论文部分内容阅读
土壤水分作为控制发生在陆地-大气界面系列过程的基本状态变量,影响着下渗、径流、蒸发、热交换、溶质渗透和侵蚀等诸多过程。同时,土壤水分是水文学、气象学和农业环境研究的重要参数,也是水资源循环的重要指标之一。干旱区水资源匮乏,土地荒漠化、盐渍化问题十分突出,土壤水分作为影响干旱区水分和能量平衡的关键变量,是区域水文和植被过程最为有效的驱动因子。所以,对其进行精确监测对干旱区生态环境保护与可持续发展具有重要意义。然而,由于时空变化十分复杂,土壤水分的准确评估仍然是一项具有挑战性的任务,遥感技术的迅猛发展为大尺度的土壤水分准确评估提供了实现的可能。已有众多学者协同光学与雷达遥感数据进行土壤水分反演,其中,Landsat-8和Radarsat-2分别是光学与雷达遥感数据的典型代表。光学与雷达遥感虽都包含土壤水分信息,但各有优势与不足,寻找并建立可以耦合两者所含信息的方法与模型对于提高土壤水分反演精度具有重要意义,具有自适应性的机器学习模型为这种设想提供了实现途径。本文以内蒙古西部的居延泽为研究区,基于Landsat-8和Radarsat-2遥感数据,将机器学习中的随机森林RF（Random Forest）、支持向量机SVM（Support Vector Machine）和BP人工神经网络BP-ANN（Back Propagation Artificial Neural Network）等模型与土壤水分影响因子和土壤水分实测数据相结合,开展基于机器学习的土壤水分遥感反演方法研究。首先,根据标准强度和相位处理、Cloude-Pottier分解以及Yamaguchi分解两种极化分解方式对研究区Radarsat-2影像进行处理,获取雷达图像的后向散射系数及与土壤水分相关的多个极化参数作为雷达影响因子,基于Landsat-8获取多个波段反射率并计算NDVI等光学指数作为光学影响因子;其次,对土壤水分影响因子的重要性及其与土壤水分的相关性进行定量分析,对参数进行不同组合,形成多种组合方案以作为机器学习模型的输入因子;构建不同组合方案对应的机器学习模型,并基于k折交叉验证从精确性、准确性与稳定性等方面综合评价各模型的性能。最后,选择性能表现优异的模型反演研究区土壤水分,使用随机森林分类法对研究区的土地利用类型进行分类,探讨不同地类的土壤水分状况与研究区土壤水分的空间分布格局与影响因素。本研究将为机器学习方法在干旱区土壤水分反演的建模研究提供参考,并为了解区域土壤水分动态和区域生态环境保护提供科学依据。主要结论如下:1、雷达影响因子中,平均散射角对模型反演精度的影响最大,其次是熵H与反熵A。在后向散射系数中,交叉极化比同极化后向散射系数拥有更高的重要性评分,并且与土壤水分的相关系数更高。在表面散射1)1)、偶次散射1)1)（9（9）、体散射1）1和螺旋体散射1)1)?中,偶次散射1)1)（9（9）与体散射1）1的重要性要明显高于其余两个。Cloude-Pottier分解的产物对反演结果有突出贡献,其重要性评分与相关系数总体明显高于后向散射系数与Yamaguchi分解产物;光学影响因子中,光学反射率与土壤水分的相关性从高到低依次为热红外、短波红外、红光和近红外,其对应的光学产品亦呈现出一致的排列规律,表明土壤水分对热红外与短波红外更加敏感。2、对于三种机器学习方法,耦合多源遥感数据的土壤水分反演模型性能均明显优于仅使用雷达或光学遥感数据源的模型,V-R2平均提高了25.58%,V-RMSE平均降低了11.93%。雷达与光学土壤水分协同反演模型的反演结果综合了雷达土壤水分反演模型与光学土壤水分反演模型反演结果的趋势特征,多源遥感数据的综合应用给予了模型更大的信息选择空间。该结果表明多源遥感数据的组合可以提升土壤水分反演模型的性能。3、综合考虑R2与RMSE,RF模型较SVM和BP-ANN更适用于干旱区地表土壤水分反演。无论输入参数组合为雷达影响因子、光学影响因子还是雷达与光学的协同参与,RF模型均能达到最低的V-RMSE和最高的V-R2,而SVM与BP-ANN则表现相对较劣,证明了RF模型在干旱区土壤水分反演中的应用潜力。69个模型中,性能最佳模型为BC+Cloude+Yamaguchi+OI组合训练的RF模型,其V-R2和V-RMSE值分别为0.86和5.06%,V-SDR2与V-SDRMSE分别为0.15和2.85%,该模型可解释土壤水分变化的91%。4、研究区大部分区域土壤水分含量较低,平均土壤水分含量仅为8.29%。其中,天鹅湖和古湖心区域的土壤水分含量明显高于其他区域。研究区土壤水分的空间差异宏观上主要与土壤质地、热量条件和地表覆盖状况等因素有关。植被与滩涂区域由于有植被遮挡并有水源补给,导致土壤水分含量较高;“返盐”现象与盐壳反射的共同作用导致部分盐碱地有较高的土壤水分含量;裸地土壤质地更加粘重,土壤保墒性更好,所以相对于沙地土壤水分含量高。模型反演结果与研究区实际情况保持了较高的一致性,很好地反映了居延泽的土壤水分分布状况。