一种盐碱化土地自动监测和识别方法技术

本发明专利技术提出一种盐碱化土地自动监测和识别方法，属于环境监测及环境生态保护环境监测及环境生态保护领域。该方法获取研究区域多个采样点的土壤含盐量组成样本数据集；根据各采样点的经纬度提取距离采样月份最近的遥感影像中该经纬度对应栅格的若干波段值，通过构建不同的波段组合形式得到波段组合集合；然后构建机器学习土壤含盐量反演模型，利用样本数据集对模型进行训练，从波段组合集合中选出适合反演研究区域土壤含盐量的波段组合形式构成敏感因子集及最优反演模型；利用该最优反演模型，得到该研究区域内在选定月份的土壤含盐量反演结果。本发明专利技术可实际应用于干旱半干旱地区地表土层盐碱化程度的监测和不同程度盐碱化土壤的识别，为当地灌溉规划和农业管理等提供有效的参考依据。

【技术实现步骤摘要】
一种盐碱化土地自动监测和识别方法
本专利技术属于环境监测及环境生态保护领域，具体涉及一种盐碱化土地自动监测和识别方法。
技术介绍
目前，土壤盐碱化已成为影响农业生产和人类生活的几大自然现象之一，尤其在干旱半干旱地区，由于气候干旱，没有足够的降水淋洗土壤中的盐分，在蒸发和植被根系吸力等影响下，土壤盐碱化现象较为严重；此外，频繁的农业灌溉活动会引发次生盐碱化问题，加剧了对农业生产的威胁。利用遥感影像进行流域范围的盐碱地监测和识别，可以指导地区水资源规划与管理，尤其是可有效指导当地灌溉和农业用水和土壤改良，对生态环境改善和地区可持续发展具有重要意义。传统的盐碱化监测方法多采用实地测量方式，实地点尺度测量电导率、土壤含盐量等变量，但成本高、周期长、易受地形和地势限制，精度不高且无法实现流域范围的监测。遥感技术的发展为该问题提供了一种低成本、简单易行的方法。多光谱影像、高光谱影像、雷达数据等已逐渐应用于土壤盐碱化的识别和监测领域。但目前已有成果一种土壤盐渍化程度的高光谱遥感判断方法(CN109738380A)研究采用偏最小二乘回归模型，对于高维度本文档来自技高网...

【技术保护点】
1.一种盐碱化土地自动监测和识别方法，其特征在于，该方法首先获取研究区域若干个采样点的土壤含盐量数据组成样本数据集；根据每个采样点的经纬度提取该研究区域距离采样月份最近的遥感影像中该经纬度对应栅格的若干个波段值，并通过构建不同的波段组合形式得到波段组合集合；然后构建机器学习土壤含盐量反演模型，利用样本数据集对模型进行训练，从波段组合集合中选出适合反演研究区域土壤含盐量的波段组合形式构成敏感因子集，并得到最优反演模型；获取研究区域在待反演月份对应的遥感影像，逐幅计算该影像中各栅格的敏感因子集；将所有栅格的敏感因子集输入最优反演模型，最终得到该研究区域内的土壤含盐量的反演结果。/n

【技术特征摘要】
1.一种盐碱化土地自动监测和识别方法，其特征在于，该方法首先获取研究区域若干个采样点的土壤含盐量数据组成样本数据集；根据每个采样点的经纬度提取该研究区域距离采样月份最近的遥感影像中该经纬度对应栅格的若干个波段值，并通过构建不同的波段组合形式得到波段组合集合；然后构建机器学习土壤含盐量反演模型，利用样本数据集对模型进行训练，从波段组合集合中选出适合反演研究区域土壤含盐量的波段组合形式构成敏感因子集，并得到最优反演模型；获取研究区域在待反演月份对应的遥感影像，逐幅计算该影像中各栅格的敏感因子集；将所有栅格的敏感因子集输入最优反演模型，最终得到该研究区域内的土壤含盐量的反演结果。


2.如权利要求1所述的方法，其特征在于，该方法包括以下步骤：
1)确定研究区域，获取该研究区域n个样本的实测土壤含盐量数据组成样本数据集SC，SC＝[sc1,sc2,…,scn]，其中scj为第j个样本的实测土壤含盐量，j＝1,2,…,n；
获取该研究区域距离采样月份最近的遥感影像；
2)根据每个样本采样点的经纬度提取步骤1)获取的遥感影像中该经纬度对应的栅格的若干个波段值；
3)对每一个栅格，分别从提取的波段值中进行任意组合运算，得到各栅格的M种波段组合形式构成的波段组合集合BC，BC＝(bc1,bc2,…,bcM)，其中bcm为任一样本采样点对应栅格的第m种波段组合；每个栅格M种波段组合形式均相同；将波段组合集合BC作为当前波段组合集合；
4)从步骤3)得到的波段组合集合BC中选出适合反演研究区域土壤含盐量的波段组合形式构成敏感因子集，该因子集包含z个因子即z种波段组合形式；具体步骤如下：
4-1)记因子序号i＝0；波段组合遍历序号m＝1；采用k-折交叉验证方法，将集合SC中的所有样本随机平均分成k份样本集，记为：SC1,SC2,…,SCk；其中，k大于等于3，且n能被k整除；
设定机器学习土壤含盐量反演模型参数的优化范围和步长；
4-2)初始化一个机器学习土壤含盐量反演模型并作为当前模型；
4-3)令验证集序号q＝1，则当前模型的验证集SCq为SC1，将剩余(k-1)份样本集共同构成当前模型的训练集；
4-4)将训练集的每个样本对应的i个因子各自的波段组合数据向量和第m种波段组合数据向量bcmt共同作为当前模型的输入，bcmt表示训练集中所有样本对应的当前波段组合集合中第m种波段组合值组成的向量，下标t表示训练集；
当前模型输出为训练集各样本对应的土壤含盐量的反演值向量SCt’；
4-5)将训练集中各样本的实测土壤含盐量组成的向量记为SCt，利用SCt与SCt’进行对比，计算本次训练相关系数R1和训练相对偏差rBias1评价当前模型：






式中，scj表示训练集中第j个样本的实测土壤含盐量数据，scave表示训练集中所有样本实测土壤含盐量的平均值；scj’表示训练集中第j个样本对应的土壤含盐量的反演值；scave’表示训练集中所有样本对应的土壤含盐量的反演值的平均值；n1表示训练集样本总数，n1＝((k-1)/k)n；
4-6)将验证集的每个样本对应的i个因子各自的波段组合数据向量和第m种波段组合数据向量BC(m)v作为当前模型的输入，BC(m)v表示验证集中所有样本对应的当前波段组合集合中第m...

【专利技术属性】
技术研发人员：张腾，王忠静，张子雄，石羽佳，索滢，杨志刚，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11