CN112816658A - 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 - Google Patents
基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 Download PDFInfo
- Publication number
- CN112816658A CN112816658A CN202110006943.5A CN202110006943A CN112816658A CN 112816658 A CN112816658 A CN 112816658A CN 202110006943 A CN202110006943 A CN 202110006943A CN 112816658 A CN112816658 A CN 112816658A
- Authority
- CN
- China
- Prior art keywords
- soil
- remote sensing
- soil nutrient
- area
- following
- 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.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 81
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000005416 organic matter Substances 0.000 claims abstract description 6
- 238000007605 air drying Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 239000002253 acid Substances 0.000 claims description 9
- 239000012086 standard solution Substances 0.000 claims description 9
- 238000007430 reference method Methods 0.000 claims description 7
- 238000004162 soil erosion Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000004433 nitrogen atom Chemical group N* 0.000 claims description 3
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical compound [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 claims description 3
- 229910052939 potassium sulfate Inorganic materials 0.000 claims description 3
- 239000012085 test solution Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 abstract 2
- 230000009466 transformation Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000035558 fertility Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000012010 growth Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- PTKRHFQQMJPPJN-UHFFFAOYSA-N dipotassium;oxido-(oxido(dioxo)chromio)oxy-dioxochromium;sulfuric acid Chemical compound [K+].[K+].OS(O)(=O)=O.[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O PTKRHFQQMJPPJN-UHFFFAOYSA-N 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 235000003891 ferrous sulphate Nutrition 0.000 description 2
- 239000011790 ferrous sulphate Substances 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- BAUYGSIQEAFULO-UHFFFAOYSA-L iron(2+) sulfate (anhydrous) Chemical compound [Fe+2].[O-]S([O-])(=O)=O BAUYGSIQEAFULO-UHFFFAOYSA-L 0.000 description 2
- 229910000359 iron(II) sulfate Inorganic materials 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及土壤养分监测技术领域，具体地说，涉及基于低空遥感的大区域尺度表层土壤养分空间特征监测方法。其方法步骤如下：土壤样品采集：对土壤样品采集，将土壤样品混合，经自然状态下风干后测定有机质和全氮含量，将GPS测得的带有坐标记录的采样点数据转换为具有空间坐标的点；遥感监测土壤养分空间分布：采用遥感结合地统计方法分析土壤要素空间分布特征；预测结果：利用高光谱仪室内条件、野外实测土壤光谱反射率，通过对比分析多种光谱曲线的变换形式与土壤养分信息相关性，本发明利用遥感技术对土壤养分进行监测，可以实现土壤养分准确、经济和快速的监测目的，且对土壤养分空间分布的模拟精度最高。
Description
技术领域
本发明涉及土壤养分监测技术领域，具体地说，涉及基于低空遥感的大区域尺度表层土壤养分空间特征监测方法。
背景技术
土壤养分是耕地地力的重要标志，能供应和协调植物生长的营养条件与环境条件,对土地的可持续利用具有重要作用，土壤养分是土地生产力的基础，是植物生长的必要条件,也是衡量土壤质量好坏的重要指标，土壤养分具有一定的空间分布特性，并表现出一定的结构性和随机性，是人类各种活动及气候、地形等因素综合影响的结果，土壤养分及其空间分异的调查与研究是耕地地力评价的一项重要内容，研究土壤养分空间变异，特别是对其量化过程的研究，对指导植被恢复及区域生态评价、治理等具有重要意义，同时土壤养分空间变异研究是进行县级耕地地力评价的基础与前提，该工作将成为未来推广测土配方施肥，实现精准农业的一个基本保障；
对区土壤养分空间变异特征展开研究，了解农田土壤养分状况，以便精细准确地调整各项土壤管理措施，最大限度地优化使用养分资源，以获取最高产量和最大经济效益，减少对环境的负面影响，保护土地等农业自然资源，为未来推广测土配方施肥，实现精准农业提供依据，对于实现农业可持续发展具有重要的理论和实践意义，但是目前的土壤养分监测方法中土壤特性空间分布的预测精度效率低，鉴于此，我们提出基于低空遥感的大区域尺度表层土壤养分空间特征监测方法。
发明内容
本发明的目的在于提供基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其方法步骤如下：
S1、土壤样品采集：对土壤样品采集，将土壤样品混合，经自然状态下风干后测定有机质和全氮含量，将GPS测得的带有坐标记录的采样点数据转换为具有空间坐标的点；
S2、遥感监测土壤养分空间分布：采用遥感结合地统计方法分析土壤要素空间分布特征，遥感结合地统计方法对土壤养分进行监测则能够很好地解决地统计方法的局限性；
S3、预测结果：采用回归Kriging方法对土壤养分空间分布预测，对各土壤养分多元回归的回归预测值和残差值进行简单Kriging插值，同时运用GIS的空间分析功能把两者的插值结果进行空间加和运算，得到土壤养分的空间分布结果。
作为本技术方案的进一步改进，所述S1中测定有机质含量采用重铬酸钾容量法，测定全氮含量采用半微量开氏法。
作为本技术方案的进一步改进，重铬酸钾容量法测定有机质含量的化学反应如下：
①、2K2Cr2O7+8H2SO4+3C→2K2SO4+2Cr2(SO4)3+3CO2+8H2O
②、K2Cr2O7+6FeSO4+7H2SO4→K2SO4+Cr2(SO4)3+3Fe2(SO4)3+7H2O
在外加热的条件下(油浴温度为180℃，沸腾5分钟)，用一定浓度的重铬酸钾—硫酸溶液氧化土壤有机质(碳)，剩余的重铬酸钾用硫酸亚铁来滴定，从所消耗的重铬酸钾量，计算有机碳的含量。
作为本技术方案的进一步改进，半微量开氏法测定全氮含量的计算公式如下：
N＝[(V-V0)*CH*0.014/m]*100
式中，V为滴定试液时所用酸标准溶液的体积，V0滴定空白时所用酸标准溶液的体积，CH为酸标准溶液的浓度，0.014为氮原子的毫摩质量，m为烘干土样质量。
作为本技术方案的进一步改进，所述S2中的遥感结合地统计方法包括如下步骤：
S2.1、环境因子提取：通过机载、星载遥感数据为数据源提取NDVI，分析土壤养分和NDVI的相关性；
S2.2、多元回归方程的建立：在SPSS软件下进行土壤养分的逐步回归方程拟合，得到最优的土壤养分空间分布线性回归模型，根据回归模型参数得到土壤养分回归预测值以及回归预测的残差值；
S2.3、最优半方差模型的确定：运用GS+软件对回归预测值和残差值进行半方差分析，得到最优的半方差模型；
S2.4、空间Kriging插值分析：分别采用克吕格和反距离权重法进行空间插值分析。
作为本技术方案的进一步改进，所述环境因子包括如下姿态：
姿态一：地形因子；地形是成土过程中的一个重要因素，它不但支配着水热资源的重新分配，而且影响着土壤生态系统的物质循环过程和强度，对土壤性质有着深远影响，地形是影响土壤和环境之间进行物质、能量交换的一个重要场所条件，它和母质、生物、气候等因素的作用不同，在成土过程中，地形不提供任何新的物质，其主要作用表现为：一方面是使物质在地表进行再分配；另一方面是使土壤及母质在接受光、热、水或潜水条件方面发生差异，或重新分配；这些差异都深刻地导致土壤性质、土壤肥力的差异和土壤类型的变异，地形对土壤肥力和有效水有较大影响，土壤质地是影响土壤松紧程度、通透性能、耕性好坏乃至肥力高低的基本因素，也是反映土壤发育程度的指标之一，质地在长期的地球化学过程中，受母质、气候、地形、地下水文等诸多因素的影响，在空间分布上呈现特定的规律性和结构性，土壤质地是由地形支配着微气候，水分运动以及物质的重新分配进程，因此它能够显著的影响土壤的属性；
姿态二：植被因子；植被条件是影响土壤养分的重要环境因素，国内外对两者的关系也有研究，植被覆盖度与土壤有机碳、全氮及土壤肥力含量呈显著正相关，植被是影响土壤养分积累和分布的重要因子，NDVI是最常用的反映植被覆盖的植被指数，是植被生长状态的最佳指示因子，研究表明NDVI与叶面积指数、绿色生物量、植被覆盖度、光合作用等植被指数有关，NDVI的时间变化曲线可反映季节和人为活动的变化，整个生长期的NDVI对降雨量、大气CO2浓度随季节和纬度变化均敏感，因此NDVI被认为是研究地区或全球植被和生态环境变化的有效指标。
作为本技术方案的进一步改进，所述S2.1中的土壤侵蚀的重要影响因子计算公式如下：
LS＝(As/22.13)0.6*(sinβ/0.0896)1.31
式中，LS为土壤侵蚀的重要影响因子，As为流经地表某点的单位等高线长度上的汇流面积，β为坡度。
作为本技术方案的进一步改进，所述S2.4中的克吕格法计算公式如下：
①、f(x)＝a0+a1m(x)
②、Z(x)＝f(x)+ε(x)
其中，f(x)表示地理要素分布的趋势，m(x)为决定f(x)的多个因子，Z(x)为地理要素在空间某点的属性值，ε(x)为用f(x)的残差，地理要素的空间差异是许多因素共同作用的结果,其中起主要作用的因子决定地理要素空间分布的趋势，但地理系统是一个众多因素协同作用的复杂系统，存在很多随机的不确定性因素，地理要素的一个特有属性就是空间自相关性，回归克吕格方法就是考虑地理现象的空间分布规律及影响因素，既分析主要影响因素也考虑地理现象空间自相关，既模拟其空间分布趋势也模拟不确定性，综合以上回归克吕格方法的思路，回归克吕格的实现。
作为本技术方案的进一步改进，所述S2.4中的反距离权重法计算公式如下：
式中，Z*(S0)为反距离权重插值，Z(Si)为实测值，λi为分配给每个实测值的权重，由于Kriging方法要受到变异函数、待估样点的几何性质、已知样点的数据构形及已知样点与待估样点之间的几何关系的影响，当变异函数误差较大或模拟效果不理想时，用该方法插值结果误差较大，反距离权重法是另外一种受区域变异控制的插值方法，与Kriging插值不同的是，IDW插值法主要受到距离的影响，它是基于相近相似的原理：即两个物体离得越近，它们的性质就越相似，反之，离得越远则相似性越小。它以插值点与样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大。
作为本技术方案的进一步改进，所述S3中的预测结果计算公式如下：
式中，RI为相对精度改进值，RMSER为参照方法的RMSE值，RMSERK为回归Kriging方法的RMSE值，RI值为正值表明回归Kriging方法比参照方法的预测精度高，值越大说明预测精度提高的越多，相反如果RI值为负值则说明回归Kriging方法的预测精度低于参照方法。
与现有技术相比，本发明的有益效果：
1、该基于低空遥感的大区域尺度表层土壤养分空间特征监测方法中，通过遥感技术有实时、快速、广覆盖的特点，利用遥感技术对土壤养分进行监测，可以实现土壤养分准确、经济和快速的监测目的，然后利用环境因子与土壤养分值进行线性回归方程拟合，运用简单Kriging插值方法对线性回归的预测结果和残差结果进行空间分布模拟，进而得到回归Kriging插值方法的土壤养分空间分布，对土壤养分空间分布的模拟精度最高，可有效提高土壤养分空间分布预测精度。
附图说明
图1为本发明的整体流程图；
图2为本发明的遥感结合地统计方法流程图；
图3为本发明的环境因子姿态图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1-图3所示，本实施例提供基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其方法步骤如下：
S1、土壤样品采集：对土壤样品采集，将土壤样品混合，经自然状态下风干后测定有机质和全氮含量，将GPS测得的带有坐标记录的采样点数据转换为具有空间坐标的点；
S2、遥感监测土壤养分空间分布：采用遥感结合地统计方法分析土壤要素空间分布特征，遥感结合地统计方法对土壤养分进行监测则能够很好地解决地统计方法的局限性；
S3、预测结果：采用回归Kriging方法对土壤养分空间分布预测，对各土壤养分多元回归的回归预测值和残差值进行简单Kriging插值，同时运用GIS的空间分析功能把两者的插值结果进行空间加和运算，得到土壤养分的空间分布结果。
本实施例中的，所述S1中测定有机质含量采用重铬酸钾容量法，测定全氮含量采用半微量开氏法。
值得说明的，重铬酸钾容量法测定有机质含量的化学反应如下：
①、2K2Cr2O7+8H2SO4+3C→2K2SO4+2Cr2(SO4)3+3CO2+8H2O
②、K2Cr2O7+6FeSO4+7H2SO4→K2SO4+Cr2(SO4)3+3Fe2(SO4)3+7H2O
在外加热的条件下(油浴温度为180℃，沸腾5分钟)，用一定浓度的重铬酸钾—硫酸溶液氧化土壤有机质(碳)，剩余的重铬酸钾用硫酸亚铁来滴定，从所消耗的重铬酸钾量，计算有机碳的含量。
具体的，半微量开氏法测定全氮含量的计算公式如下：
N＝[(V-V0)*CH*0.014/m]*100
式中，V为滴定试液时所用酸标准溶液的体积，V0滴定空白时所用酸标准溶液的体积，CH为酸标准溶液的浓度，0.014为氮原子的毫摩质量，m为烘干土样质量。
进一步的，所述S2中的遥感结合地统计方法包括如下步骤：
S2.1、环境因子提取：通过机载、星载遥感数据为数据源提取NDVI，分析土壤养分和NDVI的相关性；
S2.2、多元回归方程的建立：在SPSS软件下进行土壤养分的逐步回归方程拟合，得到最优的土壤养分空间分布线性回归模型，根据回归模型参数得到土壤养分回归预测值以及回归预测的残差值；
S2.3、最优半方差模型的确定：运用GS+软件对回归预测值和残差值进行半方差分析，得到最优的半方差模型；
S2.4、空间Kriging插值分析：分别采用克吕格和反距离权重法进行空间插值分析。
更进一步的，所述环境因子包括如下姿态：
姿态一：地形因子；地形是成土过程中的一个重要因素，它不但支配着水热资源的重新分配，而且影响着土壤生态系统的物质循环过程和强度，对土壤性质有着深远影响，地形是影响土壤和环境之间进行物质、能量交换的一个重要场所条件，它和母质、生物、气候等因素的作用不同，在成土过程中，地形不提供任何新的物质，其主要作用表现为：一方面是使物质在地表进行再分配；另一方面是使土壤及母质在接受光、热、水或潜水条件方面发生差异，或重新分配；这些差异都深刻地导致土壤性质、土壤肥力的差异和土壤类型的变异，地形对土壤肥力和有效水有较大影响，土壤质地是影响土壤松紧程度、通透性能、耕性好坏乃至肥力高低的基本因素，也是反映土壤发育程度的指标之一，质地在长期的地球化学过程中，受母质、气候、地形、地下水文等诸多因素的影响，在空间分布上呈现特定的规律性和结构性，土壤质地是由地形支配着微气候，水分运动以及物质的重新分配进程，因此它能够显著的影响土壤的属性；
姿态二：植被因子；植被条件是影响土壤养分的重要环境因素，国内外对两者的关系也有研究，植被覆盖度与土壤有机碳、全氮及土壤肥力含量呈显著正相关，植被是影响土壤养分积累和分布的重要因子，NDVI是最常用的反映植被覆盖的植被指数，是植被生长状态的最佳指示因子，研究表明NDVI与叶面积指数、绿色生物量、植被覆盖度、光合作用等植被指数有关，NDVI的时间变化曲线可反映季节和人为活动的变化，整个生长期的NDVI对降雨量、大气CO2浓度随季节和纬度变化均敏感，因此NDVI被认为是研究地区或全球植被和生态环境变化的有效指标。
值得说明的，所述S2.1中的土壤侵蚀的重要影响因子计算公式如下：
LS＝(As/22.13)0.6*(sinβ/0.0896)1.31
式中，LS为土壤侵蚀的重要影响因子，As为流经地表某点的单位等高线长度上的汇流面积，β为坡度。
其中，所述S2.4中的克吕格法计算公式如下：
①、f(x)＝a0+a1m(x)
②、Z(x)＝f(x)+ε(x)
其中，f(x)表示地理要素分布的趋势，m(x)为决定f(x)的多个因子，Z(x)为地理要素在空间某点的属性值，ε(x)为用f(x)的残差，地理要素的空间差异是许多因素共同作用的结果,其中起主要作用的因子决定地理要素空间分布的趋势，但地理系统是一个众多因素协同作用的复杂系统，存在很多随机的不确定性因素，地理要素的一个特有属性就是空间自相关性，回归克吕格方法就是考虑地理现象的空间分布规律及影响因素，既分析主要影响因素也考虑地理现象空间自相关，既模拟其空间分布趋势也模拟不确定性，综合以上回归克吕格方法的思路，回归克吕格的实现。
具体的，所述S2.4中的反距离权重法计算公式如下：
式中，Z*(S0)为反距离权重插值，Z(Si)为实测值，λi为分配给每个实测值的权重，由于Kriging方法要受到变异函数、待估样点的几何性质、已知样点的数据构形及已知样点与待估样点之间的几何关系的影响，当变异函数误差较大或模拟效果不理想时，用该方法插值结果误差较大，反距离权重法是另外一种受区域变异控制的插值方法，与Kriging插值不同的是，IDW插值法主要受到距离的影响，它是基于相近相似的原理：即两个物体离得越近，它们的性质就越相似，反之，离得越远则相似性越小。它以插值点与样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大。
除此之外的，所述S3中的预测结果精度计算公式如下：
式中，RI为相对精度改进值，RMSER为参照方法的RMSE值，RMSERK为回归Kriging方法的RMSE值，RI值为正值表明回归Kriging方法比参照方法的预测精度高，值越大说明预测精度提高的越多，相反如果RI值为负值则说明回归Kriging方法的预测精度低于参照方法。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其方法步骤如下：
S1、土壤样品采集：对土壤样品采集，将土壤样品混合，经自然状态下风干后测定有机质和全氮含量，将GPS测得的带有坐标记录的采样点数据转换为具有空间坐标的点；
S2、遥感监测土壤养分空间分布：采用遥感结合地统计方法分析土壤要素空间分布特征；
S3、预测结果：采用回归Kriging方法对土壤养分空间分布预测。
2.根据权利要求1所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S1中测定有机质含量采用重铬酸钾容量法，测定全氮含量采用半微量开氏法。
3.根据权利要求2所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：重铬酸钾容量法测定有机质含量的化学反应如下：
①、2K2Cr2O7+8H2SO4+3C→2K2SO4+2Cr2(SO4)3+3CO2+8H2O
②、K2Cr2O7+6FeSO4+7H2SO4→K2SO4+Cr2(SO4)3+3Fe2(SO4)3+7H2O。
4.根据权利要求2所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：半微量开氏法测定全氮含量的计算公式如下：
N＝[(V-V0)*CH*0.014/m]*100
式中，V为滴定试液时所用酸标准溶液的体积，V0滴定空白时所用酸标准溶液的体积，CH为酸标准溶液的浓度，0.014为氮原子的毫摩质量，m为烘干土样质量。
5.根据权利要求1所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S2中的遥感结合地统计方法包括如下步骤：
S2.1、环境因子提取：通过机载、星载遥感数据为数据源提取NDVI，分析土壤养分和NDVI的相关性；
S2.2、多元回归方程的建立：在SPSS软件下进行土壤养分的逐步回归方程拟合，得到最优的土壤养分空间分布线性回归模型，根据回归模型参数得到土壤养分回归预测值以及回归预测的残差值；
S2.3、最优半方差模型的确定：运用GS+软件对回归预测值和残差值进行半方差分析，得到最优的半方差模型；
S2.4、空间Kriging插值分析：分别采用克吕格和反距离权重法进行空间插值分析。
6.根据权利要求5所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述环境因子包括如下姿态：
姿态一：地形因子；
姿态二：植被因子。
7.根据权利要求5所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S2.1中的土壤侵蚀的重要影响因子计算公式如下：
LS＝(As/22.13)0.6*(sinβ/0.0896)1.31
式中，LS为土壤侵蚀的重要影响因子，As为流经地表某点的单位等高线长度上的汇流面积，β为坡度。
8.根据权利要求5所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S2.4中的克吕格法计算公式如下：
①、f(x)＝a0+a1m(x)
②、Z(x)＝f(x)+ε(x)
其中，f(x)表示地理要素分布的趋势，m(x)为决定f(x)的多个因子，Z(x)为地理要素在空间某点的属性值，ε(x)为用f(x)的残差。
9.根据权利要求5所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S2.4中的反距离权重法计算公式如下：
式中，Z*(S0)为反距离权重插值，Z(Si)为实测值，λi为分配给每个实测值的权重。
10.根据权利要求1所述的基于低空遥感的大区域尺度表层土壤养分空间特征监测方法，其特征在于：所述S3中的预测结果精度计算公式如下：
式中，RI为相对精度改进值，RMSER为参照方法的RMSE值，RMSERK为回归Kriging方法的RMSE值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006943.5A CN112816658A (zh) | 2021-01-05 | 2021-01-05 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006943.5A CN112816658A (zh) | 2021-01-05 | 2021-01-05 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112816658A true CN112816658A (zh) | 2021-05-18 |
Family
ID=75857295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110006943.5A Pending CN112816658A (zh) | 2021-01-05 | 2021-01-05 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112816658A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101788553A (zh) * | 2010-03-02 | 2010-07-28 | 中国农业大学 | 排土场植被指数与土壤养分空间多尺度分析方法 |
| CN103529189A (zh) * | 2013-06-28 | 2014-01-22 | 四川农业大学 | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 |
| CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
| US20170090068A1 (en) * | 2014-09-12 | 2017-03-30 | The Climate Corporation | Estimating soil properties within a field using hyperspectral remote sensing |
| CN107194054A (zh) * | 2017-05-16 | 2017-09-22 | 武汉大学 | 一种顾及土壤有机碳密度空间异质性的克里格插值模型 |
| CN107860889A (zh) * | 2017-09-22 | 2018-03-30 | 华南农业大学 | 土壤有机质的预测方法和设备 |
| CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
-
2021
- 2021-01-05 CN CN202110006943.5A patent/CN112816658A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101788553A (zh) * | 2010-03-02 | 2010-07-28 | 中国农业大学 | 排土场植被指数与土壤养分空间多尺度分析方法 |
| CN103529189A (zh) * | 2013-06-28 | 2014-01-22 | 四川农业大学 | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 |
| US20170090068A1 (en) * | 2014-09-12 | 2017-03-30 | The Climate Corporation | Estimating soil properties within a field using hyperspectral remote sensing |
| CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
| CN107194054A (zh) * | 2017-05-16 | 2017-09-22 | 武汉大学 | 一种顾及土壤有机碳密度空间异质性的克里格插值模型 |
| CN107860889A (zh) * | 2017-09-22 | 2018-03-30 | 华南农业大学 | 土壤有机质的预测方法和设备 |
| CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘焕军等: "黑土区田块土壤有机质空间分异及分布研究", 《土壤通报》 * |
| 张素梅等: "利用地形和遥感数据预测土壤养分空间分布", 《农业工程学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11600363B2 (en) | PTF-based method for predicting target soil property and content | |
| Phillips et al. | The value of soil respiration measurements for interpreting and modeling terrestrial carbon cycling | |
| Wang et al. | Investigating the spatio-temporal variability of soil organic carbon stocks in different ecosystems of China | |
| Liu et al. | Spatial variability of soil organic carbon in the forestlands of northeast China | |
| CN104020274B (zh) | 一种林地立地质量遥感量化估测的方法 | |
| Kross et al. | Estimating carbon dioxide exchange rates at contrasting northern peatlands using MODIS satellite data | |
| Chang et al. | Regional estimation of groundwater arsenic concentrations through systematical dynamic-neural modeling | |
| Kunkel et al. | Large catchment-scale spatiotemporal distribution of soil organic carbon | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Yinglan et al. | Study on spatio-temporal simulation and prediction of regional deep soil moisture using machine learning | |
| CN119202613A (zh) | 一种基于物候的多源遥感生态系统碳通量估算方法 | |
| Gnanamoorthy et al. | Seasonal variation of methane fluxes in a mangrove ecosystem in south India: An eddy covariance-based approach | |
| Afridi et al. | A technology review and field testing of a soil water quality monitoring system | |
| Liang et al. | Soil total nitrogen content and pH value estimation method considering spatial heterogeneity: Based on GNNW-XGBoost model | |
| Liu et al. | Global Wet‐Reduced Nitrogen Deposition Derived From Combining Satellite Measurements With Output From a Chemistry Transport Model | |
| Rong et al. | A novel hybrid deep learning framework for evaluating field evapotranspiration considering the impact of soil salinity | |
| Reza et al. | Spatial variability of soil properties in Brahmaputra plains of north-eastern India: a geostatistical approach | |
| Li et al. | Geochemical characteristics, source analysis, influencing factors, and reserves of soil Selenium in Wuming, Guangxi, China | |
| Wang et al. | Evaluation of soil nitrogen emissions from riparian zones coupling simple process-oriented models with remote sensing data | |
| CN112816658A (zh) | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 | |
| Kopp et al. | Topography mediates the response of soil CO2 efflux to precipitation over days, seasons, and years | |
| CN117077400A (zh) | 一种输变电线路工程生态固碳能力及碳汇核算方法 | |
| Liao et al. | Uncertainty analysis and ensemble bias-correction method for predicting nitrate leaching in tea garden soils | |
| Das et al. | Soil health assessment and spatial characterization using remote sensing | |
| Raheja et al. | Application of Geospatial and Machine Learning Algorithms for Groundwater Quality Prediction Used for Irrigation Purposes |
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 |