基于机器学习和多光谱遥感的银川平原土壤盐分预测

快速获取区域土壤盐渍化程度信息,对于盐渍化治理与生态环境保护具有重要意义。以银川平原为研究区,以盐分影响因子和盐分指数分别作为输入参数,建立支持向量机(SVM),BP神经网络(BPNN)和贝叶斯神经网络(BNN)3种土壤盐分预测模型,选取最佳模型进行研究区不同深度的土壤盐渍化预测。结果表明：(1)0～20 cm土壤盐分预测模型中基于影响因子变量组的BNN模型效果最佳,决定系数(R²)为0.618,均方根误差(RMSE)为2.986;20～40 cm土壤盐分预测模型中基于盐分指数变量组的BNN模型效果最佳,R²为0.651,RMSE为1.947;综合对比下,BNN模型的预测效果最好,可用于研究区土壤盐渍化预测。(2)银川平原主要是以非盐渍化和轻度盐渍化为主,0～20 cm土壤重度盐渍化及盐土共占总面积的11.59%,20～40 cm土壤重度盐渍化及盐土共占总面积的7.04%,20～40 cm土壤盐渍化程度较0～20 cm土壤盐渍化轻。     

干旱区土壤盐渍化灾害预警——以渭-库绿洲为例

针对中国西北干旱区普遍存在的土壤盐渍化,以渭干河-库车河绿洲TM影像数据,建立BP神经网络结合Adaboost算法的土壤盐渍化预警度评价模型。首先,根据研究区实际情况设置该模型的4个预警指标（地下水埋深、海拔、盐分指数、归一化干旱指数）,分别提取其连续表面信息,结合BP神经网络作为弱预测器进行预测,将通过不同训练集得到的弱预测器结果结合成强预测器。在利用该模型训练样本时,依据各评价因子对分类结果的贡献率调整其权重,预测的结果能客观反映每个评价因子对该地区土壤盐渍化的贡献程度。结果表明,研究区警情总体情况较严重,绿洲北部内部耕地周围的荒地以及含水量少的区域,盐渍化危险度较高。     

基于BP神经网络的盐渍土盐分遥感反演模型研究

采用遥感技术和BP神经网络技术,结合野外实测的盐渍土光谱特征和实验室化验的土壤含盐数据,对盐渍土盐分的遥感反演进行了模型的设计与编程实现.BP神经网络模型的预测精度在62.5%,明显高于传统统计模型的预测精度,表明BP神经网络能较好地模拟土壤含盐量与光谱数据之间的关系,可用于建立土壤盐分遥感反演模型.     

城市需水量模拟及不确定性分析方法研究

需水量预测是区域水资源合理配置和有效管理的基础。由于供需水量的不确定性,精准的需水量预测较有困难。通过建立径向基函数（RBF）与BP神经网络预测模型,以西北地区城市西安市需水量为例,将用水量驱动因子作为模型输入,利用1990-2009年20组年用水数据进行网络训练模拟,对2010-2012年3组年用水数据进行检验预测,采用不确定性评价指数和置信区间方法对两种模型及模拟结果进行比较分析。结果表明,RBF与BP模型预测期的均方根误差分别为0.08、0.26,不确定性评价指数分别为0.74、1.02且BP模型预测值的相对误差最大超过10%以上,而RBF模型预测值的相对误差均小于5%,说明RBF模型模拟效果好,具有预测精度高以及不确定性影响低的双重优势;在模拟结果基础上,引用置信区间分析了结果的可靠性,为分析城市需水预测的不确定性提供了依据。     

黄河景电灌区土壤盐渍化反演的多模型对比北大核心CSCD

位于中国西北干旱区东部的景电灌区是黄河景泰川电力提灌二期工程覆盖的重要地区。不合理的水资源利用和区内排水不畅导致该区成为次生盐渍化发生的重点区域。为更好地预测景电灌区的土壤盐渍化问题,服务盐渍化防治和盐渍土改良的国家需求,基于地表实测高光谱反射率和土壤电导率数据,从模型稳定性、噪声问题、共线性问题和准确度4个方面对比分析了深度神经网络(Deep neural network,DNN)、分布式随机森林(Distributed random forest,DRF)和梯度提升机(Gradient boosting machine,GBM)3个模型在景电灌区土壤盐分预测方面的适用性。结果表明:(1)实测高光谱反射率数据与土壤电导率之间存在较强的相关性,高光谱数据为土壤盐分预测研究提供了便利;(2)DNN模型的稳定性高,对噪声和共线性问题的处理能力更强,模拟准确度相对较高,而DRF和GBM模型模拟结果差别较小。DNN模型更适于景电灌区土壤盐分预测研究,这在模型适用性方面为该区域的土壤盐渍化研究提供了参考。     

基于RAGA-BP神经网络模型的三江平原地下水资源预测研究

采用基于实数编码的加速遗传算法(RAGA)代替传统的最小二乘法以优化GM(1,1)模型参数,并与BP人工神经网络相组合,形成了基于RAGA的等维灰色递补BP神经网络预测模型.运用此模型对三江平原创业农场地下水埋深进行动态预测,BP神经网络结构确定为3:12:3,预测结果的相对误差只有2.33%,与传统的GM(1,1)模型和BP神经网络模型预测结果相比,预测精度显著提高.通过此模型预测,从2007年到2012年,该地区地下水平均年下降0.3 m.     

基于趋势外推法和BP神经网络的四平市汽车保有量预测

基于趋势外推法和BP神经网络模型对四平市2015年和2020年的汽车保有量进行预测.结果表明,结合趋势外推法对汽车保有量的影响因子进行单独预测,可以提高各影响因子的预测精度,弥补BP神经网络在影响因子预测中数据拟合度不高、外推性不强的缺陷,进而保证BP神经网络汽车保有量预测的准确度.利用BP神经网络良好的非线性映射能力,可以较好地拟合汽车保有量与影响因子之间的非线性映射关系,是一种可行的汽车保有量预测方法.但是神经网络预测模型与经典计算方法相比并非优越,只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性.     

华北半干旱平原区表层土壤盐分累积的影响因素分析

定量评价各因子对盐渍区表层(0~5 cm)土壤盐分累积的影响,以华北半干旱平原为研究区,综合考虑盐分来源、盐分化学组成、地下水状况、区域气候,地形条件等内外影响因素,应用通径分析方法评价各影响因子强度。结果表明:各影响因素通过直接和间接作用于表层土壤积盐过程,总体看盐源对表层土壤积盐影响强度最大,其次是盐分组成,再者是地下水状况,而区域气候和地形的影响较小。单因素而言,反映盐源的Sal_5-10、反映土壤盐分组成的SAR和反映地下水状况的TDS是主要的控制因素。研究结果为认识华北半干旱平原土壤盐渍化过程及影响机制提供参考依据。     

克里雅绿洲地下水埋深与土壤盐分时空分异及耦合分析

在干旱区绿洲平原地带,地下水埋深与土壤盐分时空分异明显,且二者存在高度的交互耦合关系。为实现分时段、分区域对地下水进行综合利用及对土壤盐渍化进行有效治理,以克里雅绿洲为研究区,根据20个地下水样点及8个土壤样点的监测数据,采用经典统计学方法、地统计分析法及GIS技术对研究区地下水埋深与土壤盐分的时空分异进行了研究,并运用耦合系数模型计算了二者之间的耦合度。结果表明:地下水埋深夏秋季较深,冬春季较浅且研究区西北浅,东南深,由西北向东南递增;土壤盐分含量夏秋季快速下降,冬春季迅速上升且研究区西高东低,由西向东呈条带状递减分布;地下水埋深与土壤盐分含量之间存在交互耦合的关系。     

灌区间盐分变迁与耕地安全特征——以三工河流域农业绿洲为例

针对目前绿洲内部土壤盐渍化问题,以新疆三工河流域农业绿洲为研究区,运用遥感、GIS和地统计学相结合的方法研究了0~20 cm土层盐分动态特征与发展趋势。结果表明:流域空间上土壤盐分的理论变异函数拟合符合指数模型,F检验达到极显著水平。Kriging差值及其与同期的土地利用类型图叠加运算表明,整个绿洲区南部阜康灌区耕地土壤盐化面积及盐渍化作用小于北部绿洲阜北灌区,耕地土壤盐分具有显著的局地地带性分布特征,随绿洲耕地南北方向距离的增加土壤盐渍化作用增强。另外南部绿洲耕地农业灌溉具有明显的脱盐作用,随时间尺度的延长,盐渍化作用减弱;而北部绿洲土壤盐渍化作用加强,表现为积盐作用。绿洲受盐害作用的区域主要为北部(阜北灌区)绿洲,通过空间概率模型预测,在长时间范围内,土壤盐渍化依旧是制约北部绿洲耕地生产力的主要因素。通过联合运用变异函数分析、线性回归分析和空间概率分析方法的优势,有效识别了三工河流域农业绿洲空间土壤盐渍化的变化特征与变化趋势,对于认识流域空间单元土壤盐分的变迁具有重要意义。     

GEO-Environmental Suitability Evaluation of Land for Urban Construction Based on A Back-Propagation Neural Network and GIS: A Case Study of Hangzhou

Evaluating the geo-environmental suitability of land for urban construction is an important step in the analysis of urban land use potential. Using geo-environmental factors and the land use status of Hangzhou, China, a back-propagation (BP) neural network model for the evaluation of the geo-environmental suitability of land for urban construction was established with a geographic information system (GIS) and techniques of grid, geospatial, and BP neural network analysis. Four factor groups, comprising nine separate subfactors of geo-environmental features, were selected for the model: geomorphic type, slope, site soil type, stratum steadiness, Holocene saturated soft soil depth, groundwater abundance, groundwater salinization, geologic hazard type, and geologic hazard degree. With the support of the model, the geo-environmental suitability of Hangzhou land for urban construction was divided into four suitability zones: zone I, suitable for super high-rise and high-rise buildings; zone II, suitable for multi-story buildings; zone III, suitable for low-rise buildings; and zone IV, not suitable for buildings. The results showed that a BP neural network can capture the complex non-linear relationships between the evaluation factors and the suitability level, and these results will support scientific decision-making for urban-construction land planning, management, and rational land use in Hangzhou.     

福海叶绿素含量的人工神经网络反演模型

在圆明园福海同时进行光谱测量与叶绿素测定。使用传统经验统计算法、BP人工神经网络和径向基函数(Radial Basis Function,RBF)网络,分别建立光谱值反演叶绿素浓度模型。结果表明,径向基函数网络具有结构自适应确定、输出不依赖初始权值、速度快、结果可靠、能充分利用光谱信息等优良特性,得到了相当好的拟合结果,是一种值得推广的预测叶绿素浓度的神经网络模型。     

基于主成分分析的BP 神经网络在城市 建成区面积预测中的应用 ——-以北京市为例

城市建成区规模受社会、经济、城市环境等诸多因素影响, 传统统计方法难以准确预测城 市建成区的面积。人工神经网络具有良好的非线性映射逼近性能, 在各类预测研究中得到了广泛 的应用, 尤其是BP 神经网络。主成分分析可以在有效保留数据信息前提下对数据进行降维, 它 与BP 神经网络的结合主要在数据输入端, 通过减少输入层神经元个数, 增强网络性能, 提高预 测精度。本文以北京市为例, 综合运用主成分分析和BP 神经网络方法建立预测模型, 以1986~ 2003 年数据为学习样本, 以2004 年数据为检验样本, 对2005 年北京市城市建成区面积进行模 拟预测。预测结果表明, 基于主成分分析的BP 神经网络预测结果与实际值的相对误差为2.8%, 比传统BP 神经网络预测精度提高1.8 个百分点, 网络训练收敛速度也更快, 其预测精度和效率 都有不同程度的改善。     

基于GIS与BP神经网络的采空塌陷易发性预测

以湖北省鄂州程潮铁矿和黄石大冶铁矿为例,利用GIS空间分析功能对研究区数据进行提取分级、赋值统计及归一化等处理,构建了包括高程、坡度、地层、地下开采点的分布密度、相距最近地下开采点的距离、开采厚度与深度比值、蚀变接触带缓冲区、地下水深度以及地表地物类型的矿区采空塌陷易发性评价指标数据集;借助IDL语言调用Matlab神经网络工具箱,将研究区2011和2012年的指标数据集作为输入数据,塌陷易发性作为期望输出,建立基于BP神经网络的矿区采空塌陷易发性预测模型;通过选取并优化训练样本,实现对2013年矿山塌陷易发性的预测。结果表明,高易发区及以上的区域包含89.91%的采空塌陷,随着易发等级的提高,采空塌陷面积占易发等级面积比也随之增大;采空塌陷的分布具有明显的地带性,高易发区基本沿着岩体与围岩的接触带分布。模型解决了塌陷预测中的非线性映射问题,预测结果与实际调查情况基本吻合。BP神经网络模型与GIS技术相结合预测矿区采空塌陷的易发性具有可行性。     

Remote Sensing Inversion for Simulation of Soil Salinization Based on Hyperspectral Data and Ground Analysis in Yinchuan,China

The Pingluo area, as an experimental study area in Yinchuan, has been subjected to major environmental degradation due to soil salinization problems. Soil salinization is one of the main problems of land degradation in arid and semiarid regions. In the present study, remote sensing was integrated with mathematical modeling to evaluate soil salinization adequately. To detect soil salinization, soil water content and electrical conductivity of soil samples were analyzed. The reflectance of soil samples was measured using a spectrometer (SR-3500) with 1024 bands. Indices of soil salinity, vegetation and drought were analyzed using Landsat images over the study area. Based on Landsat images, physicochemical analysis, reflectance of sensitive bands for soil salinization and environmental indices, canopy response salinity index (CRSI), perpendicular drought index (PDI) and enhanced normalized difference vegetation index (ENDVI), a new model was established for simulation and prediction of soil salinization in the study area. Correlation analyses and multiple regression methods were used to construct an accurate model. The results showed that green, blue and near-infrared light was significantly correlated with soil salinity and that the spectral parameters improved this correlation significantly. Therefore, the model was more effective when combining spectral parameters with sensitive bands with modeling. After mathematical transformation of soil reflectance, the correlations of bands sensitive to soil salinization were 0.739 and 0.7 for electrical conductivity and water content, respectively. After transformation of vegetation reflectance, the correlation coefficient of soil salinity became 0.577. After inversion of the model based on soil hyperspectral and water content, the significance became 0.871 and 0.726, respectively, which can be used to predict soil salinity and water content. The spectral soil salinity model had a coefficient of 0.739 for soil salinity prediction. Among the salinity indices, the CRSI was selected as the most significant, with R² of 0.571, whereas the R² for PDI reached only 0.484. Among the vegetation indices, the ENDVI had the highest response to soil salinity, with R² of 0.577. After scale conversion, the correlation percentages between CRSI and measured soil salinity and between ENDVI and measured soil salinity increased to 16.2% and 8.5%, respectively. Following the correlation between PDI and soil water content, the percentage of correlation increased to 11.6%. The integration of hyperspectral remote sensing, ground methods and an inversion method for salinity is a very important and effective technique for rapid and nondestructive monitoring of soil salinization.

     

渭干河绿洲不同土地利用类型土壤盐分的变化特征分析

土壤盐分的动态分析与监测,是实现盐渍化土地科学管理与利用的必要前提。运用GIS技术,结合地统计学方法,分析了渭干河绿洲土壤盐渍化的分布格局,探讨了不同土地利用类型下土壤盐分的变化规律。结果表明：土壤盐分离子含量随土层深度增加而减少,CO^2-₃和HCO₃^-变化不明显,整个剖面表现为：Na⁺+K⁺>Ca²⁺>Mg²⁺,SO^2-₄>Cl^->HCO₃^->CO^2-₃,具有中-强变异性,除了HCO₃^-、CO^2-₃和Ca²⁺外,其他盐分离子变异系数随深度增加而减小。不同土地利用类型的土壤含盐量具有显著差异垂向分布,耕地、荒地和草地、林地分别呈现为平均型、表聚型和底聚型盐分剖面,且各类型表层土壤（0～40 cm）含盐量依次为荒地（38.42 g·kg^-1）>草地（16.30 g·kg^-1） > 耕地（5.37 g·kg^-1） > 林地（4.62 g·kg^-1）。渭干河绿洲土壤属于重盐土类型,自然因素（蒸降比和地下水波动等）是土壤盐渍化的形成条件,而人为干扰（土地利用方式、灌排、施肥等）则促进了土壤盐渍化的发展。     

陇中黄土丘陵沟壑区人工草地土壤水蚀预测模型

针对陇中黄土丘陵沟壑区土壤水蚀过程复杂且难以有效预测的问题，以定西市安家沟水土保持试验站2005—2016年1~12月人工草地径流场试验数据为主要来源，将流域月降雨量、月侵蚀性降雨量、月径流量、月降雨强度、径流场面积、径流场坡度、土壤砂粒含量、土壤粘粒含量8个因子作为输入因子，月土壤水蚀量作为输出，运用偏最小二乘法(Partial Least-Squares Regression,PLSR)和长短期记忆(Long Short-Term Memory,LSTM)循环神经网络建立人工草地土壤水蚀预测模型，并利用BP(Back Propagation)、RNN(Recurrent Neural Network)、LSTM常见神经网络模型，对模型的有效性进行评估。结果表明：PLSR将模型8个输入因子减少为4个，从而有效解决LSTM神经网络模型对样本数量要求过高的问题； PLSR和LSTM神经网络模型的结合可以有效提高模型对人工草地土壤水蚀过程的预测精度和收敛速度，预测结果的平均相对误差小于4%，相关系数高于其他3种神经网络模型，而迭代次数、均方根误差和平均绝对误差均低于其他3种模型；研究发现坡度对人工草地土壤水蚀过程影响较为明显，降雨量小于25 mm时，人工草地土壤水蚀量不会随坡度增加而明显增长，但当降雨量超过25 mm时，人工草地土壤水蚀量会随坡度明显增加。 PLSR LSTM神经网络土壤水蚀预测模型可以准确预测陇中黄土丘陵沟壑区人工草地土壤水蚀量，为该地区水土流失的准确预报提供新的思路和方法。     

基于多光谱遥感的典型绿洲棉田春季土壤盐分反演及验证

为探索快速提取典型绿洲棉田土壤盐分的有效方法,获取区域尺度的土壤盐渍化特征及空间分布,进而为土壤盐渍化防治提供参考。以新疆兵团农二师31团为研究区域,2019、2021年春季Landsat 8 OLI多光谱影像和野外实测土壤含盐量为数据源,将波段组、光谱指数组和全变量组作为模型输入变量组,采用多元逐步回归（Multiple stepwise regression, MSR）、偏最小二乘回归（Partial least squares regression, PLSR）、极限学习机（Extreme learning machine, ELM）、支持向量机（Support vector machine, SVM）和BP神经网络（Back propagation neural network, BPNN）构建基于3个输入变量组的土壤盐分遥感反演模型,探究输入变量和建模方法对模型精度的影响效果,通过对比确定春季土壤盐分最优反演模型,定量反演地表土壤含盐量。结果表明：（1） 研究区主要为非盐化土和轻度盐化土,总样本变异系数为0.67,呈中等变异性;光谱反射率与土壤盐渍化程度的关系表现为土壤盐渍化越重,光谱反射率越高。（2） 海岸波段（b1）、蓝波段（b2）、绿波段（b3）、红波段（b4）和盐分指数（SI1、SI2、SI3、SI4、S3、S4、S5）均通过显著性检验P<0.01,相关系数均达到0.4以上。（3） 所有模型中,基于全变量组建立的BPNN反演模型精度最高,建模集R²为0.705;验证集R²为0.556。（4） 由反演结果可知,2019、2021年春季耕作区土壤主要为非盐化土,分别占耕作区总面积的55.55%和64.62%,其次为轻度盐化土,分别占44.31%和35.17%;2021年土壤盐渍化程度较2019年有所减轻。