CN115495988B - 一种基于最优时间窗口选择的土壤遥感反演方法 - Google Patents

一种基于最优时间窗口选择的土壤遥感反演方法 Download PDF

Info

Publication number
CN115495988B
CN115495988B CN202211189137.7A CN202211189137A CN115495988B CN 115495988 B CN115495988 B CN 115495988B CN 202211189137 A CN202211189137 A CN 202211189137A CN 115495988 B CN115495988 B CN 115495988B
Authority
CN
China
Prior art keywords
remote sensing
soil
target
month
value
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
Application number
CN202211189137.7A
Other languages
English (en)
Other versions
CN115495988A (zh
Inventor
王昌昆
王欣怡
潘贤章
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Soil Science of CAS
Original Assignee
Institute of Soil Science of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Soil Science of CAS filed Critical Institute of Soil Science of CAS
Priority to CN202211189137.7A priority Critical patent/CN115495988B/zh
Publication of CN115495988A publication Critical patent/CN115495988A/zh
Application granted granted Critical
Publication of CN115495988B publication Critical patent/CN115495988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于最优时间窗口选择的土壤遥感反演方法，首先通过选择最优年份，降低不同年份间气候等因素对土壤属性遥感反演精度的可能影响；其次通过结合区域植被指数反映的作物生长状况与不同月份土壤属性反演的精度结果，共同确定最优月份，降低作物和作物秸秆覆盖的影响；最后通过整合最优年份与最优月份，确定区域土壤属性反演的最优时间窗口，以最优时间窗口内的目标预测模型，用于实现对目标研究区域中目标土壤属性的获得；设计利用最优时间窗口内遥感影像，能够有效克服气候、作物覆盖等因素的影响，有效提高土壤属性遥感反演的精度，促进土壤属性遥感反演技术的实际应用。

Description

一种基于最优时间窗口选择的土壤遥感反演方法
技术领域
本发明涉及一种基于最优时间窗口选择的土壤遥感反演方法，属于土壤属性检测技术领域。
背景技术
土壤具有多种功能，除具有生产功能外，还有重要的生态与环境功能，保护土壤资源对国家粮食安全至关重要。当前，在土壤资源的利用中还存在一些不合理环节与措施，土壤资源的有效监测是实现土壤资源可持续利用与保护的前提。但土壤具有较强的时空变异性，在其漫长的形成过程中受到母质、气候、地形、生物等因素的综合影响，因此具有较强的区域特点。
近年来，以综合利用土壤形成过程中的相关参数间接反映土壤属性的数字土壤制图技术快速发展，已经成为区域土壤属性制图的重要方法。随着相关研究的深入，逐渐发现其在机理解释，以及在土壤形成过程相关参数变异较小的区域应用时均面临着一定的挑战。遥感技术具有时效性强、覆盖范围大的特点，近年来其在土壤属性反演与制图中得到了一定程度的应用。
与绿色作物与作物秸秆的光谱相比，土壤具有独特的光谱曲线特征，遥感利用土壤光谱信息来反映土壤属性信息。对于农田土壤、土壤表面不可避免地受到作物和作物秸秆等覆盖因素的影响，从而有可能降低土壤遥感反演的精度；另一方面，土壤自身状态例如其水分差异也可能影响反演精度。消除或降低这些因素对反演精度的影响是土壤遥感应用的关键环节。
近年来，许多土壤遥感反演应用仅依据区域作物生长特点选择遥感影像时间窗口，这种方法在月份的选择上具有一定效果，但在年份的选择上往往缺少客观依据，因此反演精度具有较大的不确定性。以影像合成为代表的区域土壤遥感反演应用，其在不同区域的预测精度差异较大，而且在裸土区时间窗口较短的区域应用中也面临着一定挑战。
发明内容
本发明所要解决的技术问题是提供一种基于最优时间窗口选择的土壤遥感反演方法，能够有效、精准实现区域土壤属性的快速获取，提高实际工作效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于最优时间窗口选择的土壤遥感反演方法，按如下步骤A至步骤E，获得目标研究区域目标土壤属性的目标预测模型，应用目标预测模型实现对目标研究区域中目标土壤属性的获得；
步骤A. 获得分别对应至少两个年份中各月份的覆盖目标研究区域的遥感影像，且其中各月份应至少有一景遥感影像，以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，然后对各景遥感影像进行大气校正处理，再进入步骤B；
步骤B. 分别针对各景遥感影像，基于遥感影像、以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第一预测模型；进而获得各景遥感影像分别对应的第一预测模型，然后进入步骤C；
步骤C. 基于各第一预测模型对应预设目标评价指标的评价结果，针对对应不同年份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优年份，然后进入步骤D；
步骤D. 基于各第一预测模型对应预设目标评价指标的评价结果，耦合归一化植被指数NDVI，针对对应不同月份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优月份，然后进入步骤E；
步骤E. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，基于土壤属性遥感反演最优时间窗口中目标研究区域内的各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的目标预测模型。
作为本发明的一种优选技术方案：所述步骤A中分别针对各景遥感影像，执行以下操作，进行大气校正处理更新；
操作：针对遥感影像各像元，先按L=DN*α+β，进行辐射定标处理，获得辐亮度数据L，再根据辐亮度数据L，利用FLAASH模型针对遥感影像进行大气校正处理；进而实现对该遥感影像的大气校正处理更新；其中，DN表示遥感影像像元值，α与β分别为遥感影像中附带的转换系数。
作为本发明的一种优选技术方案：所述步骤C中，基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的年份，作为土壤属性遥感反演最优年份。
作为本发明的一种优选技术方案：所述步骤D包括如下步骤D1至步骤D4；
步骤D1. 基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的月份，作为待匹配月份，然后进入步骤D2；
步骤D2. 分别针对各景遥感影像，按如下公式：
NDVI=(NIR-Red)/(NIR+Red)
获得遥感影像中目标研究区域内各像元的NDVI值，并获得平均值，作为该遥感影像中目标研究区域对应的NDVI值，进而获得各景遥感影像分别对应的NDVI值，然后进入步骤D3；其中，NIR表示遥感影像中近红外波段的反射率，Red表示遥感影像中红波段的反射率；
步骤D3. 分别针对各不同月份，计算获得月份中所有景遥感影像对应NDVI值的平均值，作为该月份对应的NDVI值，进而获得各不同月份分别对应的NDVI值，然后进入步骤D4；
步骤D4. 若最小NDVI值对应的月份与待匹配月份为相同月份，则该月份作为土壤属性遥感反演最优月份；若最小NDVI值对应的月份与待匹配月份为不相同月份，则基于首尾月份相接的闭环顺序，选择最小NDVI值所对应月份、以及其相邻下一月共同作为土壤属性遥感反演最优月份。
作为本发明的一种优选技术方案：所述步骤E包括如下步骤E1至步骤E4；
步骤E1. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，若土壤属性遥感反演最优时间窗口所包含遥感影像的数量为一景，则以步骤B中该景遥感影像所对应的第一预测模型作为目标预测模型；若土壤属性遥感反演最优时间窗口所包含遥感影像的数量大于一景，则进入步骤E2；
步骤E2. 基于土壤属性遥感反演最优时间窗口中的各景遥感影像，获得分别包含至少两景遥感影像的各个组合，然后进入步骤E3；
步骤E3. 分别针对各个组合，基于组合中各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第二预测模型；进而获得各组合分别对应的第二预测模型，然后进入步骤E4；
步骤E4. 基于各第二预测模型分别对应预设目标评价指标的评价结果，确定其中最优第二预测模型作为目标预测模型。
作为本发明的一种优选技术方案：所述步骤E4中，基于各第二预测模型分别对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属的第二预测模型，作为目标预测模型。
作为本发明的一种优选技术方案：所述预设机器学习算法为SVM算法。
本发明所述一种基于最优时间窗口选择的土壤遥感反演方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于最优时间窗口选择的土壤遥感反演方法，首先通过选择最优年份，降低不同年份间气候等因素对土壤属性遥感反演精度的可能影响；其次通过结合区域植被指数反映的作物生长状况与不同月份土壤属性反演的精度结果，共同确定最优月份，降低作物和作物秸秆覆盖的影响；最后通过整合最优年份与最优月份，确定区域土壤属性反演的最优时间窗口，以最优时间窗口内的目标预测模型，用于实现对目标研究区域中目标土壤属性的获得；设计利用最优时间窗口内遥感影像，能够有效克服气候、作物覆盖等因素的影响，有效提高土壤属性遥感反演的精度，促进土壤属性遥感反演技术的实际应用。
附图说明
图1是本发明设计基于最优时间窗口选择的土壤遥感反演方法的流程图；
图2是本发明设计实施例中目标研究区域内预设各采样位置的空间分布图；
图3是本发明设计实施例中获得的土壤有机质预测结果散点图；
图4是本发明设计实施例中获得的土壤有机质空间预测图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
不同区域土壤表面覆盖物以及土壤自身状态等因素具有一定的时间变异规律，这种规律一方面体现在年内的变化上，即存在月份间的差异，同时在年际间也存在着一定的变异，选取有效的年份与月份时间窗口可以降低干扰因素对土壤光谱的影响，达到提高反演精度的目的。因此，通过寻找最优时间窗口内影像实现土壤属性遥感反演的方法，能够快速精确获取土壤属性信息。
即本发明设计了一种基于最优时间窗口选择的土壤遥感反演方法，实际应用当中，如图1所示，按如下步骤A至步骤E，获得目标研究区域目标土壤属性的目标预测模型，应用目标预测模型实现对目标研究区域中目标土壤属性的获得。
步骤A. 获得分别对应至少两个年份中各月份的覆盖目标研究区域的遥感影像，且其中各月份应至少有一景遥感影像，以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，然后分别针对各景遥感影像，执行以下操作，进行大气校正处理更新，再进入步骤B。
操作：针对遥感影像各像元，先按L=DN*α+β，进行辐射定标处理，获得辐亮度数据L，再根据辐亮度数据L，利用FLAASH模型针对遥感影像进行大气校正处理；进而实现对该遥感影像的大气校正处理更新；其中，DN表示遥感影像像元值，α与β分别为遥感影像中附带的转换系数。
步骤A在实际实施中，诸如选择重返间隔不少于16天的遥感影像源，诸如MODIS、Landsat、Sentinel-2等影像源，用于获得遥感影像，以保证每月均能获得遥感影像。
步骤B. 分别针对各景遥感影像，基于遥感影像、以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，应用诸如SVM算法的机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第一预测模型；进而获得各景遥感影像分别对应的第一预测模型，然后进入步骤C。
步骤C. 基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的年份，作为土壤属性遥感反演最优年份，然后进入步骤D。
步骤D. 基于各第一预测模型对应预设目标评价指标的评价结果，按如下步骤D1至步骤D4，耦合归一化植被指数NDVI，针对对应不同月份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优月份，然后进入步骤E。
步骤D1. 基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的月份，作为待匹配月份，然后进入步骤D2；
步骤D2. 分别针对各景遥感影像，按如下公式：
NDVI=(NIR-Red)/(NIR+Red)
获得遥感影像中目标研究区域内各像元的NDVI值，并获得平均值，作为该遥感影像中目标研究区域对应的NDVI值，进而获得各景遥感影像分别对应的NDVI值，然后进入步骤D3；其中，NIR表示遥感影像中近红外波段的反射率，Red表示遥感影像中红波段的反射率；
步骤D3. 分别针对各不同月份，计算获得月份中所有景遥感影像对应NDVI值的平均值，作为该月份对应的NDVI值，进而获得各不同月份分别对应的NDVI值，然后进入步骤D4；
步骤D4. 若最小NDVI值对应的月份与待匹配月份为相同月份，则该月份作为土壤属性遥感反演最优月份；若最小NDVI值对应的月份与待匹配月份为不相同月份，则基于首尾月份相接的闭环顺序，选择最小NDVI值所对应月份、以及其相邻下一月共同作为土壤属性遥感反演最优月份。
步骤E. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，基于土壤属性遥感反演最优时间窗口中目标研究区域内的各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用诸如SVM算法的预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的目标预测模型。
实际应用当中，上述步骤E具体设计执行如下步骤E1至步骤E4，获得目标预测模型。
步骤E1. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，若土壤属性遥感反演最优时间窗口所包含遥感影像的数量为一景，则以步骤B中该景遥感影像所对应的第一预测模型作为目标预测模型；若土壤属性遥感反演最优时间窗口所包含遥感影像的数量大于一景，则进入步骤E2；
步骤E2. 基于土壤属性遥感反演最优时间窗口中的各景遥感影像，获得分别包含至少两景遥感影像的各个组合，然后进入步骤E3；
步骤E3. 分别针对各个组合，基于组合中各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用诸如SVM算法的预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第二预测模型；进而获得各组合分别对应的第二预测模型，然后进入步骤E4；
步骤E4. 基于各第二预测模型分别对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属的第二预测模型，作为目标预测模型。
将上述所设计基于最优时间窗口选择的土壤遥感反演方法，应用于实际当中，以河南省封丘县为目标研究区域，以农田土壤有机质为反演对象、以长时序MODIS遥感影像为影像源，实现区域农田土壤有机质遥感反演为例进一步详细描述，但不作为对本发明的限定，具体按图1所示，执行步骤A至步骤E。
步骤A. 选择8天合成的具有500m空间分辨率的MODIS影像（MOD09A1）作为遥感影像源，以保证每月均能获得遥感影像，该影像具有7个波段（波段 1: 620-670 nm, 波段 2:841-876 nm, 波段 3: 459-479 nm, 波段 4: 545-565 nm, 波段 5: 1230-1250 nm, 波段 6: 1628-1652 nm, 波段 7: 2105-2155 nm），基于该遥感影像源，获取覆盖封丘县内从2008年1月至2021年12月共计644景遥感影像，以保证不同年份与月份均能获得一定数量的遥感影像，并按图2所示目标研究区域内预设各采样位置，获得目标研究区域内预设各采样位置对应土壤有机质的数据值，然后对各景遥感影像进行大气校正处理，再进入步骤B。
步骤B. 关于644景MODIS遥感影像，分别针对各遥感影像，基于遥感影像、以及目标研究区域内预设各采样位置对应土壤有机质的数据值，应用SVM算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第一预测模型；进而获得644景MODIS遥感影像分别对应的第一预测模型，然后进入步骤C。
步骤C. 基于各第一预测模型对应预设目标评价指标的评价结果，针对对应不同年份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优年份，然后进入步骤D。
上述步骤C在实施例中具体如下：
步骤C1. 将计算得到的644景遥感影像的土壤有机质预测结果，即R2与RMSE的值按照2008至2021年不同年份汇总，然后进入步骤C2；
步骤C2. 不同年份统计结果中R2最大值为0.31，RMSE最小值为0.25%，所在年份为2010年，因此以2010年作为土壤属性遥感预测最优年份，然后进入步骤D。
步骤D. 基于各第一预测模型对应预设目标评价指标的评价结果，按如下步骤D1至步骤D4，耦合归一化植被指数NDVI，针对对应不同月份的第一预测模型进行统计汇总，确定土壤有机质遥感反演最优月份，然后进入步骤E。
上述步骤D在实施例中具体如下：
步骤D1. 将计算得到的644景遥感影像的土壤有机质预测结果，按照不同月份汇总统计R2与RMSE结果，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的月份，作为待匹配月份，然后进入步骤D2；
步骤D2. 针对所有644景遥感影像，按照如下公式：
NDVI=(NIR-Red)/(NIR+Red)
计算获得遥感影像中封丘县内各像元的NDVI值，并获得平均值，作为该遥感影像中目标研究区域对应的NDVI值，进而获得各景遥感影像分别对应的NDVI值，然后进入步骤D3；
步骤D3. 分别针对各不同月份，计算获得月份中所有景遥感影像对应NDVI值的平均值，作为该月份对应的NDVI值，进而获得各不同月份分别对应的NDVI值，然后进入步骤D4；
步骤D4. 若最小NDVI值对应的月份与待匹配月份为相同月份，则该月份作为土壤属性遥感反演最优月份；若最小NDVI值对应的月份与待匹配月份为不相同月份，则基于首尾月份相接的闭环顺序，选择最小NDVI值所对应月份、以及其相邻下一月共同作为土壤属性遥感反演最优月份，然后进入步骤E。
步骤E. 综合确定的最优年份与最优月份确定遥感反演最优时间窗口，构建最优时间窗口内影像的目标预测模型，生成目标研究区域内土壤属性参数图。
上述步骤E在实施例中，按步骤E1，综合判定的最优年份2010年与最优月份10月和11月，确定土壤属性遥感反演最优时间窗口为2010年10月和11月，由于该窗口内景遥感影像数量大于一景；本实例选择整合两景遥感影像建立目标预测模型，即按步骤E2，获得分别包含至少两景遥感影像的各个组合；再按步骤E3获得各组合分别对应的第二预测模型，最后按步骤E4，采用留一交叉验证（Leave-one-out cross validation）的方法，使用R2与RMSE两个指标共同评价模型精度，其中R2值越大、RMSE值越小表示模型精度较高，模型最优结果为R2 = 0.45,RMSE = 0.23%,模型预测结果的散点图如图3所示，最终统计其中最大R2值与最小RMSE值共同所属的第二预测模型，作为目标预测模型。
实际应用中，在获得目标预测模型后，应用目标预测模型实现对目标研究区域中土壤有机质的获得，进行目标研究区域土壤有机质预测制图，结果如图4所示。
上述所设计基于最优时间窗口选择的土壤遥感反演方法在应用中，首先通过选择最优年份，降低不同年份间气候等因素对土壤属性遥感反演精度的可能影响；其次通过结合区域植被指数反映的作物生长状况与不同月份土壤属性反演的精度结果，共同确定最优月份，降低作物和作物秸秆覆盖的影响；最后通过整合最优年份与最优月份，确定区域土壤属性反演的最优时间窗口，以最优时间窗口内的目标预测模型，用于实现对目标研究区域中目标土壤属性的获得；设计利用最优时间窗口内遥感影像，能够有效克服气候、作物覆盖等因素的影响，有效提高土壤属性遥感反演的精度，促进土壤属性遥感反演技术的实际应用。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：按如下步骤A至步骤E，获得目标研究区域目标土壤属性的目标预测模型，应用目标预测模型实现对目标研究区域中目标土壤属性的获得；
步骤A. 获得分别对应至少两个年份中各月份的覆盖目标研究区域的遥感影像，且其中各月份应至少有一景遥感影像，以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，然后对各景遥感影像进行大气校正处理，再进入步骤B；
步骤B. 分别针对各景遥感影像，基于遥感影像、以及目标研究区域内预设各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第一预测模型；进而获得各景遥感影像分别对应的第一预测模型，然后进入步骤C；
步骤C. 基于各第一预测模型对应预设目标评价指标的评价结果，针对对应不同年份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优年份，然后进入步骤D；
步骤D. 基于各第一预测模型对应预设目标评价指标的评价结果，按如下步骤D1至步骤D4，耦合归一化植被指数NDVI，针对对应不同月份的第一预测模型进行统计汇总，确定土壤属性遥感反演最优月份，然后进入步骤E；
步骤D1. 基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的月份，作为待匹配月份，然后进入步骤D2；
步骤D2. 分别针对各景遥感影像，按如下公式：
NDVI=(NIR-Red)/(NIR+Red)
获得遥感影像中目标研究区域内各像元的NDVI值，并获得平均值，作为该遥感影像中目标研究区域对应的NDVI值，进而获得各景遥感影像分别对应的NDVI值，然后进入步骤D3；其中，NIR表示遥感影像中近红外波段的反射率，Red表示遥感影像中红波段的反射率；
步骤D3. 分别针对各不同月份，计算获得月份中所有景遥感影像对应NDVI值的平均值，作为该月份对应的NDVI值，进而获得各不同月份分别对应的NDVI值，然后进入步骤D4；
步骤D4. 若最小NDVI值对应的月份与待匹配月份为相同月份，则该月份作为土壤属性遥感反演最优月份；若最小NDVI值对应的月份与待匹配月份为不相同月份，则基于首尾月份相接的闭环顺序，选择最小NDVI值所对应月份、以及其相邻下一月共同作为土壤属性遥感反演最优月份；
步骤E. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，基于土壤属性遥感反演最优时间窗口中目标研究区域内的各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的目标预测模型。
2.根据权利要求1所述一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：所述步骤A中分别针对各景遥感影像，执行以下操作，进行大气校正处理更新；
操作：针对遥感影像各像元，先按L=DN*α+β，进行辐射定标处理，获得辐亮度数据L，再根据辐亮度数据L，利用FLAASH模型针对遥感影像进行大气校正处理；进而实现对该遥感影像的大气校正处理更新；其中，DN表示遥感影像像元值，α与β分别为遥感影像中附带的转换系数。
3.根据权利要求1所述一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：所述步骤C中，基于各第一预测模型对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属第一预测模型对应的年份，作为土壤属性遥感反演最优年份。
4.根据权利要求1所述一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：所述步骤E包括如下步骤E1至步骤E4；
步骤E1. 以土壤属性遥感反演最优年份、最优月份，作为土壤属性遥感反演最优时间窗口，若土壤属性遥感反演最优时间窗口所包含遥感影像的数量为一景，则以步骤B中该景遥感影像所对应的第一预测模型作为目标预测模型；若土壤属性遥感反演最优时间窗口所包含遥感影像的数量大于一景，则进入步骤E2；
步骤E2. 基于土壤属性遥感反演最优时间窗口中的各景遥感影像，获得分别包含至少两景遥感影像的各个组合，然后进入步骤E3；
步骤E3. 分别针对各个组合，基于组合中各景遥感影像、以及目标研究区域内各采样位置对应目标土壤属性的数据值，应用预设机器学习算法，训练获得以目标研究区域内各采样位置遥感影像值为输入、各采样位置对应目标土壤属性的数据值为输出的第二预测模型；进而获得各组合分别对应的第二预测模型，然后进入步骤E4；
步骤E4. 基于各第二预测模型分别对应预设目标评价指标的评价结果，确定其中最优第二预测模型作为目标预测模型。
5.根据权利要求4所述一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：所述步骤E4中，基于各第二预测模型分别对应决定系数评价指标的R2值、以及均方根误差评价指标的RMSE值，统计其中最大R2值与最小RMSE值共同所属的第二预测模型，作为目标预测模型。
6.根据权利要求1至5中任意一项所述一种基于最优时间窗口选择的土壤遥感反演方法，其特征在于：所述预设机器学习算法为SVM算法。
CN202211189137.7A 2022-09-28 2022-09-28 一种基于最优时间窗口选择的土壤遥感反演方法 Active CN115495988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211189137.7A CN115495988B (zh) 2022-09-28 2022-09-28 一种基于最优时间窗口选择的土壤遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211189137.7A CN115495988B (zh) 2022-09-28 2022-09-28 一种基于最优时间窗口选择的土壤遥感反演方法

Publications (2)

Publication Number Publication Date
CN115495988A CN115495988A (zh) 2022-12-20
CN115495988B true CN115495988B (zh) 2023-06-13

Family

ID=84472812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211189137.7A Active CN115495988B (zh) 2022-09-28 2022-09-28 一种基于最优时间窗口选择的土壤遥感反演方法

Country Status (1)

Country Link
CN (1) CN115495988B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106767687B (zh) * 2017-02-22 2019-05-28 河海大学 一种利用遥感含水量测量滩涂高程的方法
CN110222656B (zh) * 2019-06-11 2020-05-05 成都理工大学 基于遥感技术的地上植被生态水定量反演方法
CN111678866B (zh) * 2020-05-28 2021-08-17 电子科技大学 一种多模型集成学习的土壤含水量反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The simultaneous prediction of soil properties and vegetation coverage from Vis-NIR Hyperspectral data with a one-dimensional convolutional neural network:a labortatory simulation study;Changkun Wang et al.;REMOTE SENSING;第14卷(第2期);全文 *
基于遥感的广东省陆河县水土流失敏感性分析;李新尧等;亚热带水土保持;第33卷(第3期);16-20 *

Also Published As

Publication number Publication date
CN115495988A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
US11751500B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects soil conditions
US10838936B2 (en) Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform
CN109359623B (zh) 基于深度联合分布适配网络的高光谱图像迁移分类方法
US10748081B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops
AU2021282487A1 (en) Forecasting national crop yield during the growing season
CN108985959B (zh) 一种基于地表温度反演技术的小麦白粉病遥感监测方法
US10395355B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform
US10410334B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model
WO2021007352A1 (en) Crop yield forecasting models
US10943173B2 (en) Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CA2981473A1 (en) Forecasting national crop yield during the growing season
CN114663489A (zh) 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及***
CN102222238A (zh) 一种高空间分辨率遥感影像自然色产品自动模拟方法
CN116310840A (zh) 一种融合多关键物候期光谱特征的冬小麦遥感识别方法
CN103186893A (zh) 一种普适的高分辨率遥感图像融合方法
Yuan et al. Research on rice leaf area index estimation based on fusion of texture and spectral information
Kim et al. Growth monitoring of field-grown onion and garlic by CIE L* a* b* color space and region-based crop segmentation of UAV RGB images
CN115495988B (zh) 一种基于最优时间窗口选择的土壤遥感反演方法
CN109086661A (zh) 一种农作物相对辐射归一化方法及装置
Zou et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage
Gautam et al. Image processing techniques and neural network models for predicting plant nitrate using aerial images
Sun et al. Potential of multi-seasonal vegetation indices to predict rice yield from UAV multispectral observations
Abdalla et al. Color Consistency of UAV Imagery using Multi-Channel CNN-based Image-to-Image Regression and Residual Learning
CN111695533B (zh) 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法

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