[发明专利]一种结合机器学习和地统计的土壤有机质遥感制图方法

说明书

本发明属于土壤遥感制图和精准农业技术领域，公开了一种结合机器学习和地统计的土壤有机质遥感制图方法，在GEE遥感云平台上获取DEM、光学和雷达遥感数据，经过数学变化和处理获取特征变量；提取采样点对应的特征变量信息，对样本参数集开展探索性数据分析筛选模型输入变量；将样本集进行划分，建立土壤有机质反演机器学习模型并开展初步制图；然后计算土壤有机质实测数据与预测数据的残差，并以此为主变量，以特征变量的主成分为协变量，利用地统计方法预测土壤有机质残差空间分布图；将其与机器学习模型预测的土壤有机质图进行相加，得到最终的土壤有机质预测图；同时对结果进行验证。本发明可对土壤有机质进行精细和准确制图。

技术领域

本发明属于土壤遥感制图和精准农业技术领域，尤其涉及一种结合机器学习和地统计的土壤有机质遥感制图方法。

背景技术

目前，土壤有机质是评价土壤质量的一个重要指标，是影响土壤肥力和作物产量高低的决定性因子，对土壤营养元素循环和农业可持续发展有重要意义。因此，开展农业精准管理，亟需对土壤有机质进行高分辨率、高精度的制图。

农田土壤有机质影响因素复杂，与地形、气候、母质、植被和人类活动等因子密切相关。经典的土壤景观关系理论通过将难以空间连续观测的土壤有机质与上述成土环境因素关联起来，从而推测出其空间变化。其中，以地统计学为代表(如克里格，回归克里格，协同克里格等)的空间制图方法，因简单、插值效果显著，以及具备良好的空间自相关性，是大尺度土壤有机质制图的主要手段。但对于小范围的零碎耕地图斑，气候、地形、母质和植被等环境梯度比较小，与土壤有机质的空间协同程度比较低，中低分辨率的成土环境变量数据不能或只能部分地反映土壤空间变化，导致田块尺度的土壤有机质高精度制图比较困难。同时，地统计方法未能考虑土壤属性与环境因子间复杂的非线性关系,限制其在复杂地形地貌等土壤有机质可能产生剧烈变化区域的应用。

卫星遥感技术的发展为获取全球地表环境参量提供了稳定的数据来源。卫星遥感影像具有空间连续、时效性强、分辨率高、易获取等特点，其包含的地表光谱信息可用于反演地物属性、地物分类，提取的多种遥感指数可用于定量或定性地表述植被生长状况，因此目前遥感信息逐渐应用于土壤制图。Sentinel-2A、B卫星系统是欧空局发射的光学多光谱成像仪，可开展可见光、近红外、短波红外、红边等13个波段以5天为周期的对地监测，其中，可见光近红外波段空间分辨率可达10米，短波红外达到20米空间分辨率。相较于美国的Landsat系列卫星，Sentinel-2卫星系统具有更丰富的光谱波段、更短的重访周期和更高的空间分辨率，因此，Sentinel-2遥感影像在田块尺度的土地利用变化、生态环境演变监测、植被作物长势监测中有更出色的表现。基于主动遥感技术的Sentinel-1合成孔径雷达区别于被动光学遥感，表现了较强的穿透能力，能有效避免云雨雾的影响，通过测量目标的极化散射特性，能够获取目标的地表介电常数、土壤物理特性和几何形状等信息。研究表明，SAR的极化特征、后向散射系数等参数与土壤属性存在很高的相关性，在土壤水分、土壤质地、地表粗糙度估算等方面已有成功应用。结合光学和SAR数据应用于数字土壤制图，也将有助于提升模型预测能力。但过去研究中过多依赖多光谱、高光谱等光学遥感数据，合成孔径雷达在土壤有机质制图中研究相对较少。

机器学习算法建立的辅助环境变量与土壤属性之间的预测模型已越来越多地被用于区域土壤属性空间预测，由于在解决高维问题和非线性问题等方面表现出良好的泛化能力和预测性能力，机器学习算法在土壤有机质空间预测研究中表现出较大潜力。但机器学习模型在对土壤属性预测时未能考虑样本之间的空间自相关关系，所以结合机器学习和地统计方法开展土壤有机质制图既能在保证预测精度的基础上，同时考虑土壤属性的空间自相关关系，进而提高预测精度。

现有相关技术如下：