江苏师范大学地理测绘与城乡规划学院, 江苏 徐州 221116
土壤盐渍化是土壤退化的重要原因之一, 快速精确地监测土壤盐渍化对农业可持续发展和生态环境保护有积极作用。 提出一种基于数码相片的滨海地区表层土壤盐分的定量估算方法, 旨在复杂天气状况下快捷方便的获取土壤盐分信息。 以江苏盐城沿海地区裸露地表土壤作为研究对象, 在晴天和多云天气下全天时采样和拍照获取52个土壤样本和相片。 土壤样品通过室内测试获取土壤电导率(EC), pH值和土壤含水量等参数。 利用RStudio软件对土壤相片进行处理, 首先从相片中提取RGB三种颜色参数, 再通过颜色空间转换关系计算另外5种颜色空间(HIS, CIEXYZ, CIELAB, CIELUV和CIELCH), 每个颜色空间有三个颜色参数, 加上RGB颜色空间共有18个颜色参数, 其中CIELAB, CIELUV和CIELCH中L参量表示的意义和数值相同, 因此6个颜色空间共有16个颜色参数。 土壤电导率与颜色参数相关分析结果表明, 相片颜色的纯度和亮度与土壤电导率之间的相关系数较高, 并达到了极显著水平, 相片颜色的色相与土壤电导率之间的相关性较低, 且未达到显著水平。 随机抽取70%的样本数据并用随机森林方法对土壤盐分含量进行建模, 采用留一法(LOOCV)进行交叉验证, 再用余下30%的样本数据进行精度检验, 重复100次以获取精度最高的模型。 最终获取估算土壤盐分的随机森林模型, 验证集数据的模型精度达到$R_{val}^{2}$=0.75, RMSEval=3.52, RPDval=2.02。 对颜色参数进行重要性分析发现, 颜色纯度对模型的重要性最大, 其次是颜色亮度, 色相的贡献较小。 综上, 利用数码相机获取表层土壤相片, 通过颜色空间转换得到的颜色参数为有效估算滨海土壤盐分含量提供一个新思路。 该研究对近地表参数定量估算提供了新视角, 将来结合无人机平台能够为精准农业和滨海生态环境的精准管理提供技术支持和有效手段。
土壤盐渍化 数码相机 土壤颜色 颜色空间 随机森林 Soil salinity Digital camera Soilcolor Color space Random forest 光谱学与光谱分析
2021, 41(8): 2409
1 新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室, 新疆 乌鲁木齐 830046
2 新疆大学绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
3 中亚地理信息开发利用国家测绘地理信息局工程技术研究中心, 新疆 乌鲁木齐 830046
针对由噪声引起的遥感影像质量下降,选用7种典型的滤波算子分别对遥感影像进行处理,并结合支持向量机(SVM)的分类方法,分析滤波后影像亮度值的变化,与未经过滤波处理的影像进行分类后精度的对比。结果表明:相对于未经处理的遥感影像,经过滤波处理后的影像在土壤盐渍化信息提取中具有较高的分类精度;其中的高斯高通滤波结合SVM的土壤盐分提取模型的分类精度和Kappa系数由86.7285%和82.21%分别提高到89.6950%和86.20%,其分类效果最佳。滤波运算能抑制噪声、提高影像质量,能有效提高方法的盐渍化监测能力。掌握土壤盐渍化的空间分布特征及时空变化规律,对干旱区及半干旱区土壤盐渍化的防治和缓解、保护脆弱的生态环境都具有现实意义。
遥感 盐渍化 图像分类 滤波 支持向量机 激光与光电子学进展
2020, 57(4): 042801
1 上海交通大学农业与生物学院, 低碳农业研究中心, 上海 200240
2 农业部都市农业(南方)重点实验室, 上海 200240
3 上海交通大学船舶海洋与建筑工程学院, 上海 200240
基于盐渍土修复过程中盐分含量和同步实测光谱数据, 通过对原始光谱数据、 平滑光谱数据及平滑后的不同变换光谱数据等八种光谱数据集, 分别以相关系数的极值和不同相关系数范围两种方法分析其最佳敏感波段范围, 深入分析了不同变换下土壤的光谱响应特征。 在此基础上, 运用偏最小二乘回归方法, 以全波段(400～1 650 nm)和分析获得的最佳敏感波段建立了基于修复过程的土壤盐含量和光谱反射率的关系模型。 结果表明: 针对八种光谱数据集, 采用两种方法提取的土壤最佳敏感波段, 均集中在947.11～949.31, 1 340.27, 1 394.11, 1 419, 1 457.81～1 461.31, 1 537.68～1 551.39和1 602.32 nm; 且最佳波段的土壤盐含量反演模型, 以模型评价参数的决定系数(R2)和均方根误差(RMSE), 以及赤池信息量准则(akaike’s information criterion, AIC)作为选择最佳模型的标准, 均以SGSD(Log R)模型的建模和预测结果比其他光谱变换的模型更为显著。 基于全波段的PLSR建模效果总体上稍优于最佳波段的模型, 其中以SGSD的预测精度最为突出, 其模型的决定系数R2与标准差RMSEP分别为0.673和1.256; 基于两种方法获得的最佳波段的PLSR模型与全波段对比在模型精度方面虽有一定差距, 但从模型的复杂程度比较, 具有模型简单、 变量更少及运算量小的特点。 该研究可在土壤盐含量及其光谱特征的研究中, 为实现土壤盐渍化定量、 快速、 便捷的监测和检测提供参考。
盐渍化土壤 微生物修复 光谱变换 偏最小二乘法 Saline soil Microbial remediation Spectral transformations PLSR 光谱学与光谱分析
2017, 37(5): 1507
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 新疆大学绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
以新疆于田绿洲为研究区，利用四极化PALSAR-2数据进行多种目标极化分解处理，获取相应的极化特征参数。通过目视判读选取噪声较少的11种极化参数作为最佳特征信息对支持向量机分类法进行训练。多种极化分解方法与Wishart分类方法及支持向量机分类法相结合，提取研究区不同程度的盐渍化信息。经过目视判读和实地野外考察，结合Landsat-8陆地成像仪影像对分类结果进行定量分析和验证。由混淆矩阵的计算分析可知，相比Wishart分类方法，支持向量机分类法将分类精度从80.48%提高到88.00%，将Kappa系数从0.73提高到0.83。结果表明，单独的相干分解不能充分挖掘PALSAR-2数据包含的丰富信息，将目标极化分解参数用于特征信息分类处理，可以达到较好的分类效果；利用全极化PALSAR-2数据，结合目标极化分解方法和支持向量机分类法提取盐渍化信息有一定的优势。
遥感 土壤盐渍化 极化分解 支持向量机分类 后向散射系数 激光与光电子学进展
2017, 54(6): 062803
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 新疆大学绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
以艾比湖流域为研究区域，典型盐渍土为研究对象，引入分数阶微分，以0.2 为微分阶数间隔，将0~2 细分为11 阶微分，对原始光谱反射率及其常用的均方根、倒数等数学变换进行微分计算，结合实验室实测的土壤含盐量，从相关系数、标准差及信息熵三个角度探讨分数阶微分算法对土壤高光谱数据的影响。结果表明：随着微分阶数的增加，相关系数通过0.01显著性检验的波段数量总体上呈逐渐减少的趋势，且1 lg R 提升相关性的效果优于其他三种数学变换；高光谱数据总体分布变得相对集中，样本差异性逐渐降低；信息熵逐渐减小，信息无序度变小，有效信息量增加。分数阶微分能够细化相关系数、标准差及信息熵的变化趋势，丰富高光谱数据的预处理方法，可从光谱维的角度深层挖掘光谱信息，为深度利用高光谱数据提供崭新的视角，同时也可为特征波段选择、地表参数反演等高光谱数据的应用提供参考依据。
光谱学 高光谱 信息熵 分数阶微分 盐渍化
东北师范大学地理科学学院, 吉林 长春130024
正确评价土壤盐渍化对地区农业生产与生态环境具有重要意义。 土壤线对土壤盐渍化程度具有一定的指示作用, 但在不同角度下观察获得的土壤光谱特征会发生变化, 土壤线的参数值也会随之变化。 依据以实验室测定的盐渍化土壤多角度偏振高光谱反射率, 分析并确定土壤盐渍化程度与土壤线参数之间的关系, 初步探求在偏振反射条件下土壤线最佳的获取方式。 结果表明: (1)土壤光谱反射率随波段的增加逐步缓慢上升, 趋于平缓。 随着盐渍化程度的增强, 土壤的光谱反射率先逐步降低至某一临界值后又逐步升高; (2)土壤的盐渍化程度与土壤线的斜率和截距均呈线性相关, 随着盐渍化程度的增强, 土壤线的斜率变小, 截距变大; (3)探测天顶角影响偏振状态与土壤线参数的关系, 当探测天顶角一定时, 偏振状态与土壤线参数之间具有规律性。 探测天顶角在0°-50°之间, 随角度的变大, 土壤线斜率变大, 截距变小; (4)偏振状态影响土壤线参数与土壤盐渍化程度的相关性程度, 初步确立偏振角度为90°, 探测天顶角为25°状态下, 建立的土壤盐渍化程度与土壤线参数关系模型较优。 为定量反演土壤盐渍化程度提供新的途径。 可以用于土壤的盐渍化程度评价。
土壤线 偏振 高光谱 盐渍化土壤 Soil line Polarization Hyperspectral Soil salinization 光谱学与光谱分析
2015, 35(10): 2856
1 上海交通大学低碳农业研究中心, 上海200240
2 农业部都市农业(南方)重点实验室, 上海200240
3 上海大学遥感与空间信息科学研究中心, 上海200036
该研究跟踪山东东营盐渍化土壤(盐分主要以氯化钠为主)的微生物修复盆栽实验, 分析研究修复过程中土壤理化性质的改良以及相应的光谱特征变化。 基于对修复过程中不同阶段土壤盐分含量(SSC)和Na+, Cl-等理化指标的化学分析及其同步的光谱测试, 采用平均值降维方法, 相关系数与决定系数相结合的方式, 通过逐步缩小采样间隔, 分析了土壤在微生物修复过程中盐分和盐分离子含量变化及其光谱响应的最佳波段和特征。 结果表明, 土壤在不同处理的微生物修复过程中, 全波段平均光谱反射率与SSC的变化趋势和幅度几近一致, 与Cl-含量变化趋势和幅度完全一致。 在光谱测试的全波段范围内, SSC及盐分离子含量与光谱反射率呈显著正相关, 在近红外波段的反射率变化尤为显著。 在此基础上, 基于调整光谱采样间隔方法分析获得的盐分及其离子含量最佳光谱响应波段反射率, 建立了土壤光谱反射率与盐分含量及其离子含量的关系模型。 其中SSC的最佳响应波段1 370～1 445和1 447~1 608 nm, Cl-, Na+的最佳响应波段分别为1 336~1 461和1 471~1 561 nm, 建立的模型其R2最高值达到了0.95, RMSEC, RMSEP最大值分别为1.076和0.591。 不同处理的土壤微生物修复结果的显著性统计分析及其相应的光谱特征变化, 充分显示了土壤盐分含量的光谱响应特征及其敏感性, 对发展基于高光谱的土壤盐渍化快速分析诊断方法具有重要意义。
盐渍化土壤 微生物修复 光谱特征 盐分离子 最佳波段 Saline soil Microbial remediation Spectral reflectance feature Salt ion Optimal band 光谱学与光谱分析
2015, 35(9): 2602
东北师范大学 地理科学学院, 吉林 长春 130024
盐渍化土壤不仅对农业生产产生巨大的威胁,而且对生态环境也构成了巨大的破坏.本文以吉林省西部盐渍化土壤为例,将遥感信息中的偏振信息和高光谱信息相结合,通过对吉林省西部盐渍化土壤光谱特征的获取,选择合适的波段,建立普适的模型,并进行科学验证.研究表明,盐渍化土壤的偏振高光谱信息与其理化属性参数具有一定的相关关系,并具有规律性,尤其是土壤线模型,利用土壤线进行建模,可以预测土壤的盐碱化程度.
盐渍化土壤 偏振 高光谱 吉林省西部 soil salinization polarization hyperspectral Western Jilin Province
山东农业大学资源与环境学院， 山东 泰安271018
选择黄河三角洲垦利县代表性盐碱化区域为研究区， 以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源， 经几何纠正、 图像裁剪、 大气校正等预处理， 分析不同盐渍化程度土地、 水体、 滩涂等主要地类的光谱特征， 确定地类信息提取特征波段。 结合土壤盐分含量， 采用定量与定性相结合规则， 构建地类信息提取模型， 以决策树分类方法进行图像分类， 提取土地盐渍化信息。 利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果， 对遥感解译数据进行精度验证， 并对高光谱和多光谱影像的分类精度进行比较分析。 结果表明： HSI图像的总体分类精度达96.43%， Kappa系数为95.59%， 而TM图像的总体分类精度为89.17%， Kappa系数为86.74%， 说明相比多光谱TM数据， 基于高光谱图像可以更为准确有效地提取土地盐渍化信息； 由分类结果图可以看出， 高光谱影像土地盐渍化的区分度高于多光谱影像。 该研究探索了高光谱图像土地盐渍化信息的提取技术方法， 提供了不同盐渍化土地的分布比例数据， 可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。
HSI高光谱数据 TM图像 光谱特征 盐渍化程度 HSI hyperspectral data TM image Spectral characteristics Salinization degree
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
通过典型研究区不同盐渍化土壤光谱反射率数据的变换和分析, 选择与土壤含盐量响应敏感波段, 建立实测高光谱土壤含盐量反演模型, 以校正HSI影像建立的土壤含盐量反演模型。 结果表明: 实测高光谱土壤含盐量反演模型与HSI影像土壤含盐量反演模型均有较好的精度, 模型判定系数(R2)均高于0.57, 且模型稳定性较好。 校正后的HSI影像土壤含盐量反演模型, 模型判定系数有了较大提高, R2从0.571提升至0.681, 且通过了0.01的显著性水平, 均方根误差(RMSE)值为0.277。 模型能够较好地提高区域尺度条件下土壤盐渍化监测精度, 运用此方法开展盐渍化土壤定量遥感监测是可行的。
高光谱 盐渍化 多元线性回归 Hyperspectral HSI HSI Soil salinization Multiple linear regression 光谱学与光谱分析
2014, 34(7): 1948
