CN111879915B - 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** - Google Patents
一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** Download PDFInfo
- Publication number
- CN111879915B CN111879915B CN202010771550.9A CN202010771550A CN111879915B CN 111879915 B CN111879915 B CN 111879915B CN 202010771550 A CN202010771550 A CN 202010771550A CN 111879915 B CN111879915 B CN 111879915B
- Authority
- CN
- China
- Prior art keywords
- soil salinity
- area
- database
- industrial
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geology (AREA)
- Medicinal Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明涉及一种滨海湿地高分辨率的逐月土壤盐度监测方法及***。该方法包括:建立土壤盐度数据库和预测因子数据库;采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;根据土壤盐度数据库和预测因子数据库,采用随机森林算法分别建立自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;采用交叉验证方法分析自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;获取研究区的土壤盐度预测因子数据库;根据自然保护区土壤盐度预测模型、工农业区域土壤盐度预测模型和研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。本发明能够提高土壤盐度的预测精度。
Description
技术领域
本发明涉及土壤盐度监测领域,特别是涉及一种滨海湿地高分辨率的逐月土壤盐度监测方法及***。
背景技术
气候变暖导致的海平面上升和人类活动导致的径流量减少,控制着滨海湿地水文结构、功能和过程的一系列变化,进而导致严重的土壤盐渍化。土壤盐渍化通过干扰碳、氮、磷等生物地球化学元素,影响了本地生态***的结构和功能。近几十年来,它已成为一种严重的环境危害,对滨海湿地有限的土壤资源和生态***健康构成了相当大的威胁。因此,许多研究者进行了实地观察,以监测土壤盐分的变化。但由于土壤盐度的时空异质性较大,现有的野外观测站难以实现有效的覆盖。因此,长期、大范围、连续的高分辨率盐度观测是非常需要的
目前,许多中、高空间和时间分辨率的卫星任务和传感器的开发、应用,使通过遥感结合土壤盐度测量来监测土壤盐渍化成为可能。许多研究表明,土壤的光谱反射率与土壤的可溶性盐浓度高度相关。为了建立土壤光谱信息与土壤盐度之间的关系,人们往往将重点放在建立各种回归模型上。这些模型已经从使用光谱指数作为唯一的预测因子发展到结合多种协变量,如气象条件、地形属性等,从单阶段模型发展到多阶段模型。但是,很多研究存在反演时间单一性和延迟性的问题。这些研究大多集中在单一时期,而不是不同季节,并含蓄地假设当前植被的分布最好地反映了当前土壤盐分的状况。此外,表层土壤盐分受气象条件、地形属性、人类活动等多种因素的影响,导致土壤盐分随时间变化较大。然而,植被分布不能随环境条件的变化而同步变化,这时时间的延迟性会明显出现。此外,目前的研究大多集中在参数回归模型上,有时可以达到较高的预测精度。当数据集有大量的预测因子和大量的数据记录时,它们变得越来越复杂和困难,导致在实际反演中出现过拟合现象。
发明内容
本发明的目的是提供一种滨海湿地高分辨率的逐月土壤盐度监测方法及***,能够提高土壤盐度的预测精度。
为实现上述目的,本发明提供了如下方案:
一种滨海湿地高分辨率的逐月土壤盐度监测方法,包括:
建立土壤盐度数据库和土壤盐度预测因子数据库;
采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;
根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;
采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价;
获取研究区的土壤盐度预测因子数据库;
根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。
可选地,所述建立土壤盐度数据库和土壤盐度预测因子数据库,具体包括:
通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;
利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
可选地,所述采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域,具体包括:
采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地;
根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%;
若是,则将研究区判定为人类因素主导的工农业区域;
若否,则将研究区判定为自然因素主导的自然保护区区域。
可选地,所述根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,具体包括:
将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集;
利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
可选地,所述采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价,具体包括:
根据所述验证集通过交叉验证方法对所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型进行分析,所述分析包括:总体精度拟合验证、各季节的精度验证和对水文要素的相关性分析,其中,所述总体精度拟合验证的统计信息使用的是决定系数、均方根误差和平均绝对误差;
通过分析结果,对交叉验证方法的精度进行评价。
可选地,所述土壤盐度预测因子数据库中的土壤盐度预测因子包括Landsat卫星系列的遥感光谱数据、气象数据、地形数据、水文数据和时间数据。
一种滨海湿地高分辨率的逐月土壤盐度监测***,包括:
数据库建立模块,用于建立土壤盐度数据库和土壤盐度预测因子数据库;
研究区分类模块,用于采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;
预测模型建立模块,用于根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;
验证模块,用于采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价;
待预测研究区获取模块,用于获取研究区的土壤盐度预测因子数据库;
土壤盐度预测模块,用于根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。
可选地,所述数据库建立模块,具体包括:
土壤盐度数据库获取单元,用于通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;
土壤盐度预测因子数据库获取单元,用于利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
可选地,所述研究区分类模块,具体包括:
初步分类模块,用于采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地;
判断模块,用于根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%;
工农业区域确定单元,用于当所述农用地和所述建筑用地的总占比超过50%,将研究区判定为人类因素主导的工农业区域;
自然保护区区域确定单元,用于当所述农用地和所述建筑用地的总占比未超过50%,将研究区判定为自然因素主导的自然保护区区域。
可选地,所述预测模型建立模块,具体包括:
数据集划分单元,用于将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集;
预测模型建立单元,用于利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种滨海湿地高分辨率的逐月土壤盐度监测方法及***。通过建立土壤盐度数据库和预测因子数据库;采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;根据土壤盐度数据库和预测因子数据库,采用随机森林算法分别建立自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;采用交叉验证方法分析自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;获取研究区的土壤盐度预测因子数据库;根据自然保护区土壤盐度预测模型、工农业区域土壤盐度预测模型和研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。本发明能够提高土壤盐度的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明滨海湿地高分辨率的逐月土壤盐度监测方法流程图;
图2为本发明滨海湿地高分辨率的逐月土壤盐度监测***结构图;
图3为黄河径流量-土壤盐度示意图;
图4为海平面高度-土壤盐度示意图;
图5为拟合的土壤盐度示意图;
图6为验证的土壤盐度示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种滨海湿地高分辨率的逐月土壤盐度监测方法及***,能够提高土壤盐度的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明滨海湿地高分辨率的逐月土壤盐度监测方法流程图。如图1所示,一种滨海湿地高分辨率的逐月土壤盐度监测方法包括:
步骤101:建立土壤盐度数据库和土壤盐度预测因子数据库,具体包括:
通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库。
利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
所述土壤盐度预测因子数据库中的土壤盐度预测因子包括Landsat卫星系列的遥感光谱数据、气象数据、地形数据、水文数据和时间数据。
在30m*30m的样方中依照五点取样法使用直径为10cm的环刀取0-20cm深的五个土壤样品,混合成一个土壤样品,使用电导率仪于实验室内测定其盐度值SAL,记录采样的时间和采样点的空间坐标。
步骤102:采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域,具体包括:
采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地。
根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%。
若是,则将研究区判定为人类因素主导的工农业区域。
若否,则将研究区判定为自然因素主导的自然保护区区域。
土地利用类型分类使用的算法是支持向量机,其核函数为RBF,以最佳惩罚参数C和核参数h为参数。初步分类完成后,对分类结果进行筛选和聚类,去除虚假像素,然后结合现场经验,手工修改具有明显错误的分类结果。
步骤103:根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,具体包括:
将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集。
利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
随机森林算法使用的是CART回归树模型,采用和方差度量,度量目标是对于划分特征A,对应划分点s两边的数据集D1和D2,求出使D1和D2各自集合的均方差最小,同时D1和D2的均方差之和最小。表达式为:
其中,c1为D1的样本输出均值,c2为D2的样本输出均值。
基于两个区域建立的随机森林算法的表达式为:自然保护区区域为,[SAL=f(WIN,SSD,DNVI,PC2,S1,S4,TC_fou,CNBL,CD,CI,TWI,VD,Df,Ds,Dt);工农业区域为,[SAL=f(PC1,S2,S4,SI1,TC_bri,TC_fif,CNBL,Df,Ds,Dt)]。
网格搜索法是通过Python语言,在所有候选的参数选择中,通过循环遍历,尝试每一种可能性,选择表现最好的参数组合作为最优的参数组合。
其中变量S1指盐度指数1,其计算公式为Blue/Red,基于ENVI的math工具,使用ARCGIS提取样本点坐标的S1。变量S2指盐度指数2,其计算公式为(Blue-Red)/(Blue+Red),基于ENVI的math工具,使用ARCGIS提取样本点坐标的S2。变量S4指盐度指数4,其计算公式为Blue*Red/Green,基于ENVI的math工具,使用ARCGIS提取样本点坐标的S4。变量SI1指盐度指数Ⅰ,其计算公式为(Red*Green)0.5,基于ENVI的math工具,使用ARCGIS提取样本点坐标的SI1。变量TC_bri,TC_fou和TC_fif分别指的是Tassled cap分析输出的第一波段,第四波段,第五波段,基于ENVI的Transform/Tassled Cap,使用ARCGIS提取样本点坐标的TC_bri、TC_fou、TC_fif。变量WIN,SSD分别指的是日平均风速,每日日照时数,提取样本点坐标的WIN、SSD。变量CNBL,CD,CI,TWI和VD分别指的是沟渠网络基准水平、闭合洼地、会聚指数、地形湿度指数和谷深,使用SAGA GIS软件基于DEM数据进行计算,使用ARCGIS提取样本点坐标的CNBL,CD,CI,TWI和VD值。变量Df和变量Ds分别指最小淡水源距离Df,最小海水源距离Ds,其中,使用ENVI基于Landsat卫星影像提取淡水水系网络和海水水系网络,目标栅格(x0,y0)的Df和Ds的计算方式为和这里的(xf,yf)和(xs,ys)分别代表距离目标栅格(x0,y0)最近的淡水水源栅格和海水水源栅格,计算样本点坐标Df和Ds。Dt指的遥感影像数据的时间。变量PC1和PC2分别指PCA分析输出的第一波段和第二波段,基于ENVI的Transforms/Principal Components工具,使用ARCGIS提取样本点坐标的PC1、PC2。变量NDVI指归一化植被指数,其计算公式为(NIR-Red)/(NIR+Red),基于ENVI的math工具,使用ARCGIS提取样本点坐标的NDVI。
步骤104:采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价,具体包括:
根据所述验证集通过交叉验证方法对所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型进行分析,所述分析包括:总体精度拟合验证、各季节的精度验证和对水文要素的相关性分析,其中,所述总体精度拟合验证的统计信息使用的是决定系数R2,均方根误差RMSE和平均绝对误差MAE。
通过分析结果,对交叉验证方法的精度进行评价。
步骤105:获取研究区的土壤盐度预测因子数据库;
步骤106:根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。
对应于本发明的滨海湿地高分辨率的逐月土壤盐度监测方法,本发明还提供一种滨海湿地高分辨率的逐月土壤盐度监测***,该***包括:
数据库建立模块201,用于建立土壤盐度数据库和土壤盐度预测因子数据库。
研究区分类模块202,用于采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域。
预测模型建立模块203,用于根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型。
验证模块204,用于采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价。
待预测研究区获取模块205,用于获取研究区的土壤盐度预测因子数据库。
土壤盐度预测模块206,用于根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测。
所述数据库建立模块201,具体包括:
土壤盐度数据库获取单元,用于通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库。
土壤盐度预测因子数据库获取单元,用于利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
所述研究区分类模块202,具体包括:
初步分类模块,用于采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地。
判断模块,用于根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%。
工农业区域确定单元,用于当所述农用地和所述建筑用地的总占比超过50%,将研究区判定为人类因素主导的工农业区域。
自然保护区区域确定单元,用于当所述农用地和所述建筑用地的总占比未超过50%,将研究区判定为自然因素主导的自然保护区区域。
所述预测模型建立模块203,具体包括:
数据集划分单元,用于将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集。
预测模型建立单元,用于利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
实施例1:
1.以东营市黄河口的自然保护区为研究区,预测其土壤盐度的变化。
实现步骤:
步骤一,建立0-20cm土壤盐度数据及土壤盐度预测因子数据库:通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
其中,土壤盐度数据的获取方法为,在30m*30m的样方中依照五点取样法使用直径为10cm的环刀取五个土壤样品,混合成一个土壤样品,使用电导率仪于实验室内测定其盐度值SAL,记录采样的时间和采样点的空间坐标,测量若干土壤样本盐度作为土壤盐度数据库(因变量,SS)。
Landsat卫星系列的遥感光谱数据,使用的Landsat卫星影像都经过了辐射定标和大气校正,包括归一化植被指数(NDVI),其计算公式为(NIR-Red)/(NIR+Red),基于ENVI的math工具。
PCA分析输出的第二波段(PC2),基于ENVI的Transforms/Principal Components工具。盐度指数1(S1),其计算公式为Blue/Red,基于ENVI的math工具。盐度指数4(S4),其计算公式为Blue*Red/Green,基于ENVI的math工具。Tassled cap分析输出的第四波段TC_fou,基于ENVI的Transform/Tassled Cap。
地形数据包括沟渠网络基准水平CNBL,闭合洼地CD,会聚指数CI,地形湿度指数TWI,谷深VD,使用SAGA GIS软件基于DEM数据进行计算。水文数据包括最小淡水源距离Df,最小海水源距离Ds,其中,使用ENVI基于Landsat卫星影像提取淡水水系网络和海水水系网络,目标栅格(x0,y0)的Df和Ds的计算方式为和这里的(xf,yf)和(xs,ys)分别代表距离目标栅格(x0,y0)最近的淡水水源栅格和海水水源栅格。时间数据包括影像时间Dt。
步骤二,研究区分区:采用核函数RBF的支持向量机的机器学习语言,以最佳惩罚参数C和核参数h为参数,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类。土地利用类型分类的标准为农用地、建筑用地和未利用土地。初步分类完成后,对分类结果进行筛选和聚类,去除虚假像素,然后结合现场经验,手工修改具有明显错误的分类结果。根据土地利用类型分类结果,若农用地和建筑用地的总占比小于50%,将东营市黄河口自然保护区划分为自然保护区区域。
步骤三:建立模型:将上述土壤盐度数据及土壤盐度预测因子数据库按照1:3的比例随机分成训练集(TS)和验证集(DS),利用训练集(TS),基于python语言环境下,采用随机森林算法建模,其中在建模的过程中,使用网格搜索法找到最优的参数组合,包括生长的树的数量(n_estimators=10)、寻找最佳***点时考虑的属性数目(max_features=’auto’)和每棵树的最大深度(max_depth=24)
步骤四:利用验证集(DS),对建好的随机森林预测模型进行如下验证:(1)总体精度拟合、验证分析,(2)各季节(包括春季、夏季、秋季、冬季)的精度验证,(3)对水文要素(包括河流径流量和海平面高度变化)的相关性分析,其中拟合验证的统计信息使用的是决定系数R2,均方根误差RMSE,平均绝对误差MAE。
步骤五,基于建好的模型,利用输入变量的联合数据集进行盐度的预测。
结果部分:
1.模型的性能验证
研究结果表明,模型的拟合结果很好,其R2为0.93,RMSE为1.72,MAE为0.77,这表明模型在生成训练方面的性能很好,而其模型的验证结果同样很好,其R2为0.92,RMSE为1.82,MAE为1.19,这表明模型预测盐度的精度很高。
2.模型的季节性验证性能
研究结果表明,模型在春季的验证性能很好,其R2为0.97,RMSE为0.83,MAE为0.62,这表明模型在对春季盐度的预测精度很高;模型在夏季的验证性能很好,其R2为0.83,RMSE为1.37,MAE为0.89,这表明模型在对夏季盐度的预测精度很高;模型在秋季的验证性能很好,其R2为0.87,RMSE为2.36,MAE为1.33,这表明模型在对秋季盐度的预测精度很高;模型在冬季的验证性能很好,其R2为0.99,RMSE为0.38,MAE为0.28,这表明模型在对冬季盐度的预测精度很高。
3.对水文要素的相关分析
图3为黄河径流量-土壤盐度示意图。图4为海平面高度-土壤盐度示意图。
研究结果表明,模型生成的逐月的土壤盐度与逐月的黄河径流量呈现显著的负相关(r=-0.455,p<0.01),这表明我们的模型对逐月的黄河径流量的变化十分敏感;我们的模型生成的逐月的土壤盐度与逐月的海平面高度呈现显著的正相关(r=0.348,p<0.01),这表明模型对逐月的海平面高度的变化十分敏感。
实施例2:
以东营市黄河口的工农业区域为研究区,预测其土壤盐度的变化。
实现步骤:
第一,建立0-20cm土壤盐度数据及土壤盐度预测因子数据库:通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
其中,其土壤盐度数据获取方法为,在30m*30m的样方中依照五点取样法使用直径为10cm的环刀取五个土壤样品,混合成一个土壤样品,使用电导率仪于实验室内测定其盐度值SAL,记录采样的时间和采样点的空间坐标,测量若干土壤样本盐度作为土壤盐度数据库(因变量,SS)。
Landsat卫星系列的遥感光谱数据,使用的Landsat卫星影像都经过了辐射定标和大气校正,包括PCA分析输出的第一波段(PC1),基于ENVI的Transforms/PrincipalComponents工具。盐度指数2(S2),其计算公式为Blue/Red,基于ENVI的math工具。盐度指数4(S4),其计算公式为Blue*Red/Green,基于ENVI的math工具。盐度指数Ⅰ(SI1),其计算公式为(Red*Green)0.5,基于ENVI的math工具。Tassled cap分析输出的第一波段TC_bri,第五波段TC_fif,基于ENVI的Transform/Tassled Cap。
地形数据包括沟渠网络基准水平CNBL,使用SAGAGIS软件基于DEM数据进行计算。
水文数据包括最小淡水源距离Df,最小海水源距离Ds,其中,使用ENVI基于Landsat卫星影像提取淡水水系网络和海水水系网络,目标栅格(x0,y0)的Df和Ds的计算方式为和这里的(xf,yf)和(xs,ys)分别代表距离目标栅格(x0,y0)最近的淡水水源栅格和海水水源栅格。时间数据包括影像时间Dt。
步骤二,研究区分区:采用核函数RBF的支持向量机的机器学习语言,以最佳惩罚参数C和核参数h为参数,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类。土地利用类型分类的标准为农用地、建筑用地和未利用土地。初步分类完成后,对分类结果进行筛选和聚类,去除虚假像素,然后结合现场经验,手工修改具有明显错误的分类结果。根据土地利用类型分类结果,若农用地和建筑用地的总占比超过50%,将东营市黄河口工农业研究区划分为工农业区域。
步骤三:建立模型:将上述土壤盐度数据及土壤盐度预测因子数据库按照1:3的比例随机分成训练集(TS)和验证集(DS),利用训练集(TS),基于python语言环境下,采用随机森林算法建模,其中在建模的过程中,使用网格搜索法找到最优的参数组合,包括生长的树的数量(n_estimators=8)、寻找最佳***点时考虑的属性数目(max_features=’auto’)和每棵树的最大深度(max_depth=12)。
步骤四:利用验证集(DS),对建好的随机森林预测模型进行如下验证:(1)总体精度拟合、验证分析,(2)各季节(包括春季、夏季、秋季、冬季)的精度验证,(3)对水文要素(包括河流径流量和海平面高度变化)的相关性分析,其中拟合验证的统计信息使用的是决定系数R2,均方根误差RMSE,平均绝对误差MAE。
步骤五,基于建好的模型,利用输入变量的联合数据集进行盐度的预测。
结果部分:
1.模型的性能验证
图5为拟合的土壤盐度示意图。图6为验证的土壤盐度示意图。研究结果表明,模型的拟合结果很好,其R2为0.82,RMSE为2.16,MAE为1.49,这表明模型在生成训练方面的性能很好,而其模型的验证结果同样很好,其R2为0.75,RMSE为3.08,MAE为2.33,这表明模型预测盐度的精度很高。
2.模型的季节性验证性能
研究结果表明,模型在春季的验证性能很好,其R2为0.79,RMSE为2.81,MAE为2.24,这表明模型在对春季盐度的预测精度很高;模型在夏季的验证性能很好,其R2为0.56,RMSE为3.31,MAE为2.60,这表明模型在对夏季盐度的预测精度很高;模型在秋季的验证性能很好,其R2为0.94,RMSE为0.35,MAE为0.28,这表明模型在对秋季盐度的预测精度很高;模型在冬季的验证性能很好,其R2为1,RMSE为0.14,MAE为0.12,这表明模型在对冬季盐度的预测精度很高。
通过上述实施例可知,本发明与现有技术相比,具有下列优点:
1.土壤盐度的总体预测精度高,高达92%。
2.土壤盐度的季节性预测精度高。
3.土壤盐度的时间分辨率较高,可以生成逐月的土壤盐度数据集。
4.土壤盐度的空间分辨率较高,可以生成30m分辨率的土壤盐度数据集。
5.对水文要素(如大河径流和海平面高度变化)的变化更加敏感,因此更加适用于对水文要素变化敏感的滨海湿地地区。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种滨海湿地高分辨率的逐月土壤盐度监测方法,其特征在于,包括:
建立土壤盐度数据库和土壤盐度预测因子数据库;
采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;
根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;
采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价;
获取研究区的土壤盐度预测因子数据库;
根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测;
所述采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域,具体包括:
采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地;
根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%;
若是,则将研究区判定为人类因素主导的工农业区域;
若否,则将研究区判定为自然因素主导的自然保护区区域;
所述根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,具体包括:
将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集;
利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
2.根据权利要求1所述的滨海湿地高分辨率的逐月土壤盐度监测方法,其特征在于,所述建立土壤盐度数据库和土壤盐度预测因子数据库,具体包括:
通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;
利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
3.根据权利要求2所述的滨海湿地高分辨率的逐月土壤盐度监测方法,其特征在于,所述采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价,具体包括:
根据所述验证集通过交叉验证方法对所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型进行分析,所述分析包括:总体精度拟合验证、各季节的精度验证和对水文要素的相关性分析,其中,所述总体精度拟合验证的统计信息使用的是决定系数、均方根误差和平均绝对误差;
通过分析结果,对交叉验证方法的精度进行评价。
4.根据权利要求3所述的滨海湿地高分辨率的逐月土壤盐度监测方法,其特征在于,所述土壤盐度预测因子数据库中的土壤盐度预测因子包括Landsat卫星系列的遥感光谱数据、气象数据、地形数据、水文数据和时间数据。
5.一种滨海湿地高分辨率的逐月土壤盐度监测***,其特征在于,包括:
数据库建立模块,用于建立土壤盐度数据库和土壤盐度预测因子数据库;
研究区分类模块,用于采用支持向量机的机器学习方法对研究区进行土地利用类型分类,得到工农业区域和自然保护区区域;
预测模型建立模块,用于根据所述土壤盐度数据库和所述土壤盐度预测因子数据库,采用随机森林算法基于python语言环境下,分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型;
验证模块,用于采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型,通过分析结果,对交叉验证方法的精度进行评价;
待预测研究区获取模块,用于获取研究区的土壤盐度预测因子数据库;
土壤盐度预测模块,用于根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库,进行土壤盐度的预测;
所述研究区分类模块,具体包括:
初步分类模块,用于采用支持向量机的机器学习语言,利用ENVI和LANDSAT影像对研究区进行土地利用类型分类,得到初步分类结果,所述初步分类结果包括:农用地、建筑用地和未利用土地;
判断模块,用于根据所述初步分类结果,判断所述农用地和所述建筑用地的总占比是否超过50%;
工农业区域确定单元,用于当所述农用地和所述建筑用地的总占比超过50%,将研究区判定为人类因素主导的工农业区域;
自然保护区区域确定单元,用于当所述农用地和所述建筑用地的总占比未超过50%,将研究区判定为自然因素主导的自然保护区区域;
所述预测模型建立模块,具体包括:
数据集划分单元,用于将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集;
预测模型建立单元,用于利用所述训练集基于python语言环境下,将所述土壤盐度预测因子数据库作为输入,所述土壤盐度作为输出,采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型,得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型,其中在建模的过程中,使用网格搜索法找到最优的参数组合。
6.根据权利要求5所述的滨海湿地高分辨率的逐月土壤盐度监测***,其特征在于,所述数据库建立模块,具体包括:
土壤盐度数据库获取单元,用于通过野外调查和制备获取土壤盐度相关基础数据,基于ArcGIS平台建立土壤盐度数据库;
土壤盐度预测因子数据库获取单元,用于利用统计调查、遥感和地理信息***获取多源联合数据集,收集土壤盐度预测因子,建立土壤盐度预测因子数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771550.9A CN111879915B (zh) | 2020-08-04 | 2020-08-04 | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771550.9A CN111879915B (zh) | 2020-08-04 | 2020-08-04 | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111879915A CN111879915A (zh) | 2020-11-03 |
CN111879915B true CN111879915B (zh) | 2021-06-15 |
Family
ID=73210434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010771550.9A Active CN111879915B (zh) | 2020-08-04 | 2020-08-04 | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111879915B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213287B (zh) * | 2020-12-07 | 2021-04-06 | 速度时空信息科技股份有限公司 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
CN112926030B (zh) * | 2021-02-25 | 2024-01-23 | 南京信息工程大学 | 30m分辨率插值的气象要素确定方法 |
CN115266612A (zh) * | 2022-07-27 | 2022-11-01 | 福建农林大学 | 一种基于高分辨率环境变量的南方丘陵地区耕地土壤有效磷制图方法 |
CN116148438B (zh) * | 2023-01-10 | 2024-06-18 | 中南大学 | 基于机器学习的土壤矿物含量预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954567B (zh) * | 2014-04-15 | 2016-12-07 | 塔里木大学 | 基于连续统去除法的土壤盐分测定方法 |
US20180292339A1 (en) * | 2014-11-14 | 2018-10-11 | Pioneer Hi-Bred International, Inc. | Systems and methods for high resolution plant root zone soil mapping and crop modeling |
CN107831177A (zh) * | 2017-09-08 | 2018-03-23 | 山东农业大学 | 一种测定滨海盐渍土壤中水份含量与盐渍化程度的方法 |
CN108846360A (zh) * | 2018-06-14 | 2018-11-20 | 内蒙古蒙草生态环境(集团)股份有限公司 | 草原盐渍化的遥感识别方法、装置及计算机可读储存介质 |
CN109270124A (zh) * | 2018-11-22 | 2019-01-25 | 东华理工大学 | 一种基于机器学习回归算法的土壤盐度预测方法 |
CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、***及装置 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
-
2020
- 2020-08-04 CN CN202010771550.9A patent/CN111879915B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111879915A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** | |
Ge et al. | Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
Jia et al. | Long-term global land surface satellite (GLASS) fractional vegetation cover product derived from MODIS and AVHRR data | |
Mao et al. | Coupled LAI assimilation and BEPS model for analyzing the spatiotemporal pattern and heterogeneity of carbon fluxes of the bamboo forest in Zhejiang Province, China | |
Wang et al. | Mapping and spatial uncertainty analysis of forest vegetation carbon by combining national forest inventory data and satellite images | |
CN113591572B (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
Yan et al. | Assimilating multi-source remotely sensed data into a light use efficiency model for net primary productivity estimation | |
Chen et al. | Remote sensing estimation of chlorophyll-A in case-II waters of coastal areas: Three-band model versus genetic algorithm–artificial neural networks model | |
Lu et al. | Examining soil organic carbon distribution and dynamic change in a hickory plantation region with Landsat and ancillary data | |
CN112651548A (zh) | 一种高原湖滨生态景观修复规划的评估识别方法 | |
Maselli et al. | Modeling primary production using a 1 km daily meteorological data set | |
Zhang et al. | Mapping CO2 fluxes of cypress swamp and marshes in the Greater Everglades using eddy covariance measurements and Landsat data | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN106528788A (zh) | 基于gis技术分析地面雨径流污染空间分布特征的方法 | |
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、***、设备及存储介质 | |
Lu et al. | Prediction of diffuse solar radiation by integrating radiative transfer model and machine-learning techniques | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及*** | |
Park et al. | Improvement of satellite-based estimation of gross primary production through optimization of meteorological parameters and high resolution land cover information at regional scale over East Asia | |
Erlandsson et al. | An artificial intelligence approach to remotely assess pale lichen biomass | |
Quinn et al. | Seasonally-managed wetland footprint delineation using Landsat ETM+ satellite imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |