基于全子集-分位数回归的土壤含盐量反演研究

论文摘要

为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0～20 cm、20～40 cm、0～40 cm、40～60 cm、0～60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0～20 cm、0～40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20～40 cm、40～60 cm、0～60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20～40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。

论文目录

• 0 引言
• 1 材料与方法
•   1.1 研究区概况
•   1.2 遥感数据获取及预处理
•   1.3 土壤样本采集及化学分析
•   1.4 光谱指数计算及全子集筛选
•   1.5 模型建立
•     1.5.1 分位数回归模型
•     1.5.2 人工神经网络模型
•     1.5.3 支持向量机模型
•   1.6 统计分析
• 2 结果与分析
•   2.1 自变量与土壤含盐量的相关性分析
•   2.2 基于全子集的最优自变量组合方式筛选确定
•   2.3 人工神经网络模型建立与分析
•   2.4 支持向量机模型建立与分析
•   2.5 分位数回归模型建立与分析
•   2.6 模型综合评价
• 3 讨论
• 4 结论

文章来源

类型: 期刊论文

作者: 张智韬,韩佳,王新涛,陈皓锐,魏广飞,姚志华

关键词: 土壤含盐量,遥感,全子集,分位数回归,反演模型

来源: 农业机械学报 2019年10期

年度: 2019

分类: 农业科技,基础科学

专业: 自然地理学和测绘学,农业基础科学,农艺学

单位: 西北农林科技大学旱区农业水土工程教育部重点实验室,西北农林科技大学水利与建筑工程学院,中国水利水电科学研究院水利研究所

基金: 国家重点研发计划项目(2017YFC0403302),国家自然科学基金项目(41502225)

分类号: S156.4

页码: 142-152

总页数: 11

文件大小: 342K

下载量: 346