基于遥感导数处理和最优光谱指数的土壤盐渍化监测模型

利用Landsat-8遥感数据,基于原始光谱、一阶导数、二阶导数3种处理,分析了波段反射率、2D指数、3D指数与土壤电导率相关性。选择最优光谱指数作为神经网络算法输入参数,基于MATLAB构建土壤盐渍化预测模型。结果表明,2D、3D光谱指数与土壤的电导率相关性高于原始光谱,二阶导数处理后构建的2D、3D指数与土壤电导率整体相关性优于一阶导数处理和原始光谱。原始光谱下选择B1至B7作为神经网络算法输入参数所建模型精度最优,训练集、验证集、测试集和整体的相关系数分别为0.7324、0.7164、0.4445、0.6919,所构建模型对土壤电导率在1000μS/cm附近时预测精度较高。

土壤盐渍化遥感监测研究的可视化分析

土壤盐渍化严重制约着农业生产的发展、土地资源的可持续利用和生态环境的稳定。为了客观揭示土壤盐渍化的研究现状,采用CiteSpace软件对中国知网和Web of science数据库中2008~2023年土壤盐渍化的研究论文进行数据挖掘和定量分析,分别从论文发文量、作者、关键词、发文机构等方面进行重现聚类统计,将数据源转化为直观可视化图谱。此外,本文还结合我国在相关研究中的实际需求和前沿热点,提出并分析了我国土壤盐分监测研究的局限性及其未来发展趋势。这对于全面掌握盐渍化研究现状,进一步梳理盐渍化监测研究思路,丰富盐渍土遥感监测手段,解决我国土壤盐渍化问题,具有重要的现实意义。

盐渍化土壤水分微波遥感反演方法研究与解析

土壤水分是农田粮食产量和质量的关键影响因素,高精度大面积的土壤含水量的反演对于评价不同地区的土壤质量、估产、灌溉等具有重要意义。合成孔径雷达(SAR)是当前进行土壤含水率反演的重要手段之一,但盐渍化农田的土壤含水率SAR反演方法目前还未明确。本文利用Radarsat-2全极化影像结合内蒙古河套灌区农田实地监测数据,构建了盐渍化土壤的含水率的SAR反演模型。首先提取了四种极化方式的后向散射系数,之后通过建立不同后向散射系数组合与土壤水分的线性回归模型的方式,将反演数据与实测数据进行对比,发现HH-VV极化方式取得了较高的精度,最终利用同极化比构建的模型反演了土壤含水率,反演值的均方根误差达到2.23%,其精度能够满足农田土壤含水率反演精度要求。

基于Sentinel2A影像的干旱区土壤盐渍化监测研究

以渭干河-库车河三角洲绿洲为例,在5种盐分光谱指数(NDSI、SI、SI1、SI2、SAVI)基础上,选择Sentinel2A多光谱影像中的3个红边波段和近红外窄波段进行扩展,提出了新的基于红边和近红外窄波段的光谱指数,用偏最小二乘回归(PLSR)方法构建土壤电导率遥感反演模型。结果表明:相对传统光谱指数,引入红边1波段(B_(5))和近红外窄波段(B_(8a))的光谱指数与土壤电导率相关性显著提高;基于Sentinel2A影像的PLSR的土壤电导率信息建模效果较好(R^(2)=0.77),模型准确、可靠。盐分反演结果表明研究区土壤盐分含量整体较高,盐渍化影响范围广泛。自绿洲内部向外围由非盐渍化向轻度-中度-重度盐渍化过渡,绿洲西部、南部轻度盐渍土分布较多,绿洲东部、东南及西南方向有重度盐渍土及极重度盐渍土分布,盐渍化程度较高。

红沙泉露天煤矿土壤盐渍化遥感监测

地处我国西部荒漠化地区的红沙泉露天煤矿是我国重要的煤炭生产基地之一,而盐渍化问题是影响该地区生态环境的重要因素。利用Landsat(30 m)、Sentinel-2(10 m)及无人机(0.188 m)多光谱影像计算红沙泉矿区10个盐渍化指数,与实测电导率进行相关性分析,根据相关系数选出最优指数,并利用该指数、梯度结构相似度指数(Gradient-based Structural Similarity,GSSIM)及一元线性回归法监测研究区土壤盐渍化动态变化状况。结果表明:①实测土壤EC与UAV、Landsat和Sentinel-2计算出的S3指数的相关系数分别为0.703、0.665和0.723(P<0.01),其稳定性优于其他9个指数,最适于监测研究区土壤盐渍化。②从S3指数的时空分布以及转移来看,未采矿前(1988—2006年)非盐渍化区域零散分布在研究区东部和北部,重度盐渍化区域主要分布在研究区南部,2种类型相对稳定,转移量较少,而轻度盐渍化土壤转移量最大(约92.37 km^(2)),在2006年尤为明显。开采初期(2006—2010年),露天矿坑内的非盐渍化区域增加,且轻度、中度和重度盐渍土主要转移为非、轻度、中度盐渍化土壤。随开采加剧(2010—2020年),重度盐渍化区域在矿区排土场增加较为明显,非盐渍化区域随矿坑的开采与阶梯处土壤长期堆积,在矿坑内部呈现先增加后减少的趋势。整体上,盐渍化土壤向非盐渍化土壤的转移量(6.51 km^(2))小于非盐渍化土壤向盐渍化土壤的转移量(约24.70 km^(2)),土壤盐渍化呈加重状态。③GSSIM监测结果表明,1988—2006年(采矿前)突变区主要分布在研究区中、北部,且零散分布在中变区周围,而低变区大面积分布在研究区中;2006—2010年(采矿初期),突变区向北转移,且低、中和突变区的S3指数均以减少为主。矿坑开采加重的2010—2020年(采矿加剧)研究区突变区大幅度增加(增加7.10%),且集中分布在矿坑周围,表明矿坑内盐度发生了明显变化。1988—2020年,低、中和突变区分别占25.02%、38.52%和36.47%,且突变区集中在矿坑和电厂周围。分析地物与GSSIM影像可知,地表被水泥和煤矿覆盖的区域会导致盐渍化减轻,而排土场和未开采的风沙堆积地区可能会造成盐渍化加重。对比Slope影像可知,GSSIM突变区中变区在矿坑周围与Slope影像中显著不显著变化位置相对应,说明GSSIM可以定量分析盐渍化的时空变化规律。

基于高光谱指数的土壤盐渍化遥感监测研究——以平罗县为例

为建立土壤盐渍化遥感监测模型,以宁夏平罗县为例,通过在野外测定高光谱数据,结合室内土壤样品化学分析结果,分析不同类型盐渍化土壤光谱特征,并对实测土壤光谱数据进行倒数、对数及其一阶微分等变换,确定响应土壤盐分质量分数和pH值的最优波段,最后通过回归分析构建土壤盐渍化监测模型。结果表明:不同类型盐渍化土壤光谱曲线在形态上基本趋于一致,光谱反射率在可见光范围内随波长增长而增大,在近红外波段,增长速度减缓;通过相关分析,确定对数一阶微分变换对应的385.7 nm和原始一阶微分变换对应的1 708.4 nm分别为土壤光谱反射率与土壤盐分质量分数和pH值的最佳特征波段;以高光谱盐分指数(SI2)为自变量,土壤盐分质量分数为因变量,利用二次多项式回归模型建立的预测模型为最优模型,该模型实测值和预测值间拟合系数(R2)为0.673,通过0.01显著性水平检验。

基于光谱指数建模的阿拉尔垦区土壤盐渍化信息提取与分析

为了探究反演新疆维吾尔自治区阿拉尔垦区土壤盐渍化最优遥感盐分监测指数模型,以Landsat8 OLI遥感影像和野外实测数据为基础,通过盐分指数(salinity index,SI)、归一化植被指数(normalized difference vegetation index,NDVI)、修改型土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI)、地表反照率(Albedo)构建遥感盐分监测指数模型(salinization detection index,SDI),提取阿拉尔垦区土壤盐渍化信息并验证模型精度,对比分析得出最优遥感盐分监测指数模型。结果表明:4类遥感盐分监测指数模型中SDI1(SI-NDVI),SDI2(SI-MSAVI),SDI3(SI-Albedo)和SDI4(Albedo-MSAVI)总体分类精度为83.45%,69.78%,53.23%和71.94%;SDI1模型最适合反演阿拉尔垦区土壤盐渍化程度,SDI2和SDI4模型对阿拉尔垦区土壤盐渍化监测有一定参考意义;利用SDI1模型反演阿拉尔垦区土壤盐渍化分布,垦区以非盐渍土和轻度盐渍土为主,重度盐渍土和盐土主要分布在垦区的东北和东南地区。由SI和NDVI构建SDI1对阿拉尔垦区土壤盐渍化信息提取精度较高,可作为反演垦区土壤盐渍化的遥感盐分监测指数模型,可为垦区土壤盐渍化治理和防治提供有效的技术参考。

北疆农区土壤盐渍化遥感监测及其时空特征分析

基于MODIS数据,利用归一化植被指数和盐分指数的二维特征空间关系建立土壤盐渍化遥感监测模型,对北疆农区2000年以来的土壤盐渍化状况及其空间动态变化进行了监测分析,并探讨了典型区土壤盐渍化的主要驱动因素。结果表明:1土壤盐渍化遥感监测指数可以从宏观上定量刻画北疆农区的土壤含盐量;2北疆农区土壤盐渍化空间特征呈现出总体上逆转、局部严重发展的态势;3土壤盐渍化等级在不同时间段的发展或逆转的方向主要由中度向重度及重度向盐土间的相互转化,其中重度盐渍化农用地的转化幅度最大;4不同土壤盐渍化等级中盐土的形成与农区降水量和干燥程度具有较好的相关性,未盐渍化(正常)和中度盐渍化与农区有效灌溉面积和农作物播种面积分别呈相关系数较高的正相关和负相关。

基于多光谱遥感的盐渍化评价指数对宁夏银北灌区土壤盐度预测的适用性分析

土壤盐渍化是影响干旱区土壤健康的重要因素之一,因此快速获取土壤盐度信息、监测土壤盐度变化对干旱区土地资源合理利用和土壤恢复至关重要。本研究选取宁夏平原土壤盐渍化较重的银北灌区为研究区域,以野外采集的52个土壤样本和同时期Landsat8 OLI遥感影像为数据基础,采用相关分析和曲线回归分析法对基于多光谱遥感数据构建的土壤盐渍化评价指数与实测土壤电导率(electrical conductivity,EC)的相关关系和拟合度进行了定量化分析。结果表明:①采样时期研究区土壤盐度较轻,非盐渍化和轻度盐渍化土壤样本合计占比82.68%;②盐度指数与土壤EC的相关性整体高于植被指数,全样本中盐分指数S3(salinity index 3,S_(3))、盐分指数S5(salinity index 5,S_(5))、盐分指数S6(salinity index 6,S_(6))和盐分指数SI(salinity index,SI)与土壤EC的相关性均达到0.50以上;③全样本中与土壤EC拟合度较高的为盐分指数S2(salinity index 2,S_(2)),S_(3),S_(5)和SI,其中S_(5)的表现最好(R^(2)=0.406),不同盐度水平下指数与土壤EC的拟合度随土壤盐度升高而显著增加,中重度盐渍化中指数与土壤EC的拟合度最高的为指数S_(1)(salinity index 1,S_(1))(R^(2)=0.730)和S_(2)(R^(2)=0.724);④拟合模型中,基于Cubic模型、Quadratic模型和S模型计算的评价指数与土壤EC的拟合度较高。本研究分析了多种土壤盐渍化评价指数在银北灌区土壤盐度监测中的适用性,得出的初步结论可为宁夏银北灌区土壤盐度遥感监测提供参考依据。

基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型(Multivariable linear regression,MLR)、逐步回归模型(Stepwise regression,SR)和岭回归模型(Ridge regression,RR),分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明:在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。

区域土壤盐渍化遥感监测研究综述

对国内外遥感监测土壤盐渍化发展情况作了介绍 ,对土壤盐渍化及其动态变化遥感监测方法进行了总结 ,数字图像处理将成为区域土壤盐渍化遥感监测研究的主要手段。土壤盐渍化是一个世界性的问题 ,应将遥感及遥感图像处理技术的最新成果充分运用到盐渍土监测研究中 ,为盐渍土治理与农业可持续发展提供信息保障。

基于多源遥感协同反演的区域性土壤盐渍化监测

为进一步推动多源遥感技术在农业生产与管理中的应用,以内蒙古河套灌区解放闸灌域为试验区,利用地面实测光谱和地表组合粗糙度数据,联合C波段微波雷达SAR四极化后向散射系数数据,分别利用主成分回归(PCR)、多元逐步回归(MSR)和偏最小二乘回归(PLSR)选取盐分特征波段,并建模评价土壤盐渍化分布。首先,对光谱反射率及其对数、一阶与二阶导数4种光谱数据进行相关性分析,发现相较于原始光谱和对数变换,光谱的一、二阶导数具有更好的相关性,二阶导数变换的618~622 nm、1 802~1 806 nm、2 169~2 173 nm、2 344~2 348 nm这4个特征波段的相关系数分别为0.37、0.28、0.39和0.27;PLSR筛选的波段相较MSR选取的波段延后,但其二阶导数变换模型拟合度小于MSR。其次,在对比二阶导数变换的PCR、MSR和PLSR土壤盐分模型基础上,最终确定了协同光谱特征波段中心反射率二阶导数和雷达后向散射特性、地表组合粗糙度的BP人工神经网络(BPANN)模型为最佳预测模型,其预测模型的R^2为0.890 8,稳定性和预测精度均优于前述经验回归模型。融合多源遥感数据的神经网络模型可快速精准监测土壤盐渍化分布,为灌区土壤退化防治提供基础信息指导。

基于遥感技术的开都河下游绿洲区土壤盐渍化动态监测研究

以3期遥感图像为数据源,经图像处理,并结合野外考察,建立解译标志进行遥感解译。结果表明,开都河下游绿洲区的盐渍化土地面积呈先增加后减少趋势,盐渍化程度呈先加重后减轻趋势;盐渍化土壤主要分布在开都河沿岸低洼地和博斯腾湖湖滨地区及其北岸清水沟、曲惠渠、乌什塔拉渠两岸附近;盐渍化的形成与研究区地形地貌、地下水以及干旱的气候条件密切相关,人类农业活动对盐渍化土壤形成具有重要作用。

盐渍化土壤遥感动态监测及人工调控模式——以河北省沧州市为例

通过定位监测和不同时期遥感资料的土壤盐渍化图件复原,依据灰色理论建立了河北省沧州地区盐渍化土壤面积预测模型,并确定了人工调控措施与土壤盐渍化发育的数学关系,为今后改良利用盐渍化土壤提供了依据.

基于无人机多光谱协同电磁感应技术的棉田土壤盐渍化监测研究

利用无人机多光谱影像结合电磁感应技术准确估测新疆棉田土壤盐分,对棉田土壤盐渍化的防治及棉花产量的提高具有重要的意义。以新疆南疆阿拉尔垦区棉田为研究对象,将无人机多光谱波段反射率数据计算的植被指数、EM38-MK2大地电导率仪获得的土壤表观电导率数据与土壤盐分实测数据相结合,利用支持向量机(SVM)、随机森林(RF)、BP神经网络(BPNN)3种建模方法构建不同土壤盐分估测模型。结果表明,植被指数与土壤表观电导率数据融合模型对土壤盐分估测效果最好,单一土壤表观电导率数据模型或光谱指数模型估测效果较差。在棉花的花铃期,基于光谱指数与土壤表观电导率数据融合的RF模型是棉田土壤盐分估测的最佳模型,建模集R^(2)、RMSE、RPD分别为0.91、0.34、2.73,验证集R^(2)、RMSE、RPD分别为0.88、0.24、3.09;模型能够实现对棉花花铃期土壤盐分的高精度预测。

新疆绿洲农区土壤盐渍化遥感监测方法的比较研究

土壤盐渍化是制约绿洲农业可持续发展的重要因素之一。准确监测土壤盐渍化的程度和面积，可为绿洲农区土壤盐渍化防治提供科学信息支撑。本文利用Landsat-ETM＋影像和MODIS09A1产品数据，结合已有土壤盐渍化遥感指数监测土壤含盐量的方法．通过遥感波段数据挖掘出反映盐渍化的敏感信息，分别提出了SRI和NDSI两个监测土壤含盐量的遥感指数，依次与对应空间位置的实测土壤含盐量构建数学模型，研究表明：（1）基于NDVI构建的土壤含盐量监测模型在空间分辨率较高或是低空间分辨率覆盖范围广的遥感数据源中的拟合优度都较好；（2）构建的盐分响应指数SRI和归一化盐分指数NDSI监测土壤含盐量具有较好的效果，它们与实测土壤含盐量之间的拟合度均比SI、NDVI、GARI和CRSI所构建的监测模型精度高；（3）从数据源看，Landsat-ETM＋遥感数据适宜选用NDSI监测土壤含盐量，MODIS09A1遥感数据适宜采用SRI监测土壤含盐量。在未来土壤含盐量的遥感反演中可基于不同遥感数据源有针对性的选择适宜的遥感指数。

阿拉尔垦区土壤盐渍化遥感监测及时空特征分析

及时准确掌握区域土壤盐渍化信息对盐渍土治理和土地利用可持续发展有着重要意义。以阿拉尔垦区Landsat 7 ETM+/8 OLI影像为数据源,采用盐分指数(Salinity index,SI)和归一化植被指数(Normalized difference vegetation index,NDVI)构建遥感盐分监测指数(Salinization detection in⁃dex,SDI)模型,对阿拉尔垦区土壤盐渍化进行反演,分析近10 a垦区土壤盐渍化空间分布特征。结果表明:SDI模型与土壤实测电导率拟合度R2=0.7579,该模型可反演阿拉尔垦区土壤盐量;2011—2021年非盐渍土和轻度盐渍土面积分别增加318.22 km2和0.80 km2,中度、重度土壤盐渍化面积减少229.87 km2,盐土面积增加68.61 km2;阿拉尔垦区北部和南部地区的土壤盐渍化程度得到明显转好,中部和东部地区土壤盐渍化程度加重,垦区土壤盐渍化总体得到较好改善。SDI模型能较好反演阿拉尔垦区土壤盐渍化时空特征,可为阿拉尔垦区经济与社会发展提供一定的参考依据。

土壤盐渍化遥感监测模型构建方法现状与发展趋势

土壤盐渍化作为土壤退化的主要形式之一,会对农业生产和生态环境产生极大的危害。遥感手段能快速、宏观、及时地获取土壤光谱特征,通过构建遥感监测模型,可以实现大范围的土壤盐渍化监测和评估,开展土壤盐渍化遥感监测模型方法归纳讨论,提高土壤盐渍化遥感监测精度,在盐渍土监测和治理中具有重要意义。通过梳理近期国内外土壤盐渍化遥感研究相关文献,对土壤盐渍化遥感监测模型构建过程中因子的选取、模型的建立以及精度验证等步骤进行总结,并针对当前研究热点对研究中的局限性与发展趋势进行讨论。主要得出:①土壤盐渍化遥感模型作为盐渍土监测和预测的重要手段,近年来该领域的研究热点在于通过新型数据源和模型的使用来提高土壤盐渍化遥感监测模型的精度;②不同研究在遥感数据源的使用上有所差异,但建模因子均是通过光谱敏感波段、先验光谱指数及遥感衍生数据优选获得;③用于土壤盐渍化遥感监测的模型主要包括线性回归模型以及机器学习模型,针对不同区域建立的遥感模型在模型精度和适用性上有所差异。

基于卫星和无人机遥感数据尺度转换的土壤盐渍化监测研究

为提高卫星遥感对土壤盐渍化的监测精度,以内蒙古河套灌区沙壕渠灌域内5块地为研究区,利用GF-1卫星遥感和无人机多光谱遥感分别获取2018年6月中旬的遥感影像数据,同步采集0~20 cm,20~40 cm深度的土壤样点,并引用洛伦兹曲线的原理以表征土壤异质性,同时引入BP神经网络(Back Propagation,BP)、支持向量机(Support Vector Machine,SVM)和极限学习机(Extreme Learning Machine,ELM)构建土壤盐渍化监测模型。采用重采样尺度转换方法,对无人机数据进行尺度上推,用尺度上推后的无人机数据修正GF-1卫星数据,对修正后的数据进行反演建模并与直接采用卫星数据建立的模型进行对比。结果表明:实验区异质性大小与变异系数大小呈正相关。无人机数据构建的机器学习算法模型精度高于卫星数据。其中20 cm深度下无人机遥感数据反演土壤含盐量的最优模型为SVM模型,决定系数(R^2)为0.875,均方根误差(RMSE)为0.132,相对分析误差(RPD)为2.773;40 cm深度下无人机遥感数据反演土壤含盐量的最优模型为BP模型R^2为0.709,RMSE为0.144,RPD为1.781;20 cm深度下GF-1卫星遥感数据反演土壤含盐量的最优模型为SVM模型,R^2为0.453,RMSE为0.245,RPD为0.055;40 cm深度下GF-1卫星遥感数据反演土壤含盐量的最优模型为BP模型R^2为0.271,RMSE为0.267,RPD为0.001。通过升尺度转换,可提高卫星遥感反演土壤盐分的模型精度,R^2可提高0.4~0.5,RMSE可减小0.061,RPD可提高1.308。可为改进卫星遥感监测土壤盐渍化方法提供参考。

基于光谱指数建模的沙井子灌区土壤盐分反演

为了快速准确地获取干旱地区表层土壤盐分信息,以沙井子灌区为研究区,利用地面采集的0~10 cm和10~20 cm深度的土壤盐分数据,以及同步获取的Landsat 9 OLI遥感影像上相应点位的波段反射率值,组合两波段和三波段光谱指数,建立低植被度覆盖下盐渍化监测SDI1、SDI2、SDI3、SDI4模型,并检验4类模型对不同土层深度土壤盐分的反演精度。结果表明:(1)当土层深度为0~10 cm时,4类盐渍化监测模型对土壤盐渍化等级分类精度分别为73.56%、66.35%、43.75%和74.52%;而当土层深度为10~20 cm时,相应的分类精度分别为61.06%、62.50%、66.35%和64.42%,说明灌区内土层最佳反演深度为0~10 cm。(2)三波段光谱指数构建的SDI4模型优于双波段光谱指数构建的其余3种模型,能够有效反演沙井子灌区土壤盐渍化程度。研究结果可为灌区土壤盐渍化治理和防治提供有效的技术参考。