![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演.pdf
《基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演.pdf》由会员分享,可在线阅读,更多相关《基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演.pdf(8页珍藏版)》请在咨信网上搜索。
1、农业信息与电气技术基于 Sentinel-2 卫星影像的黑龙江绥化市土壤全氮定量遥感反演张锡煜1,2,李思佳2,王翔2,宋开山2,陈智文1,郑可心1,2(1.吉林师范大学地理科学与旅游学院,四平136000;2.中国科学院东北地理与农业生态研究所黑土地保护与利用全国重点实验室,长春130012)摘要:为及时准确评估黑土区土壤全氮(soiltotalnitrogen,STN)含量的空间分布,以指导作物精准施肥和提高农作物产量,该研究基于绥化市实测 STN 数据和 Sentinel-2 卫星 Level-2A 遥感影像反射率,构建光谱指数结合环境变量的STN 预测模型,包括随机森林(randomf
2、orest,RF)、自适应增强(adaptiveboosting,AdaBoost)、梯度提升(gradientboostingcategoricalfeatures,CatBoost)等集成学习算法和多元逐步线性回归(simplelinearregression,SLR)、支持向量机(supportvectorregression,SVR)、神经网络(backpropagationneuralnetwork,BPNN)等监督学习算法,并考虑波段 112 遥感反射率、波段 112 遥感反射率联合光谱指数和环境变量作为算法输入变量的 2 种情景。结果表明:1)绥化市实测 STN 平均含量为 19
3、04.06mg/kg,变异系数为 17.93%;2)以波段 112 遥感反射率作为输入变量时,6 种 STN 模型验证集拟合决定系数(coefficientofdetermination,R2)小于0.6,模型验证集决定系数精度由大到小顺序为:RF、CatBoost、AdaBoost、BPNN、SLR、SVR;3)结合波段 112 遥感反射率、光谱指数和环境变量优选方法,构建 STN 含量预测模型,模型验证集决定系数精度由大到小顺序为:RF、CatBoost、BPNN、AdaBoost、SLR、SVR,验证集模型决定系数精度提升幅度从大到小依次为 RF、SVR、BPNN、AdaBoost、Ca
4、tBoost、SLR,其中 RF 模型验证集决定系数预测精度提升最大,决定系数增加 0.22,均方根误差(rootmeansquareerror,RMSE)降低了 35.30mg/kg;4)基于光谱指数和环境变量优选的机器学习算法具有强大的非线性拟合能力,RF 能够更好地模拟 STN 与遥感光谱信息及地形因子之间复杂的多元非线性关系,并获得较高的实测和反演模型拟合结果;5)结合模型,绥化市 STN 的空间分布呈现东北高西南低、由北向南逐渐降低及中部略高的空间分布特点。研究结果为东北黑土区 STN 含量实时动态监测、土地肥力评价和农业可持续发展提供技术支持,为开展黑土地保护与利用及农田生态系统保
5、护提供决策依据。关键词:土壤;全氮;黑土区;Sentinel-2;机器学习;随机森林doi:10.11975/j.issn.1002-6819.202304172中图分类号:S127文献标志码:A文章编号:1002-6819(2023)-15-0144-08张锡煜,李思佳,王翔,等.基于 Sentinel-2 卫星影像的黑龙江绥化市土壤全氮定量遥感反演J.农业工程学报,2023,39(15):144-151.doi:10.11975/j.issn.1002-6819.202304172http:/www.tcsae.orgZHANGXiyu,LISijia,WANGXiang,etal.Qua
6、ntitativeinversionofsoiltotalnitrogeninSuihuaCityofHeilongjianginChinausingSentinel-2remotesensingimagesJ.TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2023,39(15):144-151.(inChinesewithEnglishabstract)doi:10.11975/j.issn.1002-6819.202304172http:/www.tcsae.org0引言氮是植
7、物生长的重要营养元素和全球氮循环的主要组成部分,对作物产量和质量有着极为重要的影响1,土壤是陆地生态系统重要的氮库2。土壤全氮(soiltotalnitrogen,STN)是土壤中各种形式氮素的总和,是衡量土壤质量和肥力的主要因素和指标,直接影响土壤质量、作物产量和农业可持续发展。由于受人为活动、自然因素等影响,STN 往往呈现较强的空间异质性。因此,快速、准确估算 STN 含量对于改善土壤质量、提高农作物产量和精细农业的实施具有重要意义。农业生产研究需要大量详实的数据,传统“野外采样-室内试验分析”获取 STN 含量费时费力,不能及时根据 STN 含量的动态变化来制定农田土壤氮素管理措施,难
8、以满足日益增长的耕地质量监测和农业生产的观测需求。遥感技术具有快速、连续和大范围观测优点,利用遥感技术开展星地联动可以更加迅速高效地获取有关农业数据,而卫星存档数据可以追溯历史 STN 变化,能在有限的时间内取得长时序、大范围的 STN 含量信息,为土地肥力、耕地质量评价和智慧农业的实施奠定基础。目前,常用于监测 STN 含量的卫星有 Landsat 系列、Sentinel 系列和高分系列等多光谱卫星,通过使用土壤反射率及相关光谱指数,构建机器学习反演模型,来估算大范围 STN 含量。Landsat 卫星具有 16d 重访周期和 30m空间分辨率,对于 STN 空间预测,从时间分辨率、空间分辨
9、率或光谱分辨率上均不及 Sentinel-2 卫星;Sentinel-2卫星是由欧空局主导发射,携带 MSI 传感器,空间分辨率为 10、20 和 60m,大气校正后将所有波段的空间分辨率重采样为 10m,低纬度地区时间分辨率 23d,可以实现对小尺度区域 STN 的准确监测。STN 定量遥感反演方法主要包括偏最小二乘回归(partialleastsquaresregression,PLSR)3、多元逐步线性回归(simplelinearregression,SLR)4等线性模型,机器学习算法能解释变量间非线性关系,包括随机森林(randomforest,RF)5、收稿日期:2023-04-2
10、1修订日期:2023-06-09基金项目:国家重点研发计划项目子课题(2021YFD1500101)作者简介:张锡煜,研究方向为土壤关键参数遥感反演。Email:通信作者:陈智文,教授,研究方向为土壤生态和新型肥料。Email:第39卷第15期农 业 工 程 学 报Vol.39No.151442023年8月TransactionsoftheChineseSocietyofAgriculturalEngineeringAug.2023神经网络(backpropagationneuralnetwork,BPNN)6、支持向量机(supportvectorregression,SVR)7等模型具备较
11、好的预测精度,可提高算法的准确性和泛化能力,广泛应用于土壤盐度8、土壤有机质9、土壤水分10等土壤理化性质的空间分布预测模拟。MA 等11利用 PLSR、BPNN、SVR 构建 STN 含量反演模型,证明 SVR 模型验证集最优拟合决定系数(coefficientofdetermination,R2)为 0.91,均方根误差(rootmeansquareerror,RMSE)为 7600mg/kg;WANG 等12利用 LUCAS 表土数据集构建 PLSR、RF 和 BPNN 机器学习模型预测 STN 含量,结果表明 BPNN 模型预测精度最优,决定系数为 0.93,均方根误差为 9500mg
12、/kg。可见选取不同算法建立STN 含量反演模型具有不同效果,通过多种算法优选后可以取得更好的预测结果。光谱指数的构建在 STN 含量定量遥感反演中扮演重要角色。郑淼等13利用比值指数和差异指数构建光谱指数,运用 RF 算法建立的 STN 反演模型决定系数达到 0.95,均方根误差为 270mg/kg;WANG 等14采用比值指数和差异指数及归一化差异植被指数对土壤有机碳进行评价,得到决定系数可达 0.77,均方根误差为2300mg/kg。而基于 Sentinel-2 卫星数据进行 STN 含量遥感反演应用鲜有研究,部分已发表研究一般直接采用遥感反射率及其数学变换。目前,土壤养分遥感监测已取得
13、诸多成果,同时也存在许多问题:如何消除植被覆盖、土壤类型及耕地作物残留等因素对遥感监测质量的影响,以便获得更加准确的土壤养分含量及其物理属性信息是土壤养分遥感监测的研究重点之一;未开展其他光谱指数对预测模型影响的重要性研究,未考虑环境因素对 STN 含量预测的影响。因此,构建并优化黑土区STN 含量预测模型有待进一步探究。东北地区黑土面积为 1.09106km2,其粮食产量占全国的 1/4,是中国最重要的商品粮基地和保障粮食安全的“压舱石”15。绥化市是典型黑土区,裸土时期长,为遥感影像获取创造了良好条件16。本文以绥化市为研究区,获取绥化市裸土期 Sentinel-2 卫星 Level-2A
14、 遥感影像,分析不同 STN 含量下的波段遥感反射率变化,探讨典型机器学习算法反演 STN 含量的效果和精度评价,揭示绥化市 STN 含量变化和空间分布,为今后 STN 含量的实时动态监测、土地肥力评价和农业可持续发展提供参考依据和技术支持。1材料与方法1.1研究区概况绥化市(12453E12835E,4510N4805N)位于松嫩平原北部、黑龙江省中南部,地势东北高、西南低,由低丘陵、高平原过渡到河谷平原;属中温带半湿润季风气候,年平均气温 3.4,年均光照时数 2644.3h,年平均降水量 511.2mm;主要土壤类型为黑土、黑钙土、草甸土、暗棕壤、白浆土、沼泽土、泥炭土、盐碱土等17。2
15、022 年,绥化市耕地面积 2.09106hm2,主要种植作物为玉米、大豆、水稻等,2022 年总产量达到 1.151010kg。研究区采样点位于耕地范围内,使用武汉大学公布的2021 年耕地范围边界18进行掩膜(图 1)和耕地 STN含量估算。采样点Sampling point黑龙江省Heilongjiang Province绥化市Suihua City绥化市县界County boundary of Suihua CityNDEM/m高High:806低Low:7图 1研究区域和采样点Fig.1Studyareaandsamplingpoints1.2土壤取样和室内试验分析2021 年 4
16、月 20 日2021 年 4 月 30 日(裸土期)在绥化市耕地范围内采集表层土壤样本,采样过程使用五点取样法,采样深度为 020cm,同时记录样点经纬度,共获得 100 个土壤样本,采样期无作物及秸秆覆盖。将土壤样本放置风干盘中,平摊至 23cm 厚的薄层,剔除植物根系、石头和昆虫等残体,用瓷质研磨棒压碎土块,每天翻动几次,待充分混合且自然风干,研磨过 0.25mm土壤筛,在实验室使用凯式定氮法测定 STN 含量19。1.3遥感影像的搜集和预处理本研究采用的 Sentinel-2卫星 Level-2A 遥感影像在Google Earth Engine(GEE,https:/ 2021 年 4
17、月 20 日2021 年 5 月 1 日,与地面采样时间匹配。Sentinel-2 卫星多光谱仪器(MSI)卫星载荷波段中心波长等特性(见表 1)。其中,Level-2A 为经过 Sen2Cor 进行大气校正和正射校正后的地表反射率数据产品。在SNAP 软件中将 Level-2A 数据 B1和 B5B12重采样至10m,根据采集表层土壤样本经纬度提取 B1B12地表遥感反射率,构建 STN 反演模型。表1Sentinel-2 卫星波段设置Table1Sentinel-2satellitebandsetting波段Band中心波长Centralwavelength/nm波宽Wavewidth/n
18、m空间分辨率Spatialresolution/mB14432060B24906510B35603510B46653010B57051520B67401520B77832020B884211510B99452060B1013753060B1116109020B12219018020待获取最优 STN 反演模型后,同步下载 2021 年 4 月Sentinel-2 卫星 Level-2A 遥感影像,估算绥化市全域STN 含量,预处理过程同上。1.4环境变量在区域尺度上,STN 的空间分布会受到环境变量的第15期张锡煜等:基于 Sentinel-2 卫星影像的黑龙江绥化市土壤全氮定量遥感反演145
19、影响。数字地表模型(digitalsurfacemodel,DSM)中通常使用地形属性和气候作为环境因素20。因此,本研究使用数字高程模型(digitalelevationmodel,DEM)、温度、降水和土壤类型共计 4 个环境变量作为 STN 空间分布预测的驱动因子。其中,DEM 是 DSM 中最广泛使用的环境预测因子,被认为是土壤养分分布的主要因素21,绥化市 30mDEM 数据来源于地理空间数据云(https:/gdex.cr.usgs.gov/gdex/);温度和降水等气候因子也会影响土壤中氮的积累,本研究选取 2021 年 4 月绥化市平均温度和降水数据作为 STN 预测模型的环境
20、变量,数据来源于国家青藏高原科学数据中心(http:/);土壤类型影响 STN 含量空间分布,1:400 万中国土壤图也作为 STN 预测模型的环境变量,数据来源于中国科学院南京土壤研究所,并在 ArcGIS(10.6)软件中将环境变量重采样到 10m。1.5构建光谱指数通过对不同波段遥感反射率采取合理的数学变换22,即构建光谱指数,可以较好地降低光照、大气等因素误差,提高遥感反射率与目标变量的相关性,以期提升反演模型精度。选取差异指数12(differenceindex,DI)、比值指数12(ratio index,RI)、绿 色 植 被 指 数(greendifferencevegetat
21、ionindex,GDVI)和重归一化植被指数(re-normalizeddifferencevegetationindex,RDVI)作为光谱指数。其中,差异指数和比值指数可直接用于构建STN 预测模型12,绿色植被指数和重归一化植被指数可以降低农田作物茬和植被覆盖等影响因素对遥感监测的影响22。1.6机器学习算法本研究选取机器学习算法里集成学习算法和监督学习算法构建绥化市 STN 遥感反演模型,并选择出最优的预测模型。其中集成学习算法包括随机森林、自适应增强和梯度提升,监督学习算法包括多元逐步线性回归、支持向量机和神经网络。STN 模型的输入变量为 B1B12遥感反射率、4 种光谱指数和
22、4 个环境变量,模型输出变量为 STN 含量。集成学习算法中,随机森林能通过减少过度拟合来提高预测性能,其调解参量少,异常值和噪声具有较高的容忍度,且不会过度拟合;自适应增强是一种迭代算法,其核心思想是针对同一个训练集训练不同的回归器(弱回归器),然后把这些弱回归器集合起来,构成一个更强的最终回归器(强回归器),具有较高的检测速率且不易出现过适应现象23;梯度提升是一种基于对称决策树算法的参数较少、支持类别型变量和高准确性的框架,可解决梯度偏差以及预测偏移的问题从而减少过拟合的发生,进而提高算法的准确性和泛化能力。监督学习算法中,多元逐步线性回归是指一种由多个自变量的最优组合来预测或估计因变量
23、的线性建模方法13;支持向量机能在高维的特征子集空间中运用少量的训练数据来获得支持向量,可将数据映射到高维空间中,在高维空间中构建一个超平面,通过寻找最优的超平面来实现回归;神经网络由输入层、隐藏层和输出层组成,其中有一个输入层和一个输出层,以及多个隐藏层,其中隐藏层在输入层和输出层之间传递着重要的信息,从而允许网络对复杂功能进行建模。1.7STN 反演模型校验在构建反演模型前,将土壤样本实测 STN 值及其对应 B1B12遥感反射率、光谱指数和环境变量分为两部分,模型建模集样本数为 70,模型验证集样本数为 30。构建模型后,采用实测值与预测值线性回归拟合函数(1:1 线)、回归决定系数(R
24、2)24和均方根误差(RMSE)25来评估模型预测精度。其中,R2的值为0,1,R2越大表征模型拟合度越高,测量值越接近预测值;RMSE 越小,表征模型预测值与实测值的偏差越小26,模型性能越好。1.8统计分析本研究采用 Pearson 相关分析计算 STN 含量与遥感反射率、光谱指数和环境变量之间的相关性。同时,采用回归分析计算反演实测值与预测值拟合程度,以上统计分析在 IBMSPSSStatistics27.0 软件(IBMSPSS,Somers,NY,USA)软件中实现。此外,反演后绥化市全域 STN 含量数据在 ArcGIS10.6 软件中进行空间分析,结合县域空间数据,计算县域尺度
25、STN 含量。2结果与分析2.1STN 含量的描述性统计分析表 2 为 2021 年 4 月绥化市表层土壤样本的 STN 含量描述性统计分析结果。由表可知,STN 含量最大值、最小值分别为 2825.17、871.06mg/kg,均值 1904.06mg/kg,标准差 341.29mg/kg,变异系数 17.93%。其中,变异系数相对较高,这是由于研究区内不同的耕地种植类型、地形、气候和母质等因素导致 STN 含量具有空间异质性。表2绥化市土壤全氮描述性统计分析Table2Descriptivestatisticsanalysisofsoiltotalnitrogen(STN)inSuihua
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Sentinel 卫星 影像 黑龙江 绥化市 土壤 定量 遥感 反演
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。