基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

摘要：

土壤组成较为复杂，单纯利用土壤光谱信息探测土壤盐度，反演精度不足以满足实际需求。通过遥感获取的植被信息（植被类型和生长状况）可间接反映土壤盐分的空间分布特性，弥补上述不足。为此，基于干旱区土壤盐度与植被之间的协同变化，尝试结合土壤和植被光谱信息，借助二维特征空间理论，构建土壤盐度推理模型，提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响，利用归一化植被指数（normalized difference vegetation index ，NDVI）难以准确反演干旱区稀疏植被参数。因此，首先利用线性混合像元分解模型（linear spectral unmixing model ，LSUM ）提取研究区地物组分，构建植被组分指示因子（combined vegetation indicative factor ，CVIF）方程，并与土壤盐度指数（salinity index ，SI）构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系，建立土壤盐度推理模型（salinity inference model ， SID）。验证结果显示，CVIF 提取的植被信息精度（R2＞0.84，RMSE ＝3.92）高于应用较为广泛的 NDVI（R2＞0.66，RMSE ＝13.77）。构建的 SID 模型与前人基于 NDVI 建立的联合光谱指数（combined spectral re‐sponse index ，CORSI）相比，前者（R2＞0.86，RMSE ＝6.86）推理精度优于后者（R2＞0.71，RMSE ＝16.21）。由此得出结论，基于土壤和植被光谱信息双重判定的 SID 模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。

关键词：土壤盐分、植被指数、推理模型、线性混合像元分解模型

所属期刊栏目：36

分类号：S132(农业化学)

资助基金：新疆维吾尔自治区青年科技创新人才培养工程项目2013711014;国家自然科学基金项目U1303381，41261090，41130531，41161063;教育部新世纪优秀人才支持计划项目NCET-12-1075;霍英东青年教师基金项目121018;教育部长江学者计划创新团队计划项目IRT1180;新疆大学博士启动基金项目BS150248

在线出版日期：2016-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1848-1853