[go: up one dir, main page]

CN118758826B - 矿区土壤粒径含量及其空间分布的反演方法、装置和介质 - Google Patents

矿区土壤粒径含量及其空间分布的反演方法、装置和介质 Download PDF

Info

Publication number
CN118758826B
CN118758826B CN202410750653.5A CN202410750653A CN118758826B CN 118758826 B CN118758826 B CN 118758826B CN 202410750653 A CN202410750653 A CN 202410750653A CN 118758826 B CN118758826 B CN 118758826B
Authority
CN
China
Prior art keywords
soil
data
particle size
inversion
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410750653.5A
Other languages
English (en)
Other versions
CN118758826A (zh
Inventor
胡振琪
李泉志
张帆
梁宇生
郭严文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202410750653.5A priority Critical patent/CN118758826B/zh
Publication of CN118758826A publication Critical patent/CN118758826A/zh
Application granted granted Critical
Publication of CN118758826B publication Critical patent/CN118758826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Dispersion Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本公开提供的矿区土壤粒径含量及其空间分布的反演方法，包括：获取待测矿区的多光谱遥感影像数据，得到大气表观反射率数据；对待测矿区进行局部表层土壤采样，得到多种不同粒径级别的表层土壤数据；根据大气表观反射率数据得到地表反射率数据，筛选采样点处的局部地表反射率数据；对各粒径级别的表层土壤数据与局部地表反射率数据的相关性分别进行统计分析，得到各粒径级别的优选的表层土壤数据；将地表反射率数据与各优选的表层土壤数据一一对应，分别构建各类土壤粒径反演模型；将地表反射率数据输入各类土壤粒径反演模型中，得到待测矿区的各类土壤粒径含量及其空间分布。本公开能够快速、准确地获取大面积矿区的土壤粒径含量及其空间分布。

Description

矿区土壤粒径含量及其空间分布的反演方法、装置和介质
技术领域
本公开实施例属于矿区地表生态环境监测技术领域，特别涉及一种基于多光谱遥感影像的矿区土壤粒径含量及其空间分布的反演方法、装置和介质。
背景技术
土壤质地是土壤的重要物理性质，在确定土壤孔隙度、渗透性、持水能力等方面起着关键作用，它与土壤通气、保肥、保水状况及耕作的难易有密切关系。黄河流域中上游是中国煤炭工业的主要产地，大规模开采扰动对地表脆弱的土壤生态环境造成了严重影响。粒径分布是中国西部干旱半干旱矿区复垦土壤的重要特性之一，与黄河流域生态环境保护治理密切相关。同时，土壤质地状况是拟定土壤利用、管理和改良措施的重要依据，监测矿山复垦过程中土壤粒径分布的变化情况，是评估矿区土地复垦成败的关键指标。因此，关于土壤粒径含量和分布信息的长期、有效且快速的监测方法对干旱半干旱矿区的生态修复和表土重构治理评价具有至关重要的现实意义。
目前，土壤粒径测定方法主要包括干筛法、吸管法、比重计法等，这些方法各有特点，适用于不同粒径范围的土壤颗粒分析，但均耗时费力，且适用范围有限，无法快速获取大尺度范围的土壤粒径含量及其空间分布信息。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开实施例提供的一种矿区土壤粒径含量及其空间分布的反演方法、装置和介质，能方便快捷、高效、可重复使用并能准确获取大面积范围的矿区表层土壤不同粒径的含量及空间分布特征，且特别适用于干旱半干旱矿区。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供的一种矿区土壤粒径含量及其空间分布的反演方法，包括：
获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
对待测矿区进行局部表层土壤采样并测样分析，得到N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
对大气表观反射率数据R0a进行大气校正得到地表反射率数据R0b，从地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
将地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
将地表反射率数据R0b输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
在一些实施例中，在获取所述待测矿区的多光谱遥感影像数据R0后先对其进行影像预处理，包括影像裁剪和辐射定标，随后将预处理后的多光谱遥感影像数据中各数据点的从DN值转换为大气表观反射率，以此得到所述大气表观反射率数据R0a。
在一些实施例中，所述对待测矿区进行局部表层土壤采样并测样分析，得到N种不同粒径级别的表层土壤数据，具体包括：
在研究区域分散采样位置，对每个采样位置处的表层土壤分别进行分层取样，在每个采样点使用取土钻收集相同重量的土壤样本，记录采样时间、地点、样品编号、采样土壤厚度和每个采样位置的经纬度坐标；
将所有采集样品使用2mm的标准筛分方法，每个样本分为N种粒径级别，得到N种不同粒径级别的土壤含量，与每个样本的采样点位置与采样土壤厚度共同组成表层土壤数据Di，i＝1,2,…,N。
在一些实施例中，对大气表观反射率数据R0a进行大气校正时使用6SV大气校正模型。
在一些实施例中按照以下步骤得到所述优选的表层土壤数据Dia：
分析表层土壤数据Di中各采样土壤厚度下不同土壤粒径含量与地表反射率数据R0c之间的相关性，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，进而从表层土壤数据Di中筛选得到最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia。
在一些实施例中，构建的各类土壤粒径反演模型Si的结构相同或者不同，构建各类土壤粒径反演模型Si采用的方法包括多元线性回归法、偏最小二乘回归法和支持向量机法。
在一些实施例中，构建各类土壤粒径反演模型Si时，针对每种粒径级别的优选的表层砂粒土壤数据Dia，均分别构建多个候选土壤粒径反演模型，利用统计指标从多个候选土壤粒径反演模型中筛选出反演精度最高的候选土壤粒径反演模型，作为相应粒径级别的土壤粒径反演模型Si。
在一些实施例中，测样时，将待测矿区的表层土壤的粒径级别分为N＝3种，分别为砂粒、粉粒和黏粒。
本公开第二方面提供的一种矿区土壤粒径含量及其空间分布的反演装置，包括：
第一模块，被配置为获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
第二模块，被配置为通过对待测矿区进行局部表层土壤采样并测样分析得到的N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，第i种粒径级别的表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
第三模块，被配置为对大气表观反射率数据R0a进行大气校正，得到地表反射率数据R0b，从该地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
第四模块，被配置为对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
第五模块，被配置为将局部地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
第六模块，被配置为将地表反射率数据R0b分别输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
本公开第三方面提供的一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行根据本公开第一方面任一实施例所述的反演方法。
本公开实施例提供的一种矿区土壤粒径含量及其空间分布的反演方法、装置和介质，具有以下特点及有益效果：
本公开针对现有相关技术中存在的技术问题，结合目前的遥感图像处理方法、大气校正方法、建模预测计算方法，提出了一种矿区土壤粒径含量及其空间分布的反演方法、装置和介质，本公开能有效应用在干旱半干旱矿区土壤粒径分布的变化监测，为及时准确的动态监测矿区表土信息提供数据支撑，对矿区生态修复治理评价具有现实意义，适用于中国西部干旱半干旱矿区生态环境监测领域。具体地：
本公开实施例所使用的6SV大气校正方法，在精确地模拟卫星和平面观测高度、合理考虑异向性和非均一地表、非朗伯体等因素的基础上，可以对连续有序的散射进行模拟，计算辐射极化，进而求解辐射传输方程，能够更加有效地消除瑞利散射和气溶胶的影响，结合通过MODIS逐日计算而得的大气压、水蒸气、臭氧等具有更高时间、空间分辨率的辅助气象数据，计算所得地表反射率数据进行土壤粒径含量的建模分析具有更高精度，以及更好的适用性，相较于其他方法在矿山等地表起伏较大、微观地表不均一的区域更能真实反映其地表反射率特征。本公开实施例提供的干旱半干旱矿区土壤粒径含量及其空间分布的反演方法，采用的6SV-SVM反演模型来计算各类土壤粒径含量，6SV-SVM模型在处理小样本、非线性等方面表现出优秀的分类和泛化能力，以统计学理论为基础，不需要过大的数据集，采用基于径向基核函数的支持向量机建模方法，将低维特征值升维，在高维空间中构造线性决策函数来实现非线性问题的回归预测，更适用于根据地表反射光谱特征来预测土壤特性的需求，预测精度更为准确。本公开可利用在干旱半干旱地区的矿山生态环境监测，对矿山生态修复、土壤重构工作，提供动态监测土壤质地变化信息的有效技术手段。
附图说明
图1为本公开实施例提供的一种矿区土壤粒径含量及其空间分布的反演方法的总体流程图；
图2为本公开实施例提供的反演方法中选取的多光谱遥感影像数据R0的示例图，其中a、b、c、d分别为研究区影像概况图、海拔变化图、NDVI分布图、采样点位置示意图；
图3为本公开实施例提供的反演方法中获取的采样点土壤粒径分析数据的示例图，(a)、(b)、(c)分别为采样土壤厚度是0-20cm、20cm-40cm、40cm-60cm的土壤粒径含量数据；
图4为本公开实施例提供的反演方法中不同采样土壤厚度的3种粒径含量与局部地表反射率数据R0c之间的相关性示例图，从上至下依次是砂粒、粉粒、黏粒含量与局部地表反射率数据R0c之间的相关性数据图；
图5为本公开实施例提供的反演方法中通过建模对比分析反演精度筛选最优建模方法的示例图，(a)、(b)、(c)分别为MLR模型、PLSR模型、SVM模型，(Ⅰ)、(Ⅱ)、(Ⅲ)分别为砂粒、粉粒、黏粒含量，反映预测值与真实值拟合效果；
图6为本公开实施例提供的计算待测矿区三种土壤粒径含量及其空间分布的反演结果示例图，a、b、c分别为砂粒、粉粒、黏粒含量的反演结果。
图7是本公开第三方面实施例提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本申请，并不用于限定本申请。
相反，本申请涵盖任何由权利要求定义的在本申请精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本申请有更好的了解，在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
参见图1，本公开第一方面实施例提供的矿区土壤粒径含量及其空间分布的反演方法，包括以下步骤：
步骤S1、获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
步骤S2、对待测矿区进行局部表层土壤采样并测样分析，得到N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，第i种粒径级别的表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
步骤S3、对步骤S1得到的大气表观反射率数据R0a进行大气校正，得到地表反射率数据R0b，从该地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
步骤S4、对步骤S2得到的各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
步骤S5、将局部地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
步骤S6、将地表反射率数据R0b分别输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
在一些实施例中，待测矿区为干旱或半干旱露天矿区，即气候类型为年降雨量小于400毫米的露天开采矿区。干旱半干旱露天矿区其的气候条件与开采扰动因素，极大降低了土壤湿度与植被覆盖等因素对反射光谱反演土壤质地的影响，有效提高模型反演精度。
在一些实施例中，步骤S1中，选取待测矿区的Landsat-8遥感影像作为多光谱遥感影像数据R0，可通过以下两种方式中的任一种获取：
(1)通过USGS官网、地理空间数据云网站搜索待测矿区的卫星遥感影像并下载；
(2)通过GEE、PIE等云计算平台查询搜索待测矿区的遥感影像下载获取。
进一步地，步骤S1中，在获取待测矿区的多光谱遥感影像数据R0后，先对该多光谱遥感影像数据R0进行预处理，包括影像裁剪和辐射定标，可通过ENVI软件进行上述预处理操作，将预处理后的多光谱遥感影像数据中各数据点的DN(Digital Number)值转换为大气表面反射率，以此得到大气表观反射率数据R0a，其中，将DN值转换为大气表面反射率的采用的计算公式为：
ρ＝DN·gain+offset (1)
式中，ρ表示大气表面反射率；DN值是多光谱遥感影像的像元亮度值，直接存储在遥感影像文件中；gain是增益，offset是偏移值，两个参数由ENVI软件从遥感影像头文件中的元数据直接读取。
在一些实施例中，步骤S2具体包括以下步骤：
步骤S21、在待测矿区分散采样位置，对每个采样位置处的表层土壤分别进行分层取样，本实施例中，每个采样位置处分3层且等间隔的取样，每层的采样厚度均为20cm，则各层对应的采样土壤厚度分别为：0～20cm、20cm～40cm、40cm～60cm，在每个采样点使用取土钻收集土壤样品，每层样品采集1kg左右，装入样品袋中，记录采样时间、地点、样品编号、采样土壤厚度，并使用全球定位系统(GPS)接收器记录每个采样位置的经纬度坐标。
步骤S22、对所有采集样品使用2mm的标准筛分方法，每个表土样本分为N种粒径级别，得到N种不同粒径级别的土壤含量，根据该土壤含量及对应的采样点位置(该采样点位置由步骤S21中记录的经纬度坐标表征)和采样土壤厚度分别得到每种粒径级别的表层土壤数据Di，i＝1,2,…,N。在本实施例中，设N＝3，按照三类分类标准对所有采集样品进行筛分：砂粒(0.05-2.0mm)，粉粒(0.002-0.05mm)，黏粒(<0.002mm)，然后得到表层砂粒土壤数据D1、粉粒土壤数据D2和黏粒土壤数据D3。
在一些实施例中，步骤S3中，对大气表观反射率数据R0a进行大气校正时采用的模型为6SV大气校正模型，更为具体地，本实施例中使用RSD(Remote Sensing Desktop)软件中的6SV大气校正模块，RSD软件包含美国地质勘探局(USGS)基于6SV2.1模型为Landsat8设计的大气校正程序(LaSRC)，辅助气象数据由USGS通过中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)逐日为LaSRC计算而得，大气压力、水蒸汽与臭氧含量、气溶胶光学厚度等气象数据具有更高的时间、空间分辨率。调用成像当天的辅助气象数据，对大气表观反射率数据R0a进行大气校正，从而得到地表反射率数据R0b。随后，将该地表反射率数据R0b中各采样点处的地表反射率筛选出来，由其构成局部地表反射率数据R0c。
在一些实施例中，步骤S4具体包括以下步骤：
分析表层土壤数据Di中各采样土壤厚度下不同土壤粒径含量与地表反射率数据R0c之间的相关性，对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析时，使用皮尔逊(Pearson)相关系数度量各粒径级别的表层土壤数据Di与局部地表反射率数据R0c之间的相关关系，其值介于[-1,1]之间，当计算值越接近于±1时，表明二者之间的线性相关关系越显著。经过计算各粒径级别的表层土壤数据Di中不同采样土壤厚度范围的粒径含量数据与局部地表反射率数据R0c的相关系数，将相关系数最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia，i＝1,2,…,N。在本实施例中，设N＝3，通过相关性统计分析，得到最优反演土壤厚度范围为0～40cm，得到优选的表层砂粒土壤数据D1a、优选的粉粒土壤数据D2a和优选的黏粒土壤数据D3a。
在一些实施例中，步骤S5中，构建的各类土壤粒径反演模型Si的结构相同或者不同，构建各类土壤粒径反演模型Si的方法包括多元线性回归法(MLR)、偏最小二乘回归法(PLSR)和支持向量机法(SVM)等方法。
进一步地，为了提高本实施例方法的反演精度，步骤S5中，针对每种粒径级别的优选的表层砂粒土壤数据Dia，均分别构建多个候选土壤粒径反演模型，然后利用统计指标从多个候选土壤粒径反演模型中筛选出反演精度最高的候选土壤粒径反演模型，作为相应粒径级别的土壤粒径反演模型Si。本实施例中，采用MLR、PLSR和SVM方法分别构建候选土壤粒径反演模型并筛选出最优的候选土壤粒径反演模型作为各类土壤粒径反演模型Si，具体步骤如下：
步骤S51、构建多个候选土壤粒径反演模型
a、针对使用MLR或PLSR方法构建的候选土壤粒径反演模型
定义局部地表反射率数据R0c中各个波段的所有地表反射率数据为自变量xj，j＝1,2,…,J，J为获取的待测矿区的多光谱遥感影像数据R0中含有的总波段数，本实施例中J＝7，j为波段号，N种不同类型土壤粒径的含量为因变量yi，i＝1,2,…,N。使用MLR或PLSR方法建立xj与yi之间的回归方程如下：
其中，kij和bi为回归方程的系数。
b、针对基于SVM机器学习方法构建的候选土壤粒径反演模型
分别建立N种不同土壤粒径含量的候选土壤粒径反演模型，逐一运用svmtrain和svmpredict两个主要函数，70％的数据用于训练，30％的数据用于检验，其他主要参数设置如下：SVM type：epsilon-SVR；kernel type(内核类型)：Radial Basis Function(径向基核函数)；γ：2.8；cost(损失)：1；ε：0.05。
步骤S52、土壤粒径反演模型优选
使用R2(R-Square)、MSE(Mean Squared Error，均方误差)等统计值来验证步骤S51构建的各候选土壤粒径反演模型的预测精度，这些验证指标可以按如下公式计算：
式中，ym和分别是输入模型中第i种粒径级别的优选的表层砂粒土壤数据Dia中第m个样本对应的土壤粒径含量的真实值和预测值，是优选的表层砂粒土壤数据Dia对应的土壤粒径含量真实值的平均值，M是输入模型的第i种粒径级别的优选的表层砂粒土壤数据Dia中样本的总数量。R2的计算范围为(0,1)，越接近1表示模型效果越好。MSE说明样本的离散程度，其值越接近于0，说明模型的质量越好，预测精度更高。然后对比分析多种候选土壤粒径反演模型的验证指标，筛选得到反演精度最高的各类土壤粒径反演模型Si，i＝1,2,…,N。在本实施例中，设N＝3，即筛选得到反演精度最高的砂粒反演模型S1、粉粒反演模型S2和黏粒反演模型S3。本实施例通过构建多种土壤粒径反演模型，并从中选择反演精度最高的SVM建模方法构建各类土壤粒径反演模型Si，从而保证模型反演待测矿区土壤粒径含量的准确性。
在一些实施例中，步骤S6中，将地表反射率数据R0b输入各类土壤粒径反演模型Si中，由于地表反射率数据R0b含有待测矿区的位置信息，因此模型反演计算得到待测矿区的表层土壤数据Dib，i＝1,2,…,N，待测矿区的表层土壤数据Dib即包含待测矿区各类土壤粒径含量及其空间分布信息。在本实施例中，设N＝3，即将地表反射率数据R0b分别输入砂粒反演模型S1、粉粒反演模型S2和黏粒反演模型S3中，计算得到待测矿区的表层砂粒土壤数据D1b、粉粒土壤数据D2b和黏粒土壤数据D3b，即得到待测矿区砂粒、粉粒和黏粒土壤粒径的含量及其空间分布信息。
为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明，本实施例以中国内蒙古自治区乌海市为研究区域，基于Landsat8 OLI多光谱影像数据反演获取研究区域不同土壤粒径含量及其空间分布信息，以下具体实施例不构成对本公开的限定。
本实施例的干旱半干旱矿区土壤粒径含量及其空间分布的反演方法，包括以下步骤：
步骤S1：获取研究区域的多光谱遥感影像数据R0，并进行预处理，得到大气表观反射率数据R0a，具体包括：
选择与实地采样相近时间的Landsat8 OLI影像R0(2021年7月31日获取，行：129，列：33)。影像数据从USGS(United States Geological Survey)网站免费下载。在获取研究区域的多光谱遥感影像数据R0后，使用ENVI5.3进行影像预处理，包括影像裁剪和辐射定标，通过公式(1)将预处理后的多光谱遥感影像数据中各数据点的DN(Digital Number)值转换为大气表面反射率，以此得到大气表观反射率数据R0a。
本实施例选取的多光谱遥感影像数据R0示例图如图2所示，其中a、b、c、d分别为研究区影像概况图、海拔变化图、NDVI分布图、采样点位置示意图。
步骤S2：在研究区域进行进行局部表层土壤采样并测样分析，分别得到表层砂粒土壤数据D1、粉粒土壤数据D2和黏粒土壤数据D3，具体包括：
于2021年7月22日进行实地采样，在乌海湖附近的15个位置，每个位置3层(采样土壤厚度为：0-20cm、20cm-40cm、40cm-60cm)，共采集了45个表层土壤样本。在每个采样点使用手动螺纹取土钻收集土壤样本，每层样品采集1kg左右，装入样品袋中，记录采时间、地点、样品编号、采样深度，并使用全球定位系统(GPS)接收器记录每个采样位置的经纬度坐标。将所有采集样品带回实验室，按照中国制土壤粒级分类标准(1987《中国土壤》)，使用2mm的标准筛分技术，筛选风干的表层土壤样品，然后分析土壤颗粒数据。将测得的土壤颗粒分析数据整合为3类：砂粒(0.05-2.0mm)，粉粒(0.002-0.05mm)，黏粒(<0.002mm)，得到表层砂粒土壤数据D1、粉粒土壤数据D2和黏粒土壤数据D3。
本实施例获取的采样点土壤粒径分析数据示例图如图3所示，(a)、(b)、(c)分别为采样土壤厚度是0-20cm、20cm-40cm、40cm-60cm的土壤粒径含量数据。
步骤S3：对大气表观反射率数据R0a进行大气校正时采用的模型为6SV大气校正模型，更为具体地，本实施例中使用RSD(Remote Sensing Desktop)软件中的6SV大气校正模块，RSD软件包含美国地质勘探局(USGS)基于6SV2.1模型为Landsat8设计的大气校正程序(LaSRC)，辅助气象数据由USGS通过中分辨率成像光谱仪(Moderate-resolution ImagingSpectroradiometer，MODIS)逐日为LaSRC计算而得，大气压力、水蒸汽与臭氧含量、气溶胶光学厚度等气象数据具有更高的时间、空间分辨率。调用成像当天的辅助气象数据，对大气表观反射率数据R0a进行大气校正，从而得到地表反射率数据R0b。随后，将该地表反射率数据R0b中各采样点处的地表反射率筛选出来，由其构成局部地表反射率数据R0c。
步骤S4：对各粒径级别的表层土壤数据D1、D2和D3与局部地表反射率数据R0c的相关性分别进行统计分析，筛选得到最优反演土壤厚度范围内的优选的表层砂粒土壤数据D1a、优选的粉粒土壤数据D2a和优选的黏粒土壤数据D3a，具体包括：
使用Pearson相关系数度量表层砂粒土壤数据D1、粉粒土壤数据D2和黏粒土壤数据D3分别与局部地表反射率数据R0c之间的相关关系，其值介于-1与1之间，具体计算公式如下：
式中，Xq表示某一采样点土壤粒径含量，Yq表示某一采样点地表反射率数据，q表示采样点的数量，是所有采样点土壤粒径的平均含量，是所有采样点的平均值地表反射率。r表示Pearson相关系数，其值小于0，表示地表反射率和土壤粒径含量呈负相关，反之，大于0则表示二者之间呈正相关。当计算值r越接近于±1时，表明二者之间的线性相关关系越显著。
经过计算各粒径级别的表层土壤数据D1、D2和D3中不同采样土壤厚度范围(0-20cm、0-40cm和0-60cm)的粒径含量数据与局部地表反射率数据R0c的相关系数，将相关性最高的采样土壤厚度(0-40cm)定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据D1、D2和D3中筛选出最优反演土壤厚度范围(0-40cm)内的数组，分别得到优选的表层砂粒土壤数据D1a、优选的粉粒土壤数据D2a和优选的黏粒土壤数据D3a。
本实施例分析的不同土壤厚度的3种粒径含量与局部地表反射率数据R0c之间的相关性示例图如图4所示，(a)、(b)、(c)依次是砂粒、粉粒、黏粒含量与局部地表反射率数据R0c之间的相关性数据图，图中的横坐标Band表示波段，B1～B7分别对应波段1～波段7，纵坐标Pearson Correlation为计算的相关性系数。
步骤S5：利用局部地表反射率数据R0c分别与优选的表层土壤数据D1a、D2a和D3a构建砂粒反演模型S1、粉粒反演模型S2和黏粒反演模型S3，具体包括：
将局部地表反射率数据R0c与每种优选的表层土壤数据D1a、D2a和D3a一一对应，均分别构建基于多元线性回归法(MLR)、偏最小二乘回归法(PLSR)和支持向量机法(SVM)的候选土壤粒径反演模型，具体构建过程详见上述步骤S51；
使用按照公式(3)和公式(4)计算的R2(R-Square)、MSE(Mean Squared Error)来验证构建的各候选土壤粒径反演模型的预测精度，筛选得到反演精度最高的建模方法为支持向量机法(SVM)，即使用支持向量机法(SVM)构建研究区域的砂粒反演模型S1、粉粒反演模型S2和黏粒反演模型S3。
本实施例建模对比分析反演精度筛选最优建模方法的示例图如图5所示，(a)、(b)、(c)分别为MLR模型、PLSR模型、SVM模型，(Ⅰ)、(Ⅱ)、(Ⅲ)分别为砂粒、粉粒、黏粒含量，反映预测值与真实值拟合效果。
步骤S6：将地表反射率数据R0b输入各类土壤粒径反演模型S1、S2和S3中，由于地表反射率数据R0b含有待测矿区的位置信息，计算得到待测矿区的表层砂粒土壤数据D1b、粉粒土壤数据D2b和黏粒土壤数据D3b，即包含待测矿区砂粒、粉粒和黏粒土壤粒径的含量及其空间分布信息。
本实施例计算待测矿区三种土壤粒径含量及分布的反演结果示例图如图6所示，a、b、c分别为砂粒、粉粒、黏粒含量的反演结果。
本公开实施例提供的干旱半干旱矿区土壤粒径含量及其空间分布信息的反演方法，针对土壤粒径含量这一衡量指标，使用多光谱遥感影像数据，结合局部实地土壤采样的小样本数据，优选反演土壤厚度以及建模方法，反演得到研究区域的土壤粒径含量和空间分布信息。该方法可以应用干旱半干旱矿区的生态修复和表土重构治理评价，实现长期、有效且快速的土壤粒径含量及其时空分布规律监测。
本公开第二方面实施例提供的一种土壤粒径含量及其空间分布的反演装置，包括：
第一模块，被配置为获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
第二模块，被配置为通过对待测矿区进行局部表层土壤采样并测样分析得到的N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，第i种粒径级别的表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
第三模块，被配置为对大气表观反射率数据R0a进行大气校正，得到地表反射率数据R0b，从该地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
第四模块，被配置为对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
第五模块，被配置为将局部地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
第六模块，被配置为将地表反射率数据R0b分别输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
需要说明的是，前述对一种矿区土壤粒径含量及其空间分布的反演方法的实施例解释说明也适用于本实施例的一种矿区土壤粒径含量及其空间分布的反演装置，在此不再赘述。
为了实现上述实施例，本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，用于执行上述实施例的矿区土壤粒径含量及其空间分布的反演方法。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备的结构示意图。其中，需要说明的是，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、服务器等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中，还存储有电子设备操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常，以下装置可以连接至I/O接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从ROM 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述矿区土壤粒径含量及其空间分布的反演方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如“C-”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种矿区土壤粒径含量及其空间分布的反演方法，其特征在于，包括：
获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
对待测矿区进行局部表层土壤采样并测样分析，得到N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
对大气表观反射率数据R0a进行大气校正得到地表反射率数据R0b，从地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
将地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
将地表反射率数据R0b输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
2.根据权利要求1所述的反演方法，其特征在于，在获取所述待测矿区的多光谱遥感影像数据R0后先对其进行影像预处理，包括影像裁剪和辐射定标，随后将预处理后的多光谱遥感影像数据中各数据点的从DN值转换为大气表观反射率，以此得到所述大气表观反射率数据R0a。
3.根据权利要求1所述的反演方法，其特征在于，所述对待测矿区进行局部表层土壤采样并测样分析，得到N种不同粒径级别的表层土壤数据，具体包括：
在研究区域分散采样位置，对每个采样位置处的表层土壤分别进行分层取样，在每个采样点使用取土钻收集相同重量的土壤样本，记录采样时间、地点、样品编号、采样土壤厚度和每个采样位置的经纬度坐标；
将所有采集样品使用2mm的标准筛分方法，每个样本分为N种粒径级别，得到N种不同粒径级别的土壤含量，与每个样本的采样点位置与采样土壤厚度共同组成表层土壤数据Di，i＝1,2,…,N。
4.根据权利要求1所述的反演方法，其特征在于，对大气表观反射率数据R0a进行大气校正时使用6SV大气校正模型。
5.根据权利要求1所述的反演方法，其特征在于，按照以下步骤得到所述优选的表层土壤数据Dia：
分析表层土壤数据Di中各采样土壤厚度下不同土壤粒径含量与地表反射率数据R0c之间的相关性，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，进而从表层土壤数据Di中筛选得到最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia。
6.根据权利要求1所述的反演方法，其特征在于，构建的各类土壤粒径反演模型Si的结构相同或者不同，构建各类土壤粒径反演模型Si采用的方法包括多元线性回归法、偏最小二乘回归法和支持向量机法。
7.根据权利要求1所述的反演方法，其特征在于，构建各类土壤粒径反演模型Si时，针对每种粒径级别的优选的表层砂粒土壤数据Dia，均分别构建多个候选土壤粒径反演模型，利用统计指标从多个候选土壤粒径反演模型中筛选出反演精度最高的候选土壤粒径反演模型，作为相应粒径级别的土壤粒径反演模型Si。
8.根据权利要求1～7中任一项所述的反演方法，其特征在于，测样时，将待测矿区的表层土壤的粒径级别分为N＝3种，分别为砂粒、粉粒和黏粒。
9.一种矿区土壤粒径含量及其空间分布的反演装置，其特征在于，包括：
第一模块，被配置为获取待测矿区的多光谱遥感影像数据R0，根据其得到大气表观反射率数据R0a；
第二模块，被配置为通过对待测矿区进行局部表层土壤采样并测样分析得到的N种不同粒径级别的表层土壤数据，将第i种粒径级别的表层土壤数据记为Di，i＝1,2,…,N，第i种粒径级别的表层土壤数据Di由若干数组组成，每个数组包括采样点处第i种粒径级别的土壤含量、采样点位置和采样土壤厚度；
第三模块，被配置为对大气表观反射率数据R0a进行大气校正，得到地表反射率数据R0b，从该地表反射率数据R0b中筛选出各采样点处的地表反射率得到局部地表反射率数据R0c；
第四模块，被配置为对各粒径级别的表层土壤数据Di与局部地表反射率数据R0c的相关性分别进行统计分析，将相关性最高的采样土壤厚度定义为最优反演土壤厚度范围，从各粒径级别的表层土壤数据Di中筛选出最优反演土壤厚度范围内的数组，分别得到优选的表层土壤数据Dia；
第五模块，被配置为将局部地表反射率数据R0c与各优选的表层土壤数据Dia一一对应，分别构建各类土壤粒径反演模型Si；
第六模块，被配置为将地表反射率数据R0b分别输入各类土壤粒径反演模型Si中，得到待测矿区的表层土壤数据Dib，即包含待测矿区各类土壤粒径含量及其空间分布信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1～8中任一项所述的反演方法。
CN202410750653.5A 2024-06-12 2024-06-12 矿区土壤粒径含量及其空间分布的反演方法、装置和介质 Active CN118758826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410750653.5A CN118758826B (zh) 2024-06-12 2024-06-12 矿区土壤粒径含量及其空间分布的反演方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410750653.5A CN118758826B (zh) 2024-06-12 2024-06-12 矿区土壤粒径含量及其空间分布的反演方法、装置和介质

Publications (2)

Publication Number Publication Date
CN118758826A CN118758826A (zh) 2024-10-11
CN118758826B true CN118758826B (zh) 2024-12-10

Family

ID=92936932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410750653.5A Active CN118758826B (zh) 2024-06-12 2024-06-12 矿区土壤粒径含量及其空间分布的反演方法、装置和介质

Country Status (1)

Country Link
CN (1) CN118758826B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119619012B (zh) * 2024-11-22 2025-10-10 中国科学院空间应用工程与技术中心 一种花岗伟晶岩粒度的反演方法、装置和计算设备
CN119959084B (zh) * 2025-04-09 2025-07-18 东北大学 矿区土壤粒径反演方法及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6018587A (en) * 1991-02-21 2000-01-25 Applied Spectral Imaging Ltd. Method for remote sensing analysis be decorrelation statistical analysis and hardware therefor
CN116735507A (zh) * 2023-06-02 2023-09-12 哈尔滨师范大学 一种基于无人机低空遥感影像的开裂盐碱土电导率测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6018587A (en) * 1991-02-21 2000-01-25 Applied Spectral Imaging Ltd. Method for remote sensing analysis be decorrelation statistical analysis and hardware therefor
CN116735507A (zh) * 2023-06-02 2023-09-12 哈尔滨师范大学 一种基于无人机低空遥感影像的开裂盐碱土电导率测量方法

Also Published As

Publication number Publication date
CN118758826A (zh) 2024-10-11

Similar Documents

Publication Publication Date Title
CN118758826B (zh) 矿区土壤粒径含量及其空间分布的反演方法、装置和介质
Hsu et al. Retrieving near‐global aerosol loading over land and ocean from AVHRR
Shen et al. A high spatiotemporal gauge‐satellite merged precipitation analysis over China
Cho et al. The value of long‐term (40 years) airborne gamma radiation SWE record for evaluating three observation‐based gridded SWE data sets by seasonal snow and land cover classifications
Liu et al. Mapping annual mean ground‐level PM2. 5 concentrations using Multiangle Imaging Spectroradiometer aerosol optical thickness over the contiguous United States
Magnusson et al. Evaluating snow models with varying process representations for hydrological applications
Lassman et al. Spatial and temporal estimates of population exposure to wildfire smoke during the Washington state 2012 wildfire season using blended model, satellite, and in situ data
Hofstra et al. Testing E‐OBS European high‐resolution gridded data set of daily precipitation and surface temperature
Loisel et al. Spectral dependency of optical backscattering by marine particles from satellite remote sensing of the global ocean
Yang et al. Merging high‐resolution satellite‐based precipitation fields and point‐scale rain gauge measurements—A case study in Chile
Jakobi et al. Error estimation for soil moisture measurements with cosmic ray neutron sensing and implications for rover surveys
Shuai et al. Quality assessment of BRDF/albedo retrievals in MODIS operational system
Bell et al. Comparing satellite rainfall estimates with rain gauge data: Optimal strategies suggested by a spectral model
Zhou et al. Vertical distributions of raindrops and Z‐R relationships using microrain radar and 2‐D‐video distrometer measurements during the Integrative Monsoon Frontal Rainfall Experiment (IMFRE)
Larue et al. Simulation and assimilation of passive microwave data using a snowpack model coupled to a calibrated radiative transfer model over northeastern Canada
Pipunic et al. An evaluation and regional error modeling methodology for near‐real‐time satellite rainfall data over Australia
Bulut et al. Evaluation of remotely-sensed and model-based soil moisture products according to different soil type, vegetation cover and climate regime using station-based observations over Turkey
Whiteley et al. Brief communication: The role of geophysical imaging in local landslide early warning systems
Chasmer et al. Characterizing vegetation structural and topographic characteristics sampled by eddy covariance within two mature aspen stands using lidar and a flux footprint model: Scaling to MODIS
Huerta et al. PISCOeo_pm, a reference evapotranspiration gridded database based on FAO Penman-Monteith in Peru
Li et al. Synergy of satellite‐and ground‐based aerosol optical depth measurements using an ensemble Kalman filter approach
He et al. Water vapor retrieval from MERSI NIR channels of Fengyun-3B satellite using ground-based GPS data
Qiu et al. The added value of brightness temperature assimilation for the SMAP level-4 surface and root-zone soil moisture analysis over mainland China
Hong et al. Cloud phase characteristics over Southeast Asia from A-Train satellite observations
Yan et al. PCSSR‐DNNWA: A physical constraints based surface snowfall rate retrieval algorithm using deep neural networks with attention module

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant