基于多源遥感数据的锡尔河中下游农田土壤水分反演

论文摘要

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 m3/m3,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。

论文目录

• 1 研究方法与数据来源
•   1.1 研究区概况
•   1.2 数据来源
•     1.2.1 Google Earth Engine平台
•     1.2.2 数据
•   1.3 研究方法
• 2 结果分析
•   2.1 SMC的显著影响因子
•   2.2 最优SMC反演方案
•   2.3 锡尔河中下游农田水分的时空特征
• 3 结论与讨论
•   3.1 结论
•   3.2 讨论

文章来源

类型: 期刊论文

作者: 王浩,罗格平,王伟胜,PACHIKIN Konstantin,李耀明,郑宏伟,胡伟杰

关键词: 土壤水分含量,机器学习,锡尔河流域中下游

来源: 自然资源学报 2019年12期

年度: 2019

分类: 基础科学,农业科技

专业: 农业基础科学,农艺学

单位: 中国科学院新疆生态与地理研究所荒漠与绿洲国家重点实验室,中国科学院大学,中国科学院中亚生态与环境研究中心

基金: 国家自然基金项目(41877012),中国科学院特色研究所项目(TSS-2015-014-FW-1-3)

分类号: S152.7

页码: 2717-2731

总页数: 15

文件大小: 7843K

下载量: 492