为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位...为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位数回归(quantile regression,QR)和BP神经网络(back propagation neural network,BP)三种方法建立0~60 cm深度下土壤盐分反演模型。研究结果表明,MLR模型与QR模型均具有较高精度,能够较好的反演植被覆盖时的土壤盐分,其中QR模型验证精度最高,建模和验证的决定系数(coefficient of determination,R^2)分别达到0.627与0.636,均方根误差(root mean square error,RMSE)为0.249,平均绝对误差(mean absolute error,MAE)为0.235,是本次土壤盐分估算的最优模型。BP模型效果相对较差,建模与验证R^2为0.605和0.558。采用QR模型反演研究区土壤盐分,发现模型反演的盐分趋势符合实际情况;灌区主要分布非盐土和轻度盐渍化土壤,灌域南部地区土壤盐渍化程度低,约占32%;盐渍化程度较高的区域约占灌域总面积的19%。研究为探讨植被覆盖时的土壤盐分反演提供了思路。展开更多
文摘为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位数回归(quantile regression,QR)和BP神经网络(back propagation neural network,BP)三种方法建立0~60 cm深度下土壤盐分反演模型。研究结果表明,MLR模型与QR模型均具有较高精度,能够较好的反演植被覆盖时的土壤盐分,其中QR模型验证精度最高,建模和验证的决定系数(coefficient of determination,R^2)分别达到0.627与0.636,均方根误差(root mean square error,RMSE)为0.249,平均绝对误差(mean absolute error,MAE)为0.235,是本次土壤盐分估算的最优模型。BP模型效果相对较差,建模与验证R^2为0.605和0.558。采用QR模型反演研究区土壤盐分,发现模型反演的盐分趋势符合实际情况;灌区主要分布非盐土和轻度盐渍化土壤,灌域南部地区土壤盐渍化程度低,约占32%;盐渍化程度较高的区域约占灌域总面积的19%。研究为探讨植被覆盖时的土壤盐分反演提供了思路。
