锡尔河流域哈萨克斯坦境内农田土壤粒度特征及空间异质性

以锡尔河流域哈萨克斯坦境内农田土壤为研究对象,结合经典统计学和地统计学方法,开展了0~20 cm土层土壤粒度特征及空间异质性研究。结果表明:(1)各子研究区内不同粒径土壤颗粒的分布特征较为相似,均以0.25~0.05 mm和0.05~0.01 mm粒径颗粒的平均含量占比最高,除子区3中粒径为1.0~0.25 mm土壤颗粒含量具有较强的变异性,其他各粒径土壤颗粒含量都具有中等程度变异性;(2)子区1中除粒径为1.0~0.05 mm土壤颗粒以外,其他粒径土壤颗粒含量的块金系数均<40%,子区2各粒径土壤颗粒含量块金系数均<50%,子区3除粒径<0.001 mm土壤颗粒以外,其他粒径土壤颗粒含量的块金系数均<40%,表明各研究区内土壤颗粒组成已经受到不同程度随机性因素的影响;(3)利用克里金插值方法对研究区不同粒径土壤颗粒含量进行空间插值,插值结果表明研究区内不同粒径土壤颗粒含量在空间分布上表现出不同的分布特征。研究结果可为农田土壤的合理利用以及退化土壤改良提供科学依据。

基于多源遥感数据的锡尔河中下游农田土壤水分反演

机器学习结合多源遥感数据反演土壤水分含量(SMC)是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用Sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子(P<0.05)作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m^3/m^3,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果表明:从上部至下部SMC总体呈逐渐增加的态势,但存在显著时空差异,春季和秋季SMC较高而夏季较低。SMC差异主要由土壤质地、热量条件和地表植被状况差异引起。春季平原区下部农田SMC要高于上部,SMC的主控因子是土壤质地和地表植被状况;在夏季,土壤水分的主控因子是热量条件,农田灌溉弥补了热量条件差异对土壤水分的影响,导致空间上平原上部和下部土壤SMC空间差异不显著;秋季SMC的主控因子植被状况抵消地表温度和土壤质地差异对SMC的影响,使得秋季SMC空间差异不显著。本文采用的研究方法在一定程度上克服了因考虑SMC影响因子不足而获取更高SMC精度的限制。