一种基于遥感影像植被指数的土壤生产力等级识别方法技术

本发明专利技术属于遥感数据分析技术领域，涉及一种基于遥感影像植被指数的土壤生产力等级识别方法。本发明专利技术通过遥感的方法解决区域尺度上大范围土壤生产力等级识别与可视化难题，通过卫星遥感影像的植被指数与作物产量建立遥感估产模型，通过作物产量与作物无肥区产量建立产量关系模型，通过作物无肥区产量与土壤性质建立土壤生产力等级模型，其中，土壤生产力等级根据无肥区产量划分；融合三种模型进一步建立卫星遥感影像的植被指数与土壤生产力等级和土壤性质的关联，从而实现通过卫星遥感影像来大范围识别土壤生产力等级以及仿真相应的土壤性质。土壤性质。土壤性质。

【技术实现步骤摘要】
一种基于遥感影像植被指数的土壤生产力等级识别方法


[0001]本专利技术属于遥感数据分析
，涉及一种基于遥感影像植被指数的土壤生产力等级识别方法。

技术介绍

[0002]土壤是作物生产的基础，作物产量潜力和水肥调控作用的持续稳定发挥依赖于良好的土壤条件。土壤生产力是指一定的资源投入下土壤能够产出人类所需的植物产品的能力，是土壤接纳和储存养分水分，提供作物根系发育环境能力的具体表现。
[0003]定量化评价土壤生产力，及其在生产中的大面积识别仍然是一个科学难题和挑战。目前关于土壤生产力的评价主要是基于土壤属性，如土壤性质或通过作物农学属性，如作物产量。这些方法主要通过定点采样进行作物产量或土壤养分的测定，适合于静态(单一时相)以及小尺度(田块)评价；而区域土壤生产力及土壤性质表现出很大的异质性；因此，定点采样方法耗时耗力，对于大尺度评价及识别存在诸多困难。
[0004]卫星遥感具有高时空分辨率、成本低、易获得的特点，是区域大尺度植被动态反演的重要途径。植被指数已被广泛用来定性和定量评价植被覆盖度及其生长状态。由于植被光谱反映的是植被、土壤亮度、环境影响、阴影、土壤颜色和湿度等的混合效应，且受大气空间和时相变化的影响，因此不同的植被指数往往可以表征不同的农学特征。例如，比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度。最为常见的归一化植被指数(NDVI)为两个通道反射率之差除以它们的和。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测，常用于作物的长势监测和产量估计。目前，国内学者分别利用NOAA
‑
NDVI与MODIS
‑
NDVI遥感数据，对四川、湖南、广西、江西和黑龙江建立以省为单位的水稻估产模型和冬小麦产量估算模型，并达到一定的估产精度。美国学者提出一种普适的冬小麦产量回归预测模型，最初模型建立于美国堪萨斯州。随后，该模型在没有经过任何修改和标定的情况下直接应用于欧洲乌克兰地区。在冬小麦成熟期前6周预测单产，误差在15％左右，预测总产误差10％左右。总之，卫星遥感技术的快速发展，为区域大尺度产量精确估测提供了可能。

技术实现思路

[0005]传统土壤生产力等级识别方法主要依赖于采用土壤取样或作物产量实地实测。这种方法虽然识别结果较为准确，但人力物力耗费大、分析周期长，不适用于区域尺度上大范围的土壤生产力等级识别；这对于土壤智慧型的作物精准化管理造成根本性限制。本专利技术的目的是提供一种基于遥感影像植被指数的土壤生产力等级识别方法，通过遥感的方法解决区域尺度上大范围土壤生产力等级识别与可视化难题，通过卫星遥感影像的植被指数与
作物产量建立遥感估产模型，通过作物产量与作物无肥区产量建立产量关系模型，通过作物无肥区产量与土壤性质建立土壤生产力等级模型，其中，土壤生产力等级根据无肥区产量划分；融合三种模型进一步建立卫星遥感影像的植被指数与土壤生产力等级和土壤性质的关联，从而实现通过卫星遥感影像来大范围识别土壤生产力等级以及仿真相应的土壤性质。
[0006]为了实现上述目的，本专利技术提供了如下技术方案：
[0007]一种基于遥感影像植被指数的土壤生产力等级识别方法，包括如下步骤：
[0008]S1、构建研究区数据库；
[0009]获取研究区内目标作物的物候信息、研究区内目标作物关键生育期的多种卫星的遥感影像数据、研究区内目标作物的施肥区产量数据、无肥区产量数据和对应的土壤数据；所述土壤数据包含土壤全氮、有机质、有效磷、有效钾和pH；
[0010]S2、基于卫星遥感影像的植被指数计算；
[0011]S2.1、分别提取步骤S1获得的研究区内目标作物关键生育期的各卫星遥感影像中的光谱特征，获得光谱特征参数图层，所述光谱特征参数图层包括近红外波段反射率ρ
NIR
参数图层、红光波段反射率ρ
R
参数图层、绿光波段反射率ρ
G
参数图层和蓝光波段反射率ρ
B
参数图层；
[0012]S2.2、根据步骤S2.1的各光谱特征参数图层，计算植被指数特征，获得植被指数特征图层，所述植被指数特征图层包括归一化植被指数 NDVI图层、差值植被指数DVI图层、垂直植被指数PVI图层、土壤调节植被指数SAVI图层和植被覆盖度VFC图层；
[0013]S2.3、根据步骤S2.1的各光谱特征参数图层，任意选取两个不同特征时相的同一波段的光谱特征进行差值计算，获得光谱差值特征图层，所述光谱差值特征图层包括近红外波段反射率差值图层、红光波段反射率差值图层、绿光波段反射率差值图层和蓝光波段反射率差值图层；
[0014]S2.4、根据步骤S2.2的各植被指数特征图层，选取与步骤S2.3相同的两个特征时相的同一植被指数特征进行差值计算，获得植被指数差值特征图层，所述植被指数差值特征图层包括归一化植被指数差值图层、差值植被指数差值图层、垂直植被指数差值图层、土壤调节植被指数差值图层和植被覆盖度差值图层；
[0015]S3、提取研究区目标作物种植区域；
[0016]将步骤S2获得的所有图层合并为一个图层；并将该图层与已知的目标作物样本作为输入集，运行随机森林算法得到研究区目标作物种植区域；其中，所述目标作物样本即确定种植目标作物的样本的坐标信息；
[0017]S4、建立研究区目标作物的遥感估产模型；
[0018]通过步骤S2获得的研究区目标作物关键生育期的各卫星遥感影像中的归一化植被指数NDVI与步骤S1获得的目标作物施肥区产量数据分别构建线性模型、多项式模型、指数模型、对数模型和乘幂模型，并通过模型评价指标进行最优模型筛选，所述模型评价指标包括决定系数R2、相对误差R和均方根误差RMSE，依据决定系数R2越大且相对误差R和均方根误差RMSE越小的原则确定最优的研究区目标作物的遥感估产模型；根据最优的研究区目标作物的遥感估产模型确定预测目标作物产量最佳的卫星遥感影像数据和最佳生育期；
[0019]S5、研究区土壤生产力等级的识别；
[0020]S5.1、根据步骤S1获得的目标作物施肥区产量数据和目标作物无肥区产量数据建立产量关系模型；
[0021]S5.2、根据步骤S1获得的目标作物无肥区产量数据划分土壤基础生产力，并与土壤数据建立土壤生产力等级模型；
[0022]S5.3、通过步骤S4确定的最优的研究区目标作物的遥感估产模型、步骤S5.1建立的产量关系模型和步骤S5.2建立的土壤生产力等级模型建立研究区目标作物关键生育期卫星遥感影像中的归一化植被指数 NDVI与土壤生产力等级的关系模型，进而建立土壤性质仿真；
[0023]S5.4、根据步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感影像植被指数的土壤生产力等级识别方法，其特征在于，所述方法包括如下步骤：S1、构建研究区数据库；获取研究区内目标作物的物候信息、研究区内目标作物关键生育期的多种卫星的遥感影像数据、研究区内目标作物的施肥区产量数据、无肥区产量数据和对应的土壤数据；所述土壤数据包含土壤全氮、有机质、有效磷、有效钾和pH；S2、基于卫星遥感影像的植被指数计算；S2.1、分别提取步骤S1获得的研究区内目标作物关键生育期的各卫星遥感影像中的光谱特征，获得光谱特征参数图层，所述光谱特征参数图层包括近红外波段反射率ρ
NIR
参数图层、红光波段反射率ρ
R
参数图层、绿光波段反射率ρ
G
参数图层和蓝光波段反射率ρ
B
参数图层；S2.2、根据步骤S2.1的各光谱特征参数图层，计算植被指数特征，获得植被指数特征图层，所述植被指数特征图层包括归一化植被指数NDVI图层、差值植被指数DVI图层、垂直植被指数PVI图层、土壤调节植被指数SAVI图层和植被覆盖度VFC图层；S2.3、根据步骤S2.1的各光谱特征参数图层，任意选取两个不同特征时相的同一波段的光谱特征进行差值计算，获得光谱差值特征图层，所述光谱差值特征图层包括近红外波段反射率差值图层、红光波段反射率差值图层、绿光波段反射率差值图层和蓝光波段反射率差值图层；S2.4、根据步骤S2.2的各植被指数特征图层，选取与步骤S2.3相同的两个特征时相的同一植被指数特征进行差值计算，获得植被指数差值特征图层，所述植被指数差值特征图层包括归一化植被指数差值图层、差值植被指数差值图层、垂直植被指数差值图层、土壤调节植被指数差值图层和植被覆盖度差值图层；S3、提取研究区目标作物种植区域；将步骤S2获得的所有图层合并为一个图层；并将该图层与已知的目标作物样本作为输入集，运行随机森林算法得到研究区目标作物种植区域；其中，所述目标作物样本即确定种植目标作物的样本的坐标信息；S4、建立研究区目标作物的遥感估产模型；通过步骤S2获得的研究区目标作物关键生育期的各卫星遥感影像中的归一化植被指数NDVI与步骤S1获得的目标作物施肥区产量数据分别构建线性模型、多项式模型、指数模型、对数模型和乘幂模型，并通过模型评价指标进行最优模型筛选，所述模型评价指标包括决定系数R2、相对误差R和均方根误差RMSE，依据决定系数R2越大且相对误差R和均方根误差RMSE越小的原则确定最优的研究区目标作物的遥感估产模型；根据最优的研究区目标作物的遥感估产模型确定预测目标作物产量最佳的卫星遥感影像数据和最佳生育期；S5、研究区土壤生产力等级的识别；S5.1、根据步骤S1获得的目标作物施肥区产量数据和目标作物无肥区产量数据建立产量关系模型；S5.2、根据步骤S1获得的目标作物无肥区产量数据划分土壤基础生产力，并与土壤数据建立土壤生产力等级模型；S5.3、通过步骤S4确定的最优的研究区目标作物的遥感估产模型、步骤S5.1建立的产
量关系模型和步骤S5.2建立的土壤生产力等级模型建立研究区目标作物关键生育期卫星遥感影像中的归一化植被指数NDVI与土壤生产力等级的关系模型，进而建立土壤性质仿真；S5.4、根据步骤S4确定的最佳的卫星遥感影像数据和最佳生育期在步骤S3确定的研究区目标作物种植区域内提取任一点的归一化植被指数NDVI，借助步骤S5.3获得的研究区目标作物关键生育期卫星遥感影像中的归一...

【专利技术属性】
技术研发人员：范明生，郝雅楠，王耀君，范锦龙，陈海青，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：