10.3964/j.issn.1000-0593(2016)06-1848-06
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
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。
土壤盐分、植被指数、推理模型、线性混合像元分解模型
36
S132(农业化学)
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
2016-08-03(万方平台首次上网日期,不代表论文的发表时间)
共6页
1848-1853