无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

一、引言

土壤含水量是陸地和大氣能量交換過程中的重要因子，對陸地表面蒸散、水的運移、碳循環具有很強的控制作用，是氣候、生態、水文、農業等領域衡量土壤干旱水平的重要指標。土壤水分也是研究植物水分脅迫、監測作物旱情的最基本因子。為了提高土壤水分利用率，減少無效蒸發，節約農業用水，因此需要對土壤水分進行監測。黃河三角洲是我國高效生態經濟區，對該區域進行準確、實時地遙感土壤水分監測，對于區域農業生產及社會經濟建設具有重要意義。

土壤水分模型方法通過建立水分平衡方程求解土壤水分，可提供適時的土壤水分信息，但實驗需要大量相關參數，估測誤差較大。用遙感反演手段獲取土壤含水量，具有范圍大、時間分辨率高的特點，彌補了傳統方法上的不足。高光譜遙感技術憑借其極高的光譜分辨率，快速獲取地面土壤的反射光譜信息，為土壤水分監測提供了一種新的技術手段。因此，地面實測高光譜與多光譜遙感影像相結合，為土壤水分狀況的定量反演和遙感監測提供了新的思路。

本研究以黃河三角洲為研究區，從室外高光譜以及土壤含水量實測數據入手，采用波譜組合和多元逐步線性回歸分析方法，建立基于高光譜的土壤含水量估測模型，并將其應用到LandSat8遙感影像，反演區域土壤含水量狀況，為土壤含水量的遙感定量反演提供技術參考。

2、材料與方法

2.1研究區概況

黃河三角洲北臨渤海灣，東靠萊州灣，具有獨特的地理位置和氣候特征。本研究選擇黃河三角洲典型區墾利縣，黃河為該縣主要淡水來源，也是地下水的主要補給源。但地下水埋深淺，礦化度高，難以利用。墾利縣位于黃河三角洲的扇形區邊緣，具有典型的三角洲地貌特征，整個地勢西南高，東北低，形成了崗、坡、洼相間的復雜的地貌類型及砂、壤、黏相間的多種土體構型。土壤為潮土和鹽土兩大類型，質地輕，養分貧乏，鹽化程度較高。自然植被多為耐鹽堿的草本植物和灌木，農田作物以小麥、玉米、水稻和棉花為主。

2.2實地調查與采樣

本研究于2014年4月28日至4月30日，在墾利縣進行實地調查與采樣。在全縣均勻布設61個樣本點（不含灘涂區域），見圖1。選取約900m2的平整地塊，其土壤類型、地表覆蓋狀況接近，每個地塊采集3個表層（0～20cm）土樣。土樣裝入密封袋進行編號，同時記錄采樣點的土地利用類型、植被類型、植被覆蓋度、土壤類型等情況，并記錄采樣點坐標。

圖1野外實測樣點分布圖

2.3高光譜數據采集與處理

土壤高光譜測定可采用萊森光學的iSpecField-WNIR系列地物光譜儀，光譜范圍為350～2500nm。將野外采回的土樣保持原狀，在室外自然光照條件下對純土壤進行光譜測定，測量期間選擇晴朗

無風的天氣。將盛樣皿內土壤稍稍刮平，使其表面盡量平整。將裝滿土樣的盛樣皿放在反射率近似為0的黑色橡膠墊上，每次采集目標光譜前后均進行參考板校正，在視場范圍內重復測量10次，取平均土壤光譜反射率。為消除高頻噪聲的影響，本研究采用9點加權移動平均法對高光譜反射率數據進行平滑去噪處理。

2.4土壤含水量測定

土壤含水量采用質量含水量表示，待光譜測定完畢之后以烘干法進行測定。過程如下：取鋁盒在105℃烘箱中放置2h后，稱重W，按需取約10g表層土樣放入鋁盒中，加蓋后稱重（鋁盒加土壤重量），記為W1，去蓋放入烘箱中，在105℃條件下烘8h，至恒重，取出加蓋后稱重（鋁盒加干土的重量），記為W2。計算公式為：土壤質量含水量（%）＝（W1-W2）/（W2-W）×100%取三次重復，求其平均值即為該土壤質量含水量。

2.5光譜數據擬合與波段組合

本研究采用兩種方法將實測的高光譜窄波段反射率擬合為LandSat8寬波段反射率。一是選用LandSat8影像波段中心波長反射率，采用高光譜相對應的波長反射率進行擬合；二是選用LandSat8各波段范圍對應的高光譜的平均反射率進行擬合。具體見表1。

表1波段擬合方法

波段組合是地物參數遙感反演常用的方法，通過波段組合形成包含多波段信息的新的光譜參量。本研究采用4種波段組合方式，分別對兩兩波段反射率進行4種運算，生成光譜參量反演地表土壤含水量。

2.6估測模型的構建

本研究共采集108個土壤含水量數據，其中有效數據99個，隨機選取建模樣本集69個，驗證樣本集30個。分別對中心波長反射率和波段平均反射率按上述4種方式進行波段組合，將組合生成的光譜參量與土壤含水量進行相關性分析，篩選相關性較大的光譜參量作為敏感光譜參量。

分別將4種波段組合篩選的光譜參量進行多元逐步線性回歸分析，建立單一形式波段組合估測模型；然后選取4種組合的所有敏感光譜參量，建立多形式波段組合估測模型。

以驗證樣本集，對估測模型進行檢驗，并繪制估測值與實測值之間擬合圖。采用擬合系數R2、均方根誤差RMSE、相對誤差RE對擬合效果進行綜合評定，以檢驗模型的準確性與適用性。

三、結果

3.1不同含水量土壤的光譜特征

圖2為不同含水量土壤的光譜特征曲線，其中波段1350nm～1450nm和1800nm～1950nm因受大氣水汽吸收強烈而剔除。可以看出，

（1）隨著含水量的增加，土壤反射率總體呈下降趨勢，這一結論與以往文獻中提到的一般變化規律相同。

（2）不同土壤含水量光譜曲線總體變化比較平緩，形態上相似，基本平行。

（3）不同含水量的土壤光譜反射率表現為強度上的差異，在波長較短的部分，反射率隨土壤水分增加變化迅速，而在波長較長的部分，反射率變化相對平緩。

（4）結合LandSat8OIL的7個波段分析：433～453nm曲線斜率較陡，且隨含水量的升高，曲線斜率在變小，且在450附近有微小的凸起；450～515nm間，曲線斜率先減小，后增大；525～600nm間斜率一直上升，在600nm附近，曲線斜率開始下降；630～680nm間曲線呈緩慢上升趨勢；845～885nm曲線斜率接近于0，到達1700nm左右反射率緩慢下降，且不同含水量反射率差異較明顯；1560～1660nm曲線緩慢上升，不同含水量的反射率差距也較大；2100～2200nm之間光譜反射率先上升后下降，在2150nm附近有明顯的反射峰，并且具有2200nm處的特征吸收帶。可見，土壤含水量與LandSat8OIL的7個波段之間均有一定的相關性。

圖2不同含水量的土壤光譜曲線

3.2基于中心波長反射率的土壤含水量高光譜估測模型

通過比值、差值、上加下減和上減下加波段組合各形成42、21、21、21個光譜參量，共計105個。通過相關性分析，選取相關性較大的光譜參量共計31個，作為敏感光譜參量參與模型的構建。

分別以4種波譜組合的敏感光譜參量為自變量，以土壤含水量為因變量，利用多元逐步線性回歸，建立基于波段單一組合形式光譜參量的土壤含水量高光譜估測模型。結果表明4種波段組合方式光譜參量建立的模型sig=0.000＜0.05，模型均達到了顯著水平。其中以差值組合方式的光譜參量建立的估測模型決定系數R2最大，為0.473（表2）。由分析結果可見，以一種波段組合的敏感光譜參量建立的回歸模型效果均不理想。因此本研究嘗試綜合應用4種波段組合的31個敏感光譜參量，以土壤含水量為因變量，建立基于波段多種組合形式光譜參量的土壤含水量估測模型。最佳模型為Y=38.933-5.310×R655/R440+242.787×（R1610-R2200）+293.990×（R560-R655），模型決定系數R2=0.635，明顯優于基于波段單一組合形式光譜參量建立的模型（表2）。

表2基于中心波長反射率的土壤含水量估測模型

3.3基于波段平均反射率的土壤含水量高光譜估測模型

分別以4種波段組合的敏感光譜參量為自變量，建立基于波段單一組合形式光譜參量的土壤含水量估測模型。結果表明，模型sig=0.000＜0.05，均達到了顯著水平。其中以差值組合方式的光譜參量建立的估測模型的決定系數R2最大（表3）。對于波段平均反射率，以一種波段組合的敏感光譜參量建立的回歸模型效果也不理想。同樣綜合選取4種波段組合的30個敏感光譜參量，建立基于波段多種組合形式光譜參量的土壤含水量估測模型，決定系數R2達0.701，遠高于基于波段單一組合形式光譜參量建立的模型（表3）。

表3基于波段平均反射率的土壤含水量估測模型

3.4土壤含水量的最優高光譜估測模型

綜合以上分析，中心波長反射率和波段平均反射率的最佳估測模型均為基于4種波段組合光譜參量建立的模型，決定系數R2分別為0.635和0.701，總均方根誤差RMSE分別為2.61和2.54，相對誤差RE分別為10.37%和9.63%。圖3為兩個模型預測值與實際值的擬合圖，結果表明波段平均反射率模型的預測結果與實測含水量的擬合度R2達到0.56，高于中心波長反射率模型的0.46。綜合分析波段平均反射率的最佳高光譜估測模型預測精度更高，因此將其作為土壤含水量高光譜估測最佳模型。

圖3基于中心波長反射率（a）和波段平均反射率（b）最優模型土壤含水量預測值與實際值的擬合圖

3.5土壤含水量的遙感反演

將所有采樣點各波段的波段平均反射率進行平均，作為室外實測各波段平均反射率；在LandSat8經過線性混合像元分解的土壤遙感影像上，根據野外采樣記錄的GPS坐標，找到各個采樣點在遙感影像上的對應點，同樣求取所有樣點各波段反射率的均值，作為遙感影像反射率（圖4）。

圖4波段平均反射率與遙感影像反射率的對比

由圖4中可見，室外實測波段平均反射率均低于遙感影像反射率，主要是由于實測為純土壤樣品，而遙感影像則反映地表信息，雖剔除植被影響但反射率可能仍包含少量植被信息，使其平均值較高；此外考慮到時相的差別，由于采樣時間和LandSat8影像時間相差1～4d，由于水分蒸發，遙感地表反射率也會較高。但兩者變化趨勢一致，相關性達到0.989。因此，將室外實測土壤含水量高光譜估測模型應用于遙感影像反演，具有切實可行性。在以上分析基礎上，根據兩者關系，對遙感影像反射率做適當訂正，以便提高反演結果。考慮比值處理可以消除部分時相誤差，相對精度較高，因此，本文采用比值均值訂正方法。首先計算遙感影像與實測相應點位各個波段反射率的比值，然后取所有點位各波段比值的均值，作為訂正系數。遙感影像各個波段反射率除以各波段的比值均值，得到訂正后的遙感影像。借助ENVI基于專家知識的決策樹分類方法，結合ArcGIS進行分類后處理，得到反演后的墾利縣土壤含水量分布圖（圖5a），同時，利用實測點位土壤含水量插值得到實測樣點含水量分布圖（圖5b）。由于采樣時未涉及到黃河三角洲自然保護區，為了確保插值和反演結果的可比性，因此將遙感反演土壤含水量分布圖與實測樣點含水量預測分布圖中的黃河三角洲自然保護區部分去除，然后分別統計兩圖各等級土壤含水量的面積比例（表4），對反演結果進行分析驗證。

圖5遙感反演土壤含水量分布圖（a）與實測樣點含水量預測分布圖（b）

從圖5看出，研究區中部含水量較低，而黃河、水庫、養魚養蝦池附近土壤含水量較高，呈現出以其為中心，向四周擴散含水量遞減的趨勢；含水量大多集中在15%～25%，含水量在30%以上分布較少，從表4可知兩者各含水量區間百分比變化趨勢一致，15%～20%區間面積百分比差距大，分析原因可能是由于含水量在此區間的采樣點較多導致插值時分布在此區間的面積比例較大；其余區間百分比數值大體一致。對比圖5與表4，土壤含水量遙感反演結果與插值結果在空間分布與數值統計上均具有一致性和統一性，因此，土壤含水量的遙感反演結果符合研究區實際，有較好的可信度和真實性。

表4土壤含水量遙感反演分布圖與實測樣點含水量插值圖面積比例比較

四、結論

本研究采用中心波長反射率和波段平均反射率兩種擬合方法，利用室外實測高光譜窄波段反射率數據模擬LandSat8衛星寬波段反射率，進而通過波段組合，選取敏感光譜參量，應用多元逐步線性回歸方法分別建立土壤含水量高光譜單一形式波段組合與多形式波段組合估測模型，最佳估測模型為基于波段平均反射率和多形式波段組合方式敏感光譜參量的回歸模型。室外實測反射率和遙感影像反射率的相關性極顯著，證明基于室外實測高光譜數據建立的土壤含水量估測模型可以應用于遙感影像的反演，經訂正可取得較好的效果。由于驗證的地面數據和遙感影像存在1～4d的時相差，因此定量反演的直接驗證尚有一定誤差，但作為趨勢分析是可行的。此外由于研究區域較小，且土壤質地均為壤質，本次研究采用土壤質量含水量反演土壤水分空間變化，今后研究應盡量采用土壤體積含水量，因為在較大區域應用中，土壤體積含水量對土壤水分的定量反演和空間分布趨勢的比較更加重要。本研究初步嘗試了利用線性混合象元分解方法剔除遙感影像中的植被信息，反演效果有所提高，今后的研究應著重于對多因素復合作用下的土壤反射光譜特征進行深入的探索。

推薦：

地物光譜儀iSpecField-HH/NIR/WNIR

地物光譜儀是萊森光學專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，獨有的光路設計，噪聲校準技術、可以實時自動校準暗電流，采用了固定全息光柵一次性分光，測試速度快，最短積分時間最短可達20μs，操作靈活、便攜方便、光譜測試速度快、光譜數據準確，廣泛應用于遙感測量、農作物監測、森林研究、海洋學研究和礦物勘察等各領域。