、支持向量机回归(Support vector machine regression, SVR)以及偏最小二乘回归(Partial least squares regression, PLSR)3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法(Pearson correlation coefficient feature variable screening method, R)结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明:喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型(R_XGBoost、R_SVR、XGBoost、SVR、PLSR)中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差(Root mean square error, RMSE)分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。

采煤沉陷区地裂缝对土壤含水率的影响

为了探究地裂缝对深层土壤含水率的影响,以陕北某煤炭基地煤矿区为研究对象,利用统计分析方法分析动态地裂缝和边缘地裂缝对浅层(0.1~0.3 m)和深层(0.5~6.0 m)土壤含水率的影响,并基于克里金插值法解析土壤含水率的时空变化规律.研究结果表明:①竖直方向上,深度为0~2.0 m时,动态地裂缝区和边缘地裂缝区的土壤含水率均低于未扰动区的值;深度为2.0~6.0m时,各区土壤含水率差异不明显,表明地裂缝对土壤含水率的影响深度约为0~2.0 m,即地裂缝对浅层土壤含水率的影响较大,对更深层土壤含水率的影响相对较小.②水平方向上,动态地裂缝区土壤含水率整体低于闭合区,而1年边缘裂缝区土壤含水率整体高于2年边缘裂缝区,表明地裂缝会对土壤含水率的空间分布产生较大影响.综合来看,地表塌陷与地裂缝的出现改变了土壤的结构状态,加速了土壤水分的蒸发,降低了土壤持水性.

土壤含水率对豫中植烟土壤微生物群落多样性及氮循环功能基因丰度的影响

为揭示豫中典型浓香型烤烟产区植烟土壤氮素矿化动态变化、土壤微生物多样性以及氮素循环功能基因对水分条件的响应特征,通过室内培养法研究50%(H-50%)、65%(H-65%)和80%(H-80%)持水量条件下,河南许昌植烟土壤细菌和真菌群落功能多样性的差异。结果表明,H-65%处理土壤的无机氮矿化量及矿化速率均高于其他处理。在土壤细菌中,变形菌门(Proteobacteria)、放线菌门(Actinobacteria)、绿弯菌门(Chloroflexi)、厚壁菌门(Firmicutes)、酸杆菌门(Acidobacteria)、浮霉菌门(Planctomycetes)、芽单胞菌门(Gemmatimonadetes)为优势菌门(相对丰度>3%),其中,H-80%处理中变形菌门的相对丰度显著高于其他处理,而厚壁菌门的相对丰度显著低于其他处理;H-50%处理中放线菌门、绿弯菌门的相对丰度显著高于其他处理。在土壤真菌中,子囊菌门(Ascomycota)占土壤真菌总OTU(operational taxonmic units)数的90%以上,其相对丰度随土壤含水率增加呈倒“V”的变化趋势。LEfSe(LDA effect size)分析结果表明,各处理在细菌属水平共检测出6种活性生物标志物(LDA值>3.5)。细菌群落具有丰富的功能多样性,一级功能层表现为代谢方面较活跃,二级功能层的功能基因丰度在不同含水率条件下发生明显变化;与固氮过程相关的固氮酶基因nifK、nifD、nifH的相对丰度在不同处理中表现为H-50%>H-65%>H-80%,反硝化过程相关基因norB、nirK、nosZ的相对丰度均在H-65%处理最高。综合来看,合理调控土壤含水率可以有效调节豫中烟区土壤氮素矿化动态、土壤微生物群落功能多样性以及氮循环相关功能基因的丰度。

遥感蒸散发驱动HYDRUS-RS模型模拟剖面土壤含水率

【目的】提出一种物理机制明确、具有区域尺度模拟潜力且模拟精度较高的剖面土壤体积含水率(土壤含水率)模拟模型,评估北京大兴区夏玉米生育期不同土层土壤含水率模拟精度。【方法】利用MODIS数据和地表能量平衡系统(SEBS)模型反演大兴区蒸散发(ET),将其拆分为土壤蒸发(E)和植株蒸腾(T),驱动HYDRUS-1D模型中的源汇项,基于地理信息系统(GIS)平台构建HYDRUS-RS模型模拟剖面土壤含水率,并在2018年夏玉米生育期得到验证。【结果】SEBS模型中的R_n模拟效果最好,决定系数(R2)、偏差(Bias)、均方根误差(RMSE)分别为0.81、11W/m2、54.8W/m2;2018年大兴区夏玉米生育期逐日ET主要介于3~6mm/d,土壤含水率监测样点的ET不尽相同,但变化规律相似;在夏玉米生育期,HYDRUS-RS模型模拟的40~60cm土壤含水率精度最高,Bias为0.2%,RMSE为2.1%,R2为0.80。【结论】HYDRUS-RS模型物理机制明确、具有区域尺度模拟潜力,40~60cm土层土壤含水率模拟精度最高。

基于多时相土壤线一致性修正的土壤含水率反演

传统上依赖改进型垂直干旱指数(modified perpendicular dryness index,MPDI)进行土壤水分反演时每个时期的影像反演都需要依赖于地面实测数据进行校准。为降低土壤含水率反演对实测数据的依赖,该研究利用2020—2021年间的哨兵2号卫星数据,分析了近红外与红光波段特征空间中土壤线斜率的变化及其影响因素。并推导了土壤线斜率变化对土壤含水率反演的影响,揭示了MPDI反演土壤含水率时每期都依赖实测数据校准的根本原因,最终提出了一种土壤线一致性修正方法。基于这种修正,该研究构建了一个能够多时相比较的再修正干旱指数(re-modified perpendicular drought index,RPDI)。结果表明,经过统一率定的RPDI与土壤含水率的回归方程在不同时相的影像上均适用,反演结果显示了良好的精度,率定集决定系数R^(2)为0.49,无偏均方根误差为2.88%,验证集决定系数R^(2)为0.54,无偏均方根误差为3.05%,与MPDI每期单独构建回归方程反演相比,RPDI基于统一方程反演与其保持了相近的精度水平,极大减少了在遥感土壤含水率估算中对地面实测数据的依赖,有效提升了遥感技术在土壤水分监测中的应用价值。研究可为光学遥感数据在大范围连续土壤水分反演领域的应用研究提供参考。

一种基于农业废弃物的生态毯制备以及对土壤含水率的影响

【目的】对椰糠基质、稻草秸秆、麦草、芦苇秸秆和玉米秸秆等农业废弃物粉碎处理,制作成一种新型的生态毯,为生态环境的治理提供新的方法与思路。【方法】经前期试验筛选出材料,设计制作了12种生态毯配置,T1(麦草+椰糠)、T2(玉米秸秆+椰糠)、T3((稻草、玉米秸秆、麦草)+椰糠+玉米秸秆)、T4(玉米秸秆+(椰糠、麦草)+(稻草、玉米秸秆、芦苇))、T5(玉米秸秆+椰糠+芦苇)、T6(椰糠+麦草+芦苇)、T7((玉米秸秆、椰糠)+玉米秸秆+(玉米秸秆、椰糠))、T8(稻草+椰糠+麦草)、T9(玉米秸秆+麦草+芦苇)、T10(玉米秸秆+椰糠+麦草)、T11(玉米秸秆+(玉米秸秆、椰糠、麦草)+玉米秸秆)、T12(玉米秸秆),分析铺设生态毯对表层土壤含水率的影响。【结果】生态毯对土壤含水率有非常好的保持作用和抑制土壤水蒸发的作用。在与人工林下的枯落物比较中生态毯的最大平均持水率达到人工林最大平均持水率的2.07倍。【结论】总结了生态毯的现实应用场景与方法,在荒漠化和沙漠的治理中,选择配置T4、T5、T12配合草方格使用防止风力搬移的同时并在表面覆土。在一般地区没有特殊生态治理要求时可采用配置T12、T4来保持土壤含水率。山林裸地的恢复建议选择配置T1、T4、T8。在平均降水量大且易发洪水的地区建议选择配置T1、T4、T8。

融合无人机多光谱和热红外影像的蔗田土壤含水率监测研究

甘蔗作为广西、云南等地的主要农作物,极易受到干旱的影响。土壤含水率是评估甘蔗是否受到干旱影响的重要指标。以蔗田土壤含水率为研究对象,利用无人机搭载的热红外和多光谱传感器数据计算出甘蔗冠层的温度、重归一化植被指数RDVI等植被指数,采用人工测定的方法对无人机监测数据进行校正和率定,构建了甘蔗的温度植被干旱指数(TVDI)模型。结果表明,利用多光谱和热红外传感器计算的TVDI与蔗田苗期、分蘖期、伸长期和成熟期土壤含水率均具有高度相关性,决定系数R2分别为0.9066、0.8190、0.8529和0.9160。因此,TVDI模型最适合用于监测甘蔗苗期和成熟期的受旱情况。

基于SVM算法的超声波速度-土壤含水率估计模型

为快速准确获取土壤含水率信息,便于农业精准灌溉,引入支持向量机算法(SVM)对4种不同干湿交替处理下超声波速度与土壤含水率进行拟合分析和回归训练优化,构建基于超声波速度的土壤含水率预测模型。结果显示,与传统的烘干法相比较,利用该模型在田间验证土壤含水率,平均相对误差为1.5%左右。研究结果表明,基于SVM模型构建的超声波速度-土壤含水率预测模型能够较好地描述被研究区域内土壤含水率,可为利用超声波特性实现对农田土壤水分的持续监测提供参考。

南平市不同地势土壤含水率与土壤粒径分布的关系

通过对南平市丘陵地区平地和坡地2种地势土壤含水率和土壤粒径分布的空间变化进行分析,揭示南平市丘陵地区不同地势土壤水分与土壤结构之间的相关性,为南平市海绵城市建设提供理论依据。结果表明:平地和坡地2种地势土壤含水率较高,分别为30.43%、22.74%,且存在显著差异(P<0.05);空间分布上,平地土壤pH值、含水率和容重平均值均比坡地高。2种地势土壤均以粉粒为主,其次为砂粒,黏粒含量最低,坡地体积分形维数略高于平地,平地土壤均匀性较好。平地土壤含水率受极细砂的影响较显著;坡地土壤含水率与粉粒、极细砂均显著正相关,与砂粒含量呈显著负相关。2种地势土壤分形维数与粉粒均显著正相关,表明土壤分形维数受细颗粒含量的影响最为显著。

土壤含水率对剪切强度的影响及固结实验分析

在岩土工程中,土壤含水率与剪切强度是影响工程质量的重要参数。本论文通过实验手段,深入探讨了含水率对土壤剪切强度的影响机制。实验包括压实和固结试验,旨在分析不同含水率下土壤体积、密度及剪切强度的变化规律。研究结果显示,含水率的增加导致土壤剪切强度降低,并在特定含水率范围内,二者呈现出显著的线性关系。这一发现有助于我们更好地理解土壤力学特性,为岩土工程设计及施工提供科学依据。我们进一步进行固结试验对土壤的弹性模量、压缩模量和固结系数等参数进行了量化。此项研究结果对提高岩土工程的建设质量,防止地质灾害的发生,具有显著的参考价值。

生育期控水对景电灌区马铃薯农田土壤含水率的影响

适宜的土壤水分是保证作物正常生长和稳产增产的基础,合理的灌溉模式不仅能够保证土壤水分适宜,还能促进作物生长。本研究于2021年4—10月在景电灌区开展不同生育期控水对马铃薯农田土壤含水率影响试验。结果表明,生育期控水灌溉处理的土壤含水率低于充分灌溉处理,且不同控水处理对马铃薯在生育期土壤含水量影响不同,主要表现为块茎膨大期>淀粉积累期>块茎形成期>幼苗期。因此,在马铃薯幼苗期适度控水不仅有利于生根,还能促使根系向深层土壤生长,为丰产打下良好基础。

基于模拟多光谱反射率的土壤含水率估算

为了实现多光谱方法对土壤含水率的快速测定,基于高光谱数据模拟GF-6卫星多光谱波段反射率,模拟出蓝光波段(G)、绿光波段(G)、红光波段(R)、近红外波段(Nir)、红边波段1(RE1)和红边波段2(RE2)共6个波段反射率,并基于各波段两两组合的方式,构建归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)。采用线性模型(一元线性回归)和非线性模型(BP神经网络)建立土壤含水率估算模型。结果表明,基于植被指数(DVI)建立的一元线性回归模型较6波段中任意反射率回归结果更优,R2为0.601。基于BP神经网络方法,以6波段反射率和优选的3个植被指数为基础建立土壤含水率估算模型,预测精度较高(R2=0.787),优于本文所有的线性建模结果。推荐采用BP神经网络作为估算土壤含水率的建模方法。

低成本TDR设备土壤含水率试验研究

因为土体含水量会影响土体的物理特性,土壤含水率监测成为了岩土工程中一项重要的内容。目前市场上常用的TDR监测设备价格昂贵,且操作繁杂。文中根据时域反射技术原理(Time Domain Reflectometry,TDR)提出了低成本TDR设备土壤含水率集成监测技术。文中先是自主设计TDR元件,以降低工艺制造成本。然后编写MATLAB1.0分析软件进行数据自动分析。最后通过探针长度测量试验和土壤含水量测量试验,为TDR在土壤含水量测量方面的应用提供了参考。

基于超宽带雷达回波短时傅里叶变换的土壤含水率检测

土壤体积含水率监测对提高农业生产效率和制定合理土壤管理措施具有重要意义。超宽带雷达由于其高距离分辨率、强穿透能力在农业土壤动态信息实时监测中得到广泛应用。但以往对超宽带雷达信号的处理主要关注时域特征,忽略了同样具有丰富信息的频域特征,使得回波信号在土壤体积含水率反演过程中无法得到充分利用,限制了土壤体积含水率的反演精度。本文基于超宽带雷达获取的土壤回波信号,对其进行预处理并提取与土壤体积含水率有关的回波信号,对该信号采用短时傅里叶变换(Short-time Fourier transform,STFT),分析与土壤体积含水率有关的回波信号随时序变化的时频谱特征,进而结合卷积神经网络(Convolutional neural network,CNN)建立土壤体积含水率分级以及回归预测模型。实验结果表明,基于添加高斯白噪声后的数据,对于土壤体积含水率的分级,将时频特征和CNN模型相结合时,分级总体精度和Kappa系数分别为98.69%和0.9849,相较于10个时域特征与植被指数NDVI(Normalized difference vegetation index)建立的支持向量机模型(Support vector machine,SVM),分级总体精度提升21.78个百分点,Kappa系数提高0.2515。对于土壤体积含水率的回归预测,将时频特征和CNNR(Convolutional neural network regression)模型相结合时,预测结果与真实值之间的决定系数(R^(2))为0.9872,均方根误差(RMSE)为0.0048 cm^(3)/cm^(3),相对分析误差(RPD)为6.2738,相较于10个时域特征结合植被指数NDVI建立的CNNR模型,R^(2)提升0.2316,RMSE降低1.3377 cm^(3)/cm^(3),RPD提高4.2714。综上,在土壤体积含水率分级和回归预测方面,本文所提方法较传统信号检测处理方法具有明显优势。

基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型

为探讨分数阶微分(fractional-order differentiation,FOD)技术联合光谱指数改善高光谱反演冬小麦根域土壤含水率(soil moisture content,SMC)的效果,该研究以冬小麦为研究对象,测取高光谱反射率和土壤含水率数据,将高光谱反射率经Savitzky-Golay(SG)平滑处理后计算典型光谱指数以此构建偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)和BP神经网络(back propagation neural network,BPNN)3种土壤含水率反演模型;将高光谱反射率进行0~2.0阶(步长为0.2)的分数阶微分处理后计算比值指数(ratio index,RI)和归一化指数(normalized difference index,NDI),分析不同阶的RI、NDI与SMC之间的二维相关性,筛选得出敏感光谱指数并分组,以此构建3种反演模型(PLSR、RF和BPNN)。结果表明:不同典型光谱指数与土壤含水率的相关性存在很大差异,相关系数波动范围在0.2~0.6之间,基于典型光谱指数的土壤含水率反演模型效果最好的是PLSR模型,RF模型次之,BPNN模型最低;经分数阶微分处理后筛选的敏感光谱指数与SMC之间的相关性较高,相关系数在不同分数阶上呈阶梯状变化,敏感光谱指数与SMC的相关系数从0.76(0.2~1.0阶)递减至0.65(1.6~2.0阶);最优SMC反演模型为FOD处理后的归一化敏感指数建立的RF模型,所建模型的决定系数为0.75,均方根误差为0.024 g/g,相对分析误差为2.08。基于分数阶微分改进的光谱指数反演土壤含水率模型较典型光谱指数反演模型效果提升明显(决定系数提升136%),研究成果可为冬小麦根域土壤含水率高光谱监测提供了一种可靠途径。

基于作物水分胁迫指数的表层土壤含水率遥感估算

【目的】探究作物水分胁迫指数(CWSI)与表层土壤含水率的空间分布特征,并分析不同下垫面(葵花、夏玉米、春小麦和甜椒)表层土壤含水率的遥感估算精度。【方法】利用MOD16A2遥感数据和气象数据,结合Penman-Monteith(P-M)模型,基于CWSI反演河套灌区解放闸灌域表层土壤含水率,并对不同下垫面的表层土壤含水率进行验证。【结果】CWSI的空间分布与表层土壤含水率相反,CWSI大的区域,表层土壤含水率小;春小麦下垫面遥感估算的表层土壤含水率效果较好,决定系数(R^(2))为0.748,其次为葵花,R^(2)为0.357;灌溉次数较多的夏玉米和甜椒的表层土壤含水率估算精度较差,可见基于CWSI的表层土壤含水率遥感估算方法对土壤干旱较为敏感。【结论】基于CWSI的表层土壤含水率遥感估算方法更适用于灌水较少且耐旱作物下垫面的表层土壤含水率估算。