一种基于机器学习回归算法的土壤盐度预测方法与流程

本发明涉及土壤盐度检测领域，具体涉及一种基于机器学习回归算法的土壤盐度预测方法。

背景技术：

土壤盐渍化是农作物生长发育受抑制的重要土壤障碍因子之一。土壤盐渍化影响作物生产和粮食安全。绘制盐渍度的空间分布和土壤盐渍化严重程度对农业管理和发展至关重要。

技术实现要素：

为解决上述问题，本发明提供了一种基于机器学习回归算法的土壤盐度预测方法。

为实现上述目的，本发明采取的技术方案为：

一种基于机器学习回归算法的土壤盐度预测方法，包括如下步骤：

s1、以等边三角形为测点形状，采用em38大地电导仪采集三角形的三个角点的实测盐度，测量时，读取垂直读数emv和水平读数emh，取平均值作为三角形区域的盐度，测量若干个三角形区域的emh和emv为基础真理训练集(ts)；

s2、利用l波段雷达后向散射系数去除植被贡献来获得土壤组分；

s3、通过直接栅格化将实测地块转换为栅格来创建训练集(ts)；

s4、利用上述训练集(ts)，采用随机森林回归(rfr)算法建模应用于联合数据集进行盐度预测。

进一步地，所述步骤s1中，所述等边三角形的边长15-20米，确保三角形可以近似表示一个tm(专题成像仪)像素；测量区块的规格1m×1m。

进一步地，所述步骤s2具体包括如下步骤：

s21、用无线电测量校准从欧洲航天局获取的landsat5(陆地卫星5)tm图像，并采用散射法模型消除附加的大气影响，将所产生的反射率每一波段重新设定为0-1；

s22、对从欧洲航天局获取的1.5级雷达结果进行几何校正，并将像素重新调整到12.5米的大小，对水平发射水平接收hh和水平发射垂直接收hv的数字量化值(dn)分别进行校正，按照公式转换为后向散射系数(σ⁰hh、σ⁰hv)；然后应用增强lee滤波器(enhancedleefilter3×3大小，lee1980)去除斑点或噪声，导出σ⁰hh和σ⁰hv，并重放大到30m像素用来匹配tm数据；

s23、构建植被含水量(vwc)对雷达后向散射系数影响的水云模型：

l²＝exp(-2bv2sec(θi))

其中，σ⁰是来自植被冠层和土壤的总后向散射系数(σ⁰hh、σ⁰hv)；σ⁰veg是植被的后向散射贡献，σ⁰soil是土壤的散射贡献；l2是双向植被衰减；θi雷达波束的入射角,a和b是植被参数；v1和v2是植被描述，v1适用叶面指数lai(m²m^-2)，v2适用土壤容积含水量vwc(kgm^-2)；

s24、取：

lai＝0.091exp(3.7579gdvi2)(r²＝0.932)

vwc＝192.64ndvi5-417.46ndvi4+347.96ndvi3–138.93ndvi2+30.699ndvi–2.822(kg·m^-2)(r²＝0.990)；

a＝0.0045，b＝0.4179；

以34.3°为θii雷达波束的入射角，计算植被移除后向散射系数(σ⁰hh、σ⁰hv)。

进一步地，所述步骤s3具体包括如下步骤：

使用arcgis中的点到栅格转换工具，将平均野外测量图转换为光栅单元为30、60和90米大小，然后重放到30m像素，组成数据集。

进一步地，所述步骤s4具体包括如下步骤：

s41、采用随机森林回归算法rfr建模，将所有12个波段作为输入变量，利用观测值(训练集(ts))在enmap-box中的预设值100；

以每个节点随机选择的特征或变量数的数目选取所有特征的平方根；

结束标准(用于节点分裂)，其中预设值为节点中最小样本数，1，根据基尼指数计算的最小杂质，0；

将光栅化emv或emh(em38垂直读数或水平读数)为ts(训练集)参数化后，将生成的rfr模型应用于组合数据集，来预测土壤表观盐度(eca)。

进一步地，还包括将土壤表观盐度eca转换为土壤电导率ece的步骤，其中，ece-em38读数与(eca)之间的关系表示如下：

ece(dsm^-1)＝0.0005emv²-0.0779emv+12.655(r²＝0.850)；

ece(dsm^-1)＝0.0002emh²+0.0956emh+0.0688(r²＝0.791)。

本发明具有以下有益效果：

实现了土壤盐度的预测分析，对农业管理和发展有重要意义，随机森林回归算法rfr用于土壤盐度制图，有更高的精度和更低的归一化均方根误差。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明实施例的一种基于机器学习回归算法的土壤盐度预测方法，包括如下步骤：

s1、以等边三角形为测点形状，采用em38大地电导仪采集三角形的三个角点的实测盐度，所述等边三角形的边长15-20米，确保三角形可以近似表示一个tm(专题成像仪)像素；测量区块的规格1m×1m；测量时，读取垂直读数emv和水平读数emh，取平均值作为三角形区域的盐度，测量若干个三角形区域的emh和emv为基础真理训练集(ts)；

s2、利用l波段雷达后向散射系数去除植被贡献来获得土壤组分；

s21、用无线电测量校准从欧洲航天局landsat5(陆地卫星5)tm图像，并采用散射法模型消除附加的大气影响，将所产生的反射率每一波段重新设定为0-1；

s22、对从欧洲航天局1.5级雷达结果进行几何校正，并将像素重新调整到12.5米的大小，对水平发射水平接收hh和水平发射垂直接收hv的数字量化值(dn)分别进行校正，按照公式转换为后向散射系数(σ⁰hh、σ⁰hv)；然后应用增强lee滤波器(enhancedleefilter3×3大小，lee1980)去除斑点或噪声，导出σ⁰hh和σ⁰hv，并重放大到30m像素用来匹配tm数据；

s23、构建植被含水量(vwc)对雷达后向散射系数影响的水云模型：

l²＝exp(-2bv2sec(θi))

其中，σ⁰是来自植被冠层和土壤的总后向散射系数(σ⁰hh、σ⁰hv)；σ⁰veg是植被的后向散射贡献，σ⁰soil是土壤的散射贡献；l2是双向植被衰减；θi雷达波束的入射角,a和b是植被参数；v1和v2是植被描述，v1适用叶面指数lai(m²m^-2)，v2适用土壤容积含水量vwc(kgm^-2)；

s24、取：

lai＝0.091exp(3.7579gdvi2)(r²＝0.932)

vwc＝192.64ndvi5-417.46ndvi4+347.96ndvi3–138.93ndvi2+30.699ndvi–2.822(kg·m^-2)(r²＝0.990)；

a＝0.0045，b＝0.4179；

以34.3°为θi雷达波束的入射角，计算植被移除后向散射系数(σ⁰hh、σ⁰hv)。

s3、通过直接栅格化将实测地块转换为栅格来创建训练集(ts)；

使用arcgis中的点到栅格转换工具，将平均野外测量图转换为光栅单元为30、60和90米大小，然后重放到30m像素，组成数据集；

s4、利用上述训练集(ts)，采用随机森林回归(rfr)算法建模应用于联合数据集进行盐度预测。

s41、采用随机森林回归算法rfr建模，将所有12个波段作为输入变量，利用24个观测值(训练集(ts))在enmap-box中的预设值100；

以每个节点随机选择的特征或变量数的数目选取所有特征的平方根；

结束标准(用于节点分裂)，其中预设值为节点中最小样本数，1，根据基尼指数计算的最小杂质，0。

将光栅化emv或emh(em38垂直读数或水平读数)为ts(训练集)参数化后，将生成的rfr模型应用于组合数据集，来预测土壤表观盐度(eca)。

s5、将土壤表观盐度eca转换为土壤电导率ece的步骤，其中，ece-em38读数与(eca)之间的关系表示如下：

ece(dsm^-1)＝0.0005emv²-0.0779emv+12.655(r²＝0.850)；

ece(dsm^-1)＝0.0002emh²+0.0956emh+0.0688(r²＝0.791)。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。