本发明专利技术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。应用。应用。
【技术实现步骤摘要】
一种基于最优时间窗口选择的土壤遥感反演方法
[0001]本专利技术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
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]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。
技术实现思路
[0006]本专利技术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。
[0007]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术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。
[0008]作为本专利技术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。
[0009]作为本专利技术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。
[0010]作为本专利技术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。
[0011]作为本专利技术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。
[0012]作为本专利技术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。
[0013]作为本本文档来自技高网...
【技术保护点】
【技术特征摘要】
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，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。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...
【专利技术属性】
技术研发人员：王昌昆，王欣怡，潘贤章，
申请(专利权)人：中国科学院南京土壤研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。