土壤盐渍预测学习笔记

---

1.基于ANN技术和高光谱遥感的盐渍土盐分预测

*摘要：土壤盐渍化是干旱、半干旱农业区主要的土地退化问题，及时、精准、动态地监测盐渍土盐分，对于治理、防治盐渍土和进行农业可持续发展至关重要。以松嫩平原西部长岭县为例，利用盐渍土高光谱数据构建盐渍土盐分遥感预测模型。电导法测得土壤盐量，用 ASD 高光谱仪野外采集高光谱数据，利用光谱导数变换选择能够表征盐渍土盐分信息的最佳波段，即 550、720、760、820 和 940 nm。通过比较 3 层和 4 层 72 种不同神经网络结构，最终选择5-6-1结构的3 层神经网络预测盐渍土盐分（$$R^2=0.895，RMSE=0.089$$）。与传统回归相比（$$R^2=0.81，RMSE=0.25$$），运用高光谱数据与人工神经网络方法相结合，能够提高盐渍土的预测精度，说明人工神经网络在构建光谱反射率与土壤参数关系研究中具有突出优势。

*目的：利用野外高光谱仪获取的高光谱数据反演盐渍土盐分，构建基于BP神经网络的盐渍土盐分遥感预测模型，为利用卫星遥感数据大面积获取盐渍土盐分提供科学基础。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5SyZK0I9-1598941988863)(ANN.png)]

（由遥感数据得到盐分）

*实验方法：为了选择最有效的神经网络结构，分别测试了 3 层神经网络和 4 层神经网络，每层的隐结点数量从 2 至9变化。共测试了 72 种不同的神经网络结构。结 点 过 多 会 增 加 训 练 时 间 ，可能导致过 拟 (overfitting）[25]，网络结构应尽量保持简单。而且结点越多，需要更多的权系数（weight），增加自由度，这样4 层神经网络 5-3-2-1 比 3 层神经网络 5-6-1 具有更高的自由度。Dreyer[26]分别试验了 3 层和 4 层神经网络，发现3层神经网络并不能获得像 4 层神经网络高的模型精度，与我们的研究相一致。Dreyer 认为，隐含层的大小在网络的泛化能力和训练最小误差的能力间权衡，解决办法就是使网络尽量简化，删除不显著的隐含层结点。因此，根据以上原理，尽管在本研究中 4 层神经网络的预测性能比 3 层神经网络稍好，然而我们仍选择 3 层神经网络5-6-1 反演盐渍土盐分。

*结论：

1）本研究探讨了利用高光谱遥感数据构建 BP 神经网络盐渍土盐分预测模型，结果表明，BP 神经网络预测盐渍土盐分的性能比传统回归方法更精确，因此，应用人工神经网络方法反演盐渍土盐分是可行的。

2）3 层和 4 层 BP 神经网络在反演盐渍土盐分时性能相差不大，尽管 4 层神经网络比 3 层神经网络性能稍好，但根据最简化网络原理，最终选择 3 层神经网络的5-6-1 结构反演盐渍土盐分。

3）研究结果表明，在地面实测光谱中，940 nm 处的水汽吸收对于盐渍土盐分预测影响不大。

​ 鉴于现有的研究基础，盐渍土盐分遥感预测模型应进一步结合中高分辨率卫星影像数据，并可以移植应用于其它传感器数据进行盐渍土盐分信息提取，以实现大区域盐渍土盐分的精确反演，为盐渍土壤研究的决策分析提供精准的数据来源和空间分布规律。

2.基于PLSR方法的高光谱遥感土壤盐分估算

*摘要：本文在对黄河三角洲盐渍土实地调查、采集土壤样品的基础上，于实验室测量土样光谱数据，通过PLSR(Partial Least Squares Regression，偏最小二乘回归)方法，充分地利用多个与土壤盐分相关的波段组合，综合所有波段信息来定量地估算土壤盐分含量，将模型用于Hyperion星载高光谱数据进行土壤盐分含量空间分布估算研究，并利用实测数据对模型及土壤盐分含量空间分布信息的估算结果进行评价，揭示了Hyperion星载高光谱数据进行土壤盐渍化探测、土壤盐分定量估算的潜力。

3.盐渍化土壤光谱特征的区域异质性及盐分反演

*摘要：该文通过分析 中国新疆、浙江、吉林 3个不 同地区盐渍化土壤 的高光谱特征 ，研究了盐渍化土壤高光谱特征的区域异质性 ，并对构建高精度的跨区域土壤盐分高光谱定量反演模型，应用 25种数据处理方式来提高全局建模的精度，旨在提高具有光谱异质性土壤的盐分反演精度。结果表明：不同地区的盐渍化土壤，无论是反射率还是光谱曲线形态方面，均存在较明显的差异，但经过一阶微分处理后，光谱差异有所降低；对 3个地区土壤盐分含量局部建模与全局 建模的精度进行 比较 ，在所选用的直线回归、主成分回归、多元线性 回归 、偏最小二乘回归4种建模方法中，全局建模精度均低于局部建模精度；不同地 区盐渍化土壤的盐分敏感波段不一致，在所采用的 25种数据处理方式中，SG3点一阶微 分 (savitzky golay)、SG5点一阶微分、SG7点一阶微分、线性基线校正+SG3点一阶微分、SG平滑+SG3点一阶微分、SG平滑+线性基线校正+SG3点一阶微分这 6种数据处理方式对全局建模的建模精度有明显改善作用，模型的相对分析误差均达到 2．0以上，其中以SG平滑+SG3点一阶微分为最佳，其决定系数、均方根误差、相对分析误差分别为0.80、0.43、2.23。研究结果为跨区域土壤盐渍化的航天高光谱遥感监测提供 了一定的参考依据 。

*目的：通过分析中国新疆、浙江、吉林 3个不 同地区盐渍化土壤的高光谱特征 ，研究盐渍化土壤高光谱特征的区域异质性 ，并对构建高精度的跨区域土壤盐分高光谱定量反演模型，应用 25种数据处理方式来提高全局建模的精度，旨在提高具有光谱异质性土壤的盐分反演精度。

*实验方法：

1）.数据处理方式：一阶微分。在所采用的 25种数据处理方式中，SG3点一阶微 分、SG5点一阶微分、SG7点一阶微分、线性基线校正+SG3点一阶微分、SG平滑+SG3点一阶微分、SG平滑+线性基线校正+SG3点一阶微分这 6种数据处理方式对全局建模的建模精度有明显改善作用，模型的相对分析误差均达到 2.0以上，其中以SG平滑+SG3点一阶微分为最佳，其决定系数、均方根误差、相对分析误差分别为0.80、0.43、2.23。

2）.模型构建：直线回归、主成分回归、多元线性 回归 、偏最小二乘回归。

3）.模型评价指标：模型稳定性和预测精度的评价指标为决定系数 $$R^2$$、均方根误差 RMSE、相对分析误差RPD。针对 RPD 而言，当1.5<RPD<2.0时表明模型只能对样品高含量与低含量进行粗略估测，当2.0≤RPD<2.5时表明模型具有较好的预测能力，当$$2.5\le RPD<3.0$$时模型具有很好的预测能力，当$$RPD>=3.0$$ 时模型具有极好的预测能力。决定系数和相对分析误差大、均方根误差小的模型，其预测能力强、稳定性高。

*结论：不同地区的盐渍化土壤，无论是反射率还是光谱曲线形态方面，均存在较明显的差异，但经过一阶微分处理后，光谱差异有所降低；全局建模精度均低于局部建模精度；不同地区盐渍化土壤的盐分敏感波段不一致；SG平滑+SG3点一阶微分为最佳 。

4.基于Landsat8 OLI影像光谱的土壤盐分估算模型研究

*摘要：针对艾比湖流域盐渍化土壤盐分定量监测的需要，利用Landsat8 OLI多光谱影像进行土壤盐分估算模型研究，以提高土壤盐分反演的精度。通过分析不同含盐量土壤的影像光谱反射率特征和不同变换形式的光谱反射率与盐分的相关性，寻求对盐分含量敏感的光谱波段;采用多元逐步回归算法，分别建立基于OLI影像光谱与ASD光谱仪重采样光谱的土壤盐分估算模型，并对影像光谱模型进行校正。结果表明:ASD重采样光谱数据的对数倒数一阶微分变换的土壤盐分估算模型精度较高，模型的决定系数$$R^2$$为0.779;校正后的OLI影像光谱土壤盐分估算模型的$$R^2$$从0.28提高到0.7776，且均方根误差值仅为0.281。本研究实现了从实地测量光谱尺度向遥感多光谱尺度的转换，为土壤盐渍化的遥感定量监测提供了科学参考。

*目的：针对艾比湖流域盐渍化土壤盐分定量监测的需要，利用Landsat8 OLI多光谱影像进行土壤盐分估算模型研究，以提高土壤盐分反演的精度。

*实验方法：

1）.通过分析不同含盐量土壤的影像光谱反射率特征和不同变换形式的光谱反射率与盐分的相关性，寻求对盐分含量敏感的光谱波段;

2）.采用多元逐步回归算法，分别建立基于OLI影像光谱与ASD光谱仪重采样光谱的土壤盐分估算模型，并对影像光谱模型进行校正。

3）.模型评价：决定系数和均方根误差。

*结论：ASD重采样光谱数据的对数倒数一阶微分变换的土壤盐分估算模型精度较高，模型的决定系数$$R^2$$为0.779;校正后的OLI影像光谱土壤盐分估算模型的$$R^2$$从0.28提高到0.7776，且均方根误差值仅为0.281。本研究实现了从实地测量光谱尺度向遥感多光谱尺度的转换，为土壤盐渍化的遥感定量监测提供了科学参考。

多余的东西，一个小测试哈，下面的方法不行，GitHub会墙图床，用Gitee…

itHub会墙图床，用Gitee…

[外链图片转存中…(img-yHEIYrOS-1598941988865)]