冯文哲, 王新涛, 韩佳, 赵亿祥, 梁磊, 李定乾, 唐新新, 张智韬
节水灌溉. 2020, (11):
87-93+104.
PDF
(
)
可视化
 
收藏
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( R2
) 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 R2 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,R2 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 R2 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,R2 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。