快速、精準獲取作物覆蓋下的土壤鹽分信息,可以提高區(qū)域土壤鹽漬化治理的有效性。該研究在內(nèi)蒙古河套灌區(qū)沙壕渠灌域內(nèi)試驗地獲取無人機多光譜遙感圖像數(shù)據(jù),并同步采集不同深度的土壤鹽分數(shù)據(jù)。通過遙感圖像數(shù)據(jù)提取光譜反射率并計算傳統(tǒng)光譜指數(shù),在此基礎上引入紅邊波段建立新的光譜指數(shù),同時使用Elastic-net算法（ENET）對光譜變量進行篩選,并將篩選后的光譜變量分為原始光譜變量組和改進光譜變量組;運用BP神經(jīng)網(wǎng)絡（BackPropagation Neural Networks,BPNN）、支持向量機（Support Vector Machine,SVM）和極限學習機（Extreme Learning Machine,ELM）3種機器學習方法,構(gòu)建作物覆蓋下不同土壤深度的土壤鹽分反演模型,并基于最佳反演模型繪制試驗區(qū)不同深度土壤鹽分反演圖。結(jié)果表明,使用ENET變量選擇方法可以有效篩選出最優(yōu)光譜變量,且基于改進光譜變量組構(gòu)建的反演模型精度均高于原始光譜變量組;ELM模型反演效果優(yōu)于SVM模型和BPNN模型,其驗證集的決定系數(shù)為0.783,均方根誤差為0.141,一致性相關系數(shù)為0.875;研究區(qū)... 

【文章來源】：農(nóng)業(yè)工程學報. 2020,36(22)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

研究區(qū)域示意圖

無人機采用大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯Matrice 600六旋翼無人機，該機的最大續(xù)航時間約40 min，最大上升和水平飛行速度分別為5和18 m/s，同時可承受最大8 m/s的風速。無人機搭載具有質(zhì)量輕、體積小及遠程觸發(fā)等特點的傳感器Micro-MCA多光譜相機（簡稱MCA）。MCA具有6個光譜采集通道，對應6個光譜波段，分別為490（藍光）、550（綠光）、680（紅光）、720（紅邊）、800（近紅外1）、900 nm（近紅外2）。在無人機多光譜相機獲取遙感圖像之前，將標準白板放置于研究區(qū)內(nèi)進行標定，無人機飛行模式按照既定航線飛行，飛行高度設定為120 m（獲取圖像分辨率為6.5 cm），主航線之間以及主航線上的圖像重復率均設置為80%以上。MCA拍照時，相機鏡頭與地面呈90°，拍照模式為等時間間隔（3 s）。獲取多光譜圖像后，使用MCA自帶的Pixel Wrench 2軟件對獲取的無人機多光譜遙感數(shù)據(jù)導出、圖像提取、校準以及合成，之后將獲取的多幅多光譜遙感圖像以及對應的GPS數(shù)據(jù)導入Pix4Dmapper軟件中完成校正以及拼接工作，得到完整的合成波段圖像。將合成的遙感圖像導入ENVI Classic中，導入實測取樣點的GPS定位信息，確定其所在像元點，并提取該像元點6個光譜波段的灰度值，通過標準白板標定后，取得相對應的6波段光譜反射率。

對比表5和表6發(fā)現(xiàn)，基于改進光譜變量組的土壤鹽分模型反演效果要優(yōu)于原始光譜變量組。為了更加直觀的反映模型的反演效果，本研究基于最佳反演模型繪制了研究區(qū)不同深度的土壤鹽分分布圖（圖3）。從圖中可見，在不同土壤深度處，一號試驗地土壤主要以非鹽漬化為主，二號和三號試驗地土壤以非鹽漬化和輕度鹽漬化為主，這與實地調(diào)查情況基本一致；而四號試驗地土壤以重度鹽漬化和鹽土為主，且四號試驗地東北部以及西南部鹽漬化程度較高且較為集中，這是由于這些區(qū)域為鹽荒地，鹽漬化程度偏高，這也與實際勘察情況相一致。由此可知，基于改進光譜變量組所建立的最佳反演模型可用于該試驗地區(qū)土壤鹽分的反演。3 討論

【參考文獻】：
期刊論文
[1]基于高景一號遙感影像的林地信息提取[J]. 曾文,林輝,李新宇,肖越,魯宏旺.  中南林業(yè)科技大學學報. 2020(07)
[2]無人機多光譜遙感反演各生育期玉米根域土壤含水率[J]. 譚丞軒,張智韜,許崇豪,馬宇,姚志華,魏廣飛,李宇.  農(nóng)業(yè)工程學報. 2020(10)
[3]大田葵花土壤含鹽量無人機遙感反演研究[J]. 陳俊英,姚志華,張智韜,魏廣飛,王新濤,韓佳.  農(nóng)業(yè)機械學報. 2020(07)
[4]基于無人機多光譜遙感的冬小麥葉面積指數(shù)反演[J]. 孫詩睿,趙艷玲,王亞娟,王鑫,張碩.  中國農(nóng)業(yè)大學學報. 2019(11)
[5]基于無人機多光譜遙感的土壤含鹽量反演模型研究[J]. 張智韜,魏廣飛,姚志華,譚丞軒,王新濤,韓佳.  農(nóng)業(yè)機械學報. 2019(12)
[6]Sentinel-2影像和BP神經(jīng)網(wǎng)絡結(jié)合的小麥條銹病監(jiān)測方法[J]. 黃林生,江靜,黃文江,葉回春,趙晉陵,馬慧琴,阮超.  農(nóng)業(yè)工程學報. 2019(17)
[7]基于全子集-分位數(shù)回歸的土壤含鹽量反演研究[J]. 張智韜,韓佳,王新濤,陳皓銳,魏廣飛,姚志華.  農(nóng)業(yè)機械學報. 2019(10)
[8]基于光譜指數(shù)與機器學習算法的土壤電導率估算研究[J]. 曹肖奕,丁建麗,葛翔宇,王敬哲.  土壤學報. 2020(04)
[9]基于Sentinel-2A影像的玉米冠層葉綠素含量估算[J]. 蘇偉,趙曉鳳,孫中平,張明政,鄒再超,王偉,史園莉.  光譜學與光譜分析. 2019(05)
[10]基于AdaBoost-ElasticNet的套利算法[J]. 李兵,高波涌,孫建明,余翠.  中國計量大學學報. 2019(01)



本文編號：3220641