论文部分内容阅读
准确而快速得获取大面积的土壤湿度信息对农业灌溉用水管理和干旱预防是十分重要的。传统的土壤湿度监测方式存在采样成本高和空间代表性差的缺点,为此人们把视线投向了新兴的遥感方法监测土壤湿度。植被指数法和微波正向模型法是常用的两种遥感监测土壤湿度方法,但植被指数法模型过于简单,模型只考虑到植被对土壤湿度的影响,而微波正向模型则非常复杂,需要考虑的因素过多,且SAR雷达对植被的探测能力有限,因此结合两种遥感数据联合反演土壤湿度成为了新的研究方向,而如何更好的结合两种遥感数据进行土壤湿度反演就是本研究的重点。考虑到土壤后向散射系数、植被指数和土壤湿度存在错综复杂的数量关系,而机器学习算法能够很好地模拟这种数量关系,实验中使用线性回归算法、支持向量机回归算法、AdaBoost回归算法和KNN回归算法四种机器学习算法结合Landsat 8影像和Sentinel-1影像,以那曲地区为研究区,建立反演模型,评估四种模型的模型效果,并选择其中一种模型完成整个研究区在2015年7月下旬的湿度反演。研究表明,多元线性回归模型在训练集上的决定系数R2为0.621,均方根误差为6.26%,绝对误差为4.99%,多元线性回归模型在测试集上的决定系数R2为0.612,均方根误差为7.48%,绝对误差为6.21%;支持向量机回归模型在训练集上的决定系数R2为0.622,均方根误差为6.24%,绝对误差为5.12%,支持向量机回归模型在测试集上的决定系数R2为0.622,均方根误差为7.38%,绝对误差为6.20%;AdaBoost回归模型在训练集上的决定系数R2为0.814,均方根误差为4.38%,绝对误差3.75%,AdaBoost回归模型在测试集上的决定系数R2为0.625,均方根误差为7.35%,绝对误差为6.13%;KNN回归模型在训练集上的决定系数R2为0.624,均方根误差为6.23%,绝对误差为4.83%,KNN回归模型在测试集上的决定系数R2为0.633,均方根误差为7.27%,绝对误差为6.08%。综合模型在训练集和测试集上的表现,得出结论AdaBoost回归模型最适合在那曲地区进行土壤湿度反演,模型对土壤湿度的预测能力较强,在测试集上的表现较好,模型泛化能力强。随后,我们使用AdaBoost模型结合2015年7月下旬的Landsat 8影像数据和Sentinel-1影像数据,对那曲地区在2015年七月下旬的土壤湿度分布做出了预测,并生成土壤湿度分布图,对结果进行了分析,分析结果表明,研究区的土壤湿度整体呈东南向西北递减的趋势,研究区的平均土壤湿度为20.05%,有23.56%的区域干旱缺水,湿度值低于15%,反演结果符合那曲地区的气候地形特征,较好的反映了那曲地区的土壤湿度分布空间趋势。