留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机器学习的干旱区土壤盐渍化定量估算

丁玮祺 吾木提·艾山江 阿不都艾尼·阿不里 尼加提·卡斯木

丁玮祺, 吾木提·艾山江, 阿不都艾尼·阿不里, 尼加提·卡斯木. 基于机器学习的干旱区土壤盐渍化定量估算[J]. 土壤通报, 2022, 53(5): 1038 − 1048 doi: 10.19336/j.cnki.trtb.2021102103
引用本文: 丁玮祺, 吾木提·艾山江, 阿不都艾尼·阿不里, 尼加提·卡斯木. 基于机器学习的干旱区土壤盐渍化定量估算[J]. 土壤通报, 2022, 53(5): 1038 − 1048 doi: 10.19336/j.cnki.trtb.2021102103
DING Wei-qi, UMUT Hasan, ABDUGHENI Abliz, NIJAT Kasim. Quantitative Estimation Soil Salinization in Arid Areas Based on Machine Learning[J]. Chinese Journal of Soil Science, 2022, 53(5): 1038 − 1048 doi: 10.19336/j.cnki.trtb.2021102103
Citation: DING Wei-qi, UMUT Hasan, ABDUGHENI Abliz, NIJAT Kasim. Quantitative Estimation Soil Salinization in Arid Areas Based on Machine Learning[J]. Chinese Journal of Soil Science, 2022, 53(5): 1038 − 1048 doi: 10.19336/j.cnki.trtb.2021102103

基于机器学习的干旱区土壤盐渍化定量估算

doi: 10.19336/j.cnki.trtb.2021102103
基金项目: 大学生创新训练项目(X20201076405)资助
详细信息
    作者简介:

    丁玮祺(2000−),女,本科生,主要从事高光谱数据处理与建模。E-mail: 1762794588@qq.com

    通讯作者:

    E-mail: NejatKasim@126.com

  • 中图分类号: S156.4

Quantitative Estimation Soil Salinization in Arid Areas Based on Machine Learning

  • 摘要:   目的  探讨对土壤盐渍化进行快速、准确监测技术与方法。  方法  利用353个地面表观电导率数据,以及从Worldview-2影像获取对应采样点的波段反射率值,结合两波段组合植被指数和三波段组合植被指数,筛选最佳二维、三维波段组合方式,引入人工神经网络、K近邻和支持向量回归来构建区域土壤盐渍化定量反演模型。  结果  ① WV-2影像的红边和近红外波段与ECa呈现显著相关(P < 0.01)。② 二维植被指数(RVI(B5-B2)、NDVI(B6-B2)、DVI(B2-B6))和三维植被指数(3DVI(B2-B6-B6)、3DVI(B3-B5-B6)、3DVI(B5-B2-B1)、3DVI(B2-B1-B6)、3DVI(B2-B1-B6)、3DVI(B6-B1-B2)、3DVI(B5-B3-B7))的波段组合计算提高了其对土壤盐渍化的敏感性。③ 基于不同维度数据的机器学习估算模型中,3DVI和KNN算法结合对土壤盐渍化估算效果最为突出,且模型精度为R2 = 0.773,RMSE = 1.659 dS m−1,RPD = 2.216。  结论  所构建的多维植被指数可应用于类似环境条件下盐渍土地监测和评价研究。
  • 图  1  研究区域的位置和采样点的分布

    Figure  1.  The location of the study area and the distribution of sampling points

    图  2  采样点表观电导率(ECa)的统计特性

    Figure  2.  The statistical characteristics of the apparent conductivity (ECa) of the sampling point

    图  3  ECa与WV-2 影像波段反射率的相关分析

    Figure  3.  Correlation between ECa and Bands selected from WV-2 image.

    图  4  ECa与2DVI之间的相关性矩阵热图

    Figure  4.  Correlation matrix heatmap between EC and 2DVI

    5  ECa与3DVI之间的相关性矩阵热图

    5.  Correlation matrix heatmap between ECa and 3DVI

    图  6  实测值与预测值的散点图

    Figure  6.  Scatter plots of measured and predicted values

    表  1  高分辨率WV-2影像的波段光谱信息

    Table  1.   Spectral band details of high-resolution WV-2 image

    波段
    Band
    波长 (nm)
    Wavelength
    传感器分率
    Resolution
    海岸波段 400 ~ 450 多光谱: 1.85 m GSD (星下点), 2.07 m GSD (偏离星下点20°)
    蓝色波段 450 ~ 510
    绿色波段 510 ~ 580
    黄色波段 585 ~ 625
    红色波段 630 ~ 690
    红色边缘波段 705 ~ 745 全色: 0.46 m GSD (星下点), 0.52 m GSD (偏离星下点20°)
    近红外-1波段 770 ~ 895
    近红外-2波段 860 ~ 1040
    下载: 导出CSV

    表  2  波段组合植被指数

    Table  2.   The band combination vegetation index

    波段组合类型
    Band combination
    植被指数
    Vegetation index
    缩写
    Abbreviation
    公式
    Equation
    文献
    Reference
    二维植被指数 (2DVI) 比值植被指数 RVI Rλ1/Rλ2 [20]
    归一化植被指数 NDVI (Rλ1 − Rλ2)/(Rλ1 + Rλ2)
    差值植被指数 DVI Rλ1 − Rλ2
    三维植被指数 (3DVI) 三波段植被指数 3DVI-1 Rλ1/(Rλ2 × Rλ3) [21-22]
    3DVI-2 Rλ1/(Rλ2 + Rλ3)
    3DVI-3 (Rλ1 − Rλ2)/(Rλ2 + Rλ3)
    3DVI-4 (Rλ1 − Rλ2)/(Rλ2 − Rλ3)
    3DVI-5 (Rλ2 + Rλ3)/Rλ1
    3DVI-6 (Rλ1 − Rλ2)/[(Rλ1 − Rλ2) − (Rλ2 − Rλ3)]
    3DVI-7 (Rλ1 − Rλ2) − (Rλ2 − Rλ3)
    下载: 导出CSV

    表  3  模型验证指标

    Table  3.   Model evaluation index

    验证指标
    Evaluation index
    表达式
    Equation
    决定系数 $ R^2 = {\left[\dfrac{\displaystyle \sum\nolimits_{i=1}^{N}({x}_{i}-\bar{x})({y}_{i}-\bar{y})}{\sqrt{\displaystyle \sum\nolimits_{i=1}^{N}{({x}_{i}-\bar{x})}^{2} + \displaystyle \sum\nolimits_{i=1}^{N}{({y}_{i}-\bar{y})}^{2}}}\right]}^{2} $
    均方根误差 $ {\rm{RMSE}} = \sqrt{\dfrac{\displaystyle \sum\nolimits_{\mathrm{i}=1}^{\mathrm{N}}{({\mathrm{\gamma }}_{\mathrm{i}}-{\mathrm{\beta }}_{\mathrm{i}})}^{2}}{\mathrm{n}}} $
    相对分析误差 RPD = SD/SEP
    下载: 导出CSV

    表  4  土壤盐渍化遥感建模与验证

    Table  4.   Remote sensing modeling and verification of soil salinization

    数据类型
    Type of data
    模型
    Model
    变量
    Parameter
    建模数据集
    Calibration set
    验证数据集
    Validation set
    RPD
    R2simRMSEsimR2preRMSEpre
    单波段反射率
    KNN RB1RB6RB7RB8 0.438 2.662 0.374 2.910 1.315
    SVR 0.220 2.862 0.213 3.522 1.207
    ANN 0.235 2.934 0.225 3.716 1.216
    二维植被指数
    KNN RVI(B5-B2) 0.662 1.832 0.537 1.943 1.755
    SVR NDVI(B6-B2) 0.516 1.929 0.414 2.171 1.694
    ANN DVI(B2-B6) 0.426 1.918 0.412 2.326 1.552
    三维植被指数
    KNN 3DVI(B2-B6-B6) 0.793 1.562 0.773 1.659 2.216
    SVR 3DVI(B3-B5-B6)
    3DVI(B5-B2-B1)
    3DVI(B2-B1-B6)
    3DVI(B2-B1-B6)
    3DVI(B6-B1-B2)
    0.758 1.547 0.715 1.523 2.015
    ANN 3DVI(B5-B3-B7) 0.732 1.521 0.698 1.586 1.968
    下载: 导出CSV
  • [1] 阿斯古丽·木萨, 阿不都拉·阿不力孜, 瓦哈甫·哈力克, 等. 新疆克里雅绿洲土壤盐分、pH和盐基离子空间异质性分析[J]. 土壤, 2017, 49(5): 152 − 159.
    [2] Sidike A, Zhao S, Wen Y. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 26(2): 156 − 175.
    [3] 翁永玲, 宫 鹏. 土壤盐渍化遥感应用研究进展[J]. 地理科学, 2006, 26(3): 369 − 375. doi: 10.3969/j.issn.1000-0690.2006.03.019
    [4] 关元秀, 刘高焕, 刘庆生, 等. 黄河三角洲盐碱地遥感调查研究[J]. 遥感学报, 2001, 5(1): 46 − 46. doi: 10.11834/jrs.20010109
    [5] 王 爽, 丁建丽, 王 璐, 等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究[J]. 干旱区地理, 2016, 39(1): 190 − 198.
    [6] 马 驰. 基于GF-1遥感图像土壤含盐量反演研究[J]. 中国农村水利水电, 2017, (5): 5 − 8 + 13. doi: 10.3969/j.issn.1007-2284.2017.05.002
    [7] Clark R N, Roush T L. Reflectance spectroscopy’ quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research Atmospheres, 1984, 89(NB7): 6329 − 6340. doi: 10.1029/JB089iB07p06329
    [8] Lhissoui R, Harti A E, Chokmani K. Mapping soil salinity in irrigated land using optical remote sensing data[J]. Eurasian Journal of Soil Science, 2014, 3(2): 82 − 88.
    [9] Asfaw E, Suryabhagavan K V, Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2016, (9): 250 − 258.
    [10] Gorji T, Tanik A, Sertel E. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey[J]. Ecological Indicators, 2017, 74: 384 − 391. doi: 10.1016/j.ecolind.2016.11.043
    [11] 梁 静, 丁建丽, 王敬哲, 等. 基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算[J]. 土壤学报, 2019, 56(2): 320 − 330. doi: 10.11766/trxb201805070182
    [12] 尹小君, 宁 川, 韩 峰, 等. 天山北坡土壤盐渍化光谱响应特征与动态监测的研究[J]. 江苏农业科学, 2019, 47(16): 277 − 281.
    [13] 马国林、丁建丽、韩礼敬, 等. 基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图[J]. 农业工程学报, 2020, 36(19): 124 − 131. doi: 10.11975/j.issn.1002-6819.2020.19.014
    [14] 王丹阳, 陈红艳, 王桂峰, 等. 无人机多光谱反演黄河口重度盐渍土盐分的研究[J]. 中国农业科学, 2019, 52(10): 37 − 48.
    [15] 尼加提·卡斯木, 师庆东, 郭玉川, 等. 基于EM38和WorldView-2影像的土壤盐渍化建模研究[J]. 土壤, 2019, 51(3): 594 − 601.
    [16] 谭灵芝, 刘 玲, 张玉进. 新疆于田绿洲荒漠交错带土地利用及覆盖遥感研究[J]. 国土资源科技管理, 2004, 21(1): 17 − 21. doi: 10.3969/j.issn.1009-4210.2004.01.005
    [17] 姚荣江, 杨劲松, 邹 平, 等. 基于电磁感应仪的田间土壤盐渍度及其空间分布定量评估[J]. 中国农业科学, 2008, 41(2): 460 − 469. doi: 10.3864/j.issn.0578-1752.2008.02.020
    [18] 姚荣江, 杨劲松, 姜 龙. 电磁感应仪用于土壤盐分空间变异及其剖面分布特征研究[J]. 浙江大学学报(农业与生命科学版), 2007, 33(2): 207 − 216.
    [19] 刘广明, 杨劲松, 鞠茂森, 等. 电磁感应土地测量技术及其在农业领域的应用[J]. 土壤, 2003, 35(1): 27 − 29. doi: 10.3321/j.issn:0253-9829.2003.01.007
    [20] Inoue, Sakaiya, Zhu, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. REMOTE SENS ENVIRON, 2012, 126: 210 − 221. doi: 10.1016/j.rse.2012.08.026
    [21] Jackson R D. Spectral indices in N-Space[J]. Remote Sensing of Environment, 1983, 13(5): 409 − 421. doi: 10.1016/0034-4257(83)90010-X
    [22] Tian Y C, Yao X, Yang J, et al. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground- and space-based hyperspectral reflectance[J]. Field Crops Research, 2011, 120(2): 299 − 310. doi: 10.1016/j.fcr.2010.11.002
    [23] 姚付启, 张振华, 杨润亚, 等. 基于红边参数的植被叶绿素含量高光谱估算模型[J]. 农业工程学报, 2009, 25(13): 123 − 129.
    [24] 王新颖, 隽志才, 吴庆妍, 等. KNN算法的数据优化策略[J]. 吉林大学学报(信息科学版), 2010, 28(3): 94 − 98.
    [25] 郑立华, 李民赞, 安晓飞, 等. 基于近红外光谱和支持向量机的土壤参数预测[J]. 农业工程学报, 2010, 26(14): 81 − 87.
    [26] Amal Allbed, Lalit Kumar, Yousef Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014, 230-231(7): 1 − 8.
    [27] Peng J, Biswas A, Jiang Q, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma:An International Journal of Soil Science, 2019, 337: 1309 − 1319.
    [28] Bannari Abderrazak, El-Battay Ali, Bannari Rachid, et al. Sentinel-MSI VNIR and SWIR bands sensitivity analysis for soil salinity discrimination in an arid landscape[J]. Remote Sensing, 2018, 10(6): 1 − 20.
    [29] Hu J, Peng J, Zhou Y, et al. Quantitative estimation of soil salinity using UAV-Borne hyperspectral and satellite multispectral images[J]. Remote Sensing, 2019, 11(7): 736. doi: 10.3390/rs11070736
  • 加载中
图(7) / 表(4)
计量
  • 文章访问数:  224
  • HTML全文浏览量:  26
  • PDF下载量:  55
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-10-21
  • 录用日期:  2022-02-17
  • 修回日期:  2022-01-16
  • 刊出日期:  2022-09-30

目录

    /

    返回文章
    返回