Microsoft Word - _ _wlh 刘全明 _出二校_-6页_图1,2,4出彩图__英文已粘_.doc

Size: px

Start display at page:

Download "Microsoft Word - _ _wlh 刘全明 _出二校_-6页_图1,2,4出彩图__英文已粘_.doc"

栋便羊
7 years ago
Views:

1 第 32 卷第 16 期农业工程学报 Vol.32 No 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug 河套灌区土壤盐渍化微波雷达反演刘全明 1, 成秋明 2, 王学 1, 李相君 (1. 内蒙古农业大学水利与土木建筑工程学院测绘工程系, 呼和浩特 ; 2. 加拿大约克大学地球空间科学与工程系, 加拿大安大略省多伦多 M3J1P3) 1 摘要 : 目前中国西北干旱半干旱地区的土壤盐渍化情况日益趋于严重, 动态快速而精确地监测与评价土壤盐渍化显得尤为重要微波遥感所具有的优点使其成为探测土壤盐分分布的新兴而有潜力的方法快速获取大范围地表土壤盐渍化的空间分布是一个迫切急需解决的科学难题该文目的是试验与评价 C 波段 RADARSAT-2 SAR(synthetic aperture radar) 数据反演土壤盐渍化的性能以受盐渍化影响较严重的内蒙古河套灌区解放闸灌域为试验区, 基于 SAR 后向散射系数和土壤盐分实测值, 利用多元线性回归 (multiple linear regress,mlr) 地理加权回归(geographically weighted regression,gwr) 和 BP 人工神经网络 (back propagation artificial neural networks,bp ANN) 方法建立土壤含盐量的定量反演模型, 重点构建了结构的 3 层 BP ANN 模型, 经模型验证发现 MLR GWR 模型均偏向于弱相关, 其标准误差 SE 分别为 mg/g, 而 ANN(BP) 模型的内部外部检验标准误差 SE 分别为 mg/g, 优于前 2 种模型, 其反演的盐渍化面积占比 65.4%, 与地面验证结果基本一致该文建立的考虑土壤水分影响组合雷达后向散射系数反演土壤盐分的人工智能模型, 无需复杂的介电常数模型, 能够在一定程度上满足土壤盐渍化监测的需要, 可促进微波遥感在土壤盐渍化监测中的开拓应用关键词 : 土壤 ; 神经网络 ; 雷达 ; 土壤盐渍化 ; 反演 doi: /j.issn 中图分类号 :S156.4 文献标志码 :A 文章编号 : (2016) 刘全明, 成秋明, 王学, 李相君. 河套灌区土壤盐渍化微波雷达反演 [J]. 农业工程学报,2016,32(16): doi: /j.issn Liu Quanming, Cheng Qiuming, Wang Xue, Li Xiangjun. Soil salinity inversion in Hetao Irrigation district using microwave radar[j]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): (in Chinese with English abstract) doi: /j.issn 引言土壤盐渍化是土地荒漠化和土地退化的主要类型之一, 其主要分布在干旱半干旱地区, 土壤盐渍化的动态监测和预报显得尤为迫切和重要内蒙古河套灌区是中国西北地区典型的寒旱灌区, 由于历史灌溉管理不当等人为因素, 受降水量少蒸发量大等自然客观原因影响, 造成了灌区盐渍化土地面积约占内蒙古盐渍化土地面积的 70%, 约占耕地面积的 65%, 这不仅影响了农作物生长和粮食的生产安全, 而且严重威胁着灌区生态环境由此, 及时精确动态地获取并揭示河套灌区土壤盐渍化的时空分布信息, 对灌区的盐渍土防治中低产田改造与农业可持续发展具有重大的指导作用盐碱土遥感监测国外始于 20 世纪 70 年代 [1-3,7-8], 国内从 80 年代开始主要集中在利用可见光波段进行遥感反演, 如吐尔逊. 艾山 (2008) [9] 以新疆渭干河库车河三收稿日期 : 修订日期 : 基金项目 : 国家自然科学基金项目 ( ) 内蒙古自然科学基金项目 (2013MS0609) 作者简介 : 刘全明, 男, 内蒙古四子王旗人, 副教授, 博士, 硕士生导师, 国家注册测绘师注册土地估价师, 加拿大约克大学访问学者, 现主要从事测绘工程教育与定量遥感反演理论及应用研究呼和浩特内蒙古农业大学, nndlqm@sina.com 角洲绿洲作为研究区, 利用实测的盐碱土光谱数据和地下水埋深地下水矿化度和表层土壤矿化度等因子构建了基于 BP(back propagation) 神经网络的盐碱土盐分反演模型, 模型精度为 80.77% 王静等(2009) [10] 以松嫩平原西部长岭县为例, 利用光谱导数变换, 获取表征盐渍土盐分信息的最佳波段, 即和 940 nm, 选择结构的 3 层神经网络预测盐渍土盐分, 其结果优于传统回归模型王爽等 (2016) [11] 以新疆渭干河 - 库车河三角洲绿洲区域范围内不同盐渍化程度的土壤高光谱反射率及其土壤含盐量为基础数据源, 优选出对不同盐渍化程度土壤最为敏感的光谱波段, 结合 Landsat TM 多光谱遥感影像, 构建了地表光谱建模的最佳土壤盐渍化监测模型研究结果表明 : 反射率一阶微分光谱变换与土壤含盐量相关性最佳, 最大相关系数可达 0.987; 利用抛物线模型与最佳土壤盐分指数构建的地表光谱模型效果最为理想 (R 2 =0.8852); 与单纯以传统多光谱遥感技术构建的土壤盐分监测模型相比, 经尺度转换后的模型精度与效果更优高光谱遥感盐渍化监测的研究成果也有报道 [12-13] 在微波波段, 利用雷达影像进行盐渍化监测值得提倡, 但目前研究成果较少 [4,6] 胡庆荣(2003) [14] 通过含水含盐土壤介电特性实验研究, 把经典的 Doboson 土壤混合介电模型扩展为含水含盐土壤的混合介电模型, 分

2 110 农业工程学报 ( 年析了吉兰泰雷达图像对土壤含盐量的响应熊文成 (2005) [15] 通过建立含水含盐 (NaCl) 土壤的介电常数模型, 即建立了土壤含水量含盐量与介电常数虚部的关系, 然后得到反演模型, 得到介电常数与雷达后向散射系数的关系 Ilyas et al(2015) [5] 以新疆克里雅河流域盐渍化地区为试验区, 融合主成分分析后的 L 波段 PALSAR (phased array type L band synthetic aperture radar) 后向散射系数与 ETM + 多 (enhanced thematic mapper) 光谱影像, 采用支持向量机 (support vector machine,svm) 分类方法进行盐渍化土壤分类, 通过交叉验证法确定最佳的分类参数, 获得最佳的 SVM 分类模型, 并运用决策树改善土壤盐渍化监测精度结果表明 : 光学与微波融合遥感数据的 SVM 分类的总体准确度为 91.25%,kappa 系数为 0.89, 经决策树分类后准确度提高到 93.01%,Kappa 系数提高到 0.92 目前神经网络技术主要被用于可见光高光谱遥感评价土壤盐渍化分布, 且多以定性分类为主, 其结果与工程需求尚有很大差距, 而区域性定量盐渍化微波 SAR 遥感反演模型与应用研究鲜有报道, 对于土壤盐分与雷达后向散射的直接关系未见研究由于植物土壤水分系统自身的复杂性, 特别是随机分布的地表使得雷达入射波与地表的散射现象异常复杂, 现有的盐分微波遥感反演尚为学术界需重点突破的难题为此, 本文以区域性土壤盐渍化监测为案例, 在比对回归分析和地理加权方法的基础上, 着重创建 SAR 反演土壤盐分的人工智能非线性模型, 将雷达后向散射系数土壤含水率等参数转换为土壤盐分, 以提高盐渍化监测的精度与广适性 1 研究区概况内蒙古河套灌区位于内蒙古自治区西部的巴彦淖尔盟, 是中国设计灌溉面积最大的灌区, 位于 N, E, 海拔 1 007~1 015 m, 南临黄河, 北抵阴山, 西与乌兰布和沙漠相接, 东至包头市地形平坦, 地质构造为河湖相交替沉积而形成的湖相和河相冲积层土壤以粉质黏土轻粉质黏土为主, 还有少量细粉砂土多年平均气温 7.1, 多年平均降雨量 155 mm, 多年平均蒸发量 mm 河套灌区东西长 250 km, 南北宽 50 km 以上, 总土地面积 km 2, 其中灌溉面积达到 km 2 河套灌区共包括乌兰布和解放闸永济义长及乌拉特 5 大灌域, 其中解放闸灌域的灌溉面积为 km 2 河套灌区土壤水盐运移属于垂直入渗蒸发型, 降雨量少蒸发量大, 在强烈的蒸发作用下, 水分携带盐分向地表运移积聚, 春季返盐是灌区土壤次生盐渍化的重要因素灌区每年从 4 月中旬灌溉, 到 11 月中下旬结束, 根据作物需水规律进行灌溉, 用水量最大的是秋浇, 起压盐保墒作用, 灌区土壤年内水盐运移变化复杂了解夏灌 (4-6 月 ) 前秋浇 (10 中旬 -11 月中下旬 ) 前土壤盐分分布状况对灌区节水灌溉和土壤改良有着深刻影响和重要意义注 : 图中红星代表采样点 Note: Red stars represent sampling points in picture. 图 1 试验区雷达影像图 Fig.1 Radar image of experimental area 2 数据获取与处理本试验区设在河套灌区内的解放闸灌域提前购置 2013 年 3 月 15 日 RADARSAT-2 精细四极化 SLC(single look complex) 格式雷达影像一景, 成像时间与野外采样对应一致,SAR 四极化影像相幅为 25 km 25 km, 其地面分辨率为 8 m 考虑到盐渍土空间分布的不均匀性, 在野外采样前先对灌域的美国陆地卫星影像进行解译, 结合前期盐渍土统计资料分析并制定野外采样路线,69 个采样点分布如图 1 红色五角星所示野外在沙壕渠管理区内的大片裸露耕地区取 10 cm 土层土样, 并用手持 GPS 接收机测量采样点 WGS84 坐标系统下的经纬度, 于每个样点处均匀取 3 个土样以消除取样代表性误差, 把每个土壤样本编号装入铝盒, 用 EDTA 滴定法测定土壤易溶性全盐含量, 全盐含量见表 1 表 1 雷达影像后向散射系数与土壤水盐含量原始数据表 Table 1 Data table of radar back-scattering coefficients and moisture besides of salt contents 采样点号 No. of sampling points S HH /db S VV /db S HV /db S VH /db 含水率 Moisture content/% 全盐量 Total salt/ (mg g -1 ) QJ QJ QJ QJ QJ QJ QJ QJ QJ QJ QJ QJ QJ 注 :S HH S VV S HV S VH 分别代表 HH VV HV VH 极化方式的后向散射系数 Note: S HH, S VV, S HV, S VH respectively represent HH, VV, HV, VH polarization back-scatter coefficient

3 第 16 期刘全明等 : 河套灌区土壤盐渍化微波雷达反演 111 对于定量遥感反演而言, 雷达影像处理主要包括辐射定标几何校正斜距转地距和滤波等本研究利用 ENVI 软件的 SAR Scape 模块对原始 SLC 影像进行多视滤波地理编码 & 定标等处理, 在 Google 影像上选取 GCP (ground control point) 对影像进行几何配准后, 得到标准四极化后向散射系数影像图, 用 Arcgis 软件提取出采样点后向散射系数值试验区部分土样水盐含量与四极化后向散射系数如表 1 所示 3 研究方法 3.1 多元线性回归多元线性回归 (multiple linear regress,mlr) 是研究多个自变量 X(X 1,X 2,...,X p ) 与一个因变量 y 之间线性关系的方法, 其数学结构模型为 0 p y = b + bx (1) i i i= 1 式中 b i 表示回归系数 ;b 0 表示随机误差 ;p 表示自变量个数本研究以土壤全盐量作为因变量, 土壤含水率四极化后向散射系数为自变量, 建立土壤盐分含量的 MLR 预测模型 3.2 地理加权回归地理加权回归模型 (geographically weighted regression, GWR) 是对普通线性回归模型的扩展, 它将数据的空间位置嵌入回归方程, 形式如下 p yi = β0 ( ui, vi) + k = βk( ui, vi) xik + εi, i = 1,2,... n (2) k = 1 式中 y i 表示因变量,x ik 表示第 i 个采样点的第 k 个自变量, (u i,v i ) 为第 i 个采样点坐标,ε i 表示随机误差,β 0 (u i,v i ) 表示截距,β k (u i,v i ) 为第 i 个采样点上的第 k 个回归参数, 是地理位置的函数, 在估算的过程中采用权函数的方法得到本研究以土壤全盐量作为因变量, 含水率四极化后向散射系数为自变量, 建立土壤盐分含量的 GWR 预测模型 3.3 BP 人工神经网络 (BP ANN) 经综合优化试验, 本文确定选用 3 层结构的 BP 神经网络模型, 该模型由输入层隐含层和输出层组成考虑土壤盐分含量与土壤水分的密切相关关系, 随采样点的地理空间位置不同而存在土壤盐分的空间变异性, 土壤含盐量与 SAR 影像的四极化后向散射系数有着复杂的响应关系, 同时考虑与 MLR GWR 模型的对比试验, 最终确定输入层由 8 个神经元组成, 包括采样点大地坐标 B L(GWR 地理加权即依据大地坐标计算权值 ),5 个后向散射系数及组合值 S HH S VV S HV S VH (S 2 VH +S 2 HH )/ (S 2 VH -S 2 HH ) 和土壤含水率 ; 隐含层神经元数的确定由试算法完成, 本文经大量试算确定隐含层神经元数为 140 个神经元 ; 输出层为 1 个神经元, 对应为采样点的全盐量 3 层 BP 神经网络模型的结构为 , 其中隐含层采用双曲正切 Sigmoid 激活函数, 输出层采用线性激活函数, 训练拟合目标误差拟定为 0.1 mg/g, 选用自适应快速训练函数 traingda 进行网络训练 4 结果与分析 MLR 回归模拟使用 SPSS 软件完成计算,MLR 模型的 R 2 =0.12, 标准误差 SE=0.55 mg/g, 回归方程 F 检验值为 1.71,P 值为回归方程见式 3, 其中含水率的回归系数最大为 3.2, 这也验证了土壤盐分与土壤水分密切相关, 所谓盐随水来, 也随水去图 2a 为 MLR 模型土壤盐分模拟图, 仅能反映轻度盐渍化占绝大多数比例, 有零星中度盐渍化的分布情况 y = SHH SVV + (3) S S 3.2 moisture HV VH GWR 建模估计使用 GWR4 软件完成计算, 其中 GWR 模型类型选择高斯函数, 核函数类型为自适应高斯函数, 并自动确定最优波带宽 GWR 模型的 R 2 =0.28, 标准误差 SE=0.47 mg/g 模型方差分析 F 值为 1.9, 接近 F 分位值, 模型参数 S HV S VH 和含水率的 DIFF of Criterion 值为正, 尤其是土壤含水率表现为相对强的空间变异性, 这恰好符合实际情况考虑了地理空间位置的加权模型其预测能力较 MLR 在相关性和精度方面有所提高 GWR 回归方程见式 4, 图 2b 为 GWR 模型土壤盐分模拟图, 能反映轻度盐渍化占主体, 其次为中度盐渍化的混杂区片式分布趋势 y = SHH SVV SHV S moisture VH (4) 为进行 BP 神经网络建模, 本文使用 MATLAB 神经网络工具箱的函数编写 BP 神经网络模型的计算程序, 受采样数据量的局限, 用试验区内 49 个采样点数据作为训练集, 建立起 3 层 BP 神经网络模型, 并选用快速训练函数 traingda 进行网络的学习训练, 训练误差满足精度要求后, 用剩余 20 个采样数据 ( 检验点占比 29%) 进行外部检验 BP 模型内外部误差检验见图 3 图 3a 为土壤盐分模拟内部检验误差图, 统计分析发现内部检验标准误差 SE=0.24 mg/g, 平均绝对误差值为 0.22 mg/g, 误差小于 0.20 mg/g 的点数占 72% 图 3b 为土壤盐分模拟外部检验误差图, 统计分析发现外部检验标准误差 SE=0.33 mg/g, 平均绝对误差为 0.50 mg/g, 误差小于 0.30 mg/g 的点数占 55%, 模型检验均优于前 2 种传统回归模型对 BP 神经网络模型反演的盐分结果, 参照河套灌区盐渍化土壤分类地方标准 ( 非盐渍化 0~0.3 mg/g 轻度盐渍化 0.3~0.6 mg/g 中度盐渍化 0.6~1.0 mg/g 重度盐渍化 1.0~1.3 mg/g 盐碱土 >1.3 mg/g), 使用 ENVI 软件最大似然法进行盐渍化不同程度分类, 如图 4 所示, 由于土壤盐分空间变异的复杂性和模型的显著性较低, MLR 与 GWR 模型的模拟结果集中于轻度和中度盐渍化, 与地面验证差别较大结合表 2 的 BP 模型统计结果显示试验区非盐渍化面积占 34.6%, 盐渍化面积占 65.4%, 以轻度盐渍化为主, 且多呈斑块状分布于低洼地参照图 8 丰富的盐渍化分类信息, 在夏灌前可依据盐渍化分类类型位置, 采取加大灌溉水量排盐, 重点治理 15.2% 面积区域的盐碱土

4 2016 年农业工程学报图 4 BP 模型土壤盐渍化反演结果分类图 Fig.4 Salinity classification map of BP model inversion results Table 2 表 2 土壤盐渍化分类统计表 Statistical table of soil salinity classification 土壤盐渍化程度 Degree of soil salinity Fig.2 图 2 传统模型土壤盐分模拟图 Simulated diagram of soil salt values based on traditional model BP 模型反演百分比 Inversion percentage of BP model/% MLR 模型反演百分比 Inversion percentage of MLR model/% GWR 模型反演百分比 Inversion percentage of GWR model/% 5 结轻度中度重度非盐渍化盐碱土盐渍化盐渍化盐渍化 NonSalineMild Moderate Severe salinity alkali soil salinity salinity salinity 论本文利用河套灌区夏灌前的四极化 RADARSAT SAR 雷达数据采用多元线性回归 MLR 地理加权回归 GWR 和人工神经网络 ANN 方法建立了土壤含盐量的定量遥感反演模型经模型验证发现 GWR 对 MLR 方法的弱相关有所改进与提高但统计模型均不明显显 a. 内部误差检验 a. Inner error inspection 著 ANN BP 模型的内部外部检验标准误差 SE 分别为 mg/g 优于前 2 种模型降低平滑效应在模型预测的精度与可靠性方面均有提高由于 BP 模型在网络的学习和构造过程中模式匹配了空间位置含水率与微波后向散射及其组合值与盐分间的特征关系具有较好的包容特异值性能和稳健性本文创新性建立的 SAR 反演土壤盐分的人工智能模型无需复杂的介电常数模型能够在一定程度上满足土壤盐渍化监测的需要其模拟结果可用于快速监测大范围裸露地表土壤盐渍化时空分布为盐渍化防治提供基础资 b. 外部误差检验 b. Outer error inspection 图 3 土壤盐分 BP 模拟误差检验图 Fig.3 Testing errors map of soil salt simulation based on BP model 料信息鉴于地表粗糙度对雷达后向散射系数也有一定影响必然影响雷达盐分反演模型的预测精度这也是今后应研究并解决的问题

5 第 16 期刘全明等 : 河套灌区土壤盐渍化微波雷达反演 113 [ 参考文献 ] [1] J Farifteh, A Farshad, R J Georger. Assessing salt-affected soils using remote sensing,solute modelling, and geophysics[j]. Geoderma., 2006, 130: [2] J Farifteh, F Vander Meer, C Atzberger,et al. Quantitative analysis of salt-affected soil reflectance spectra:a comparison of two adaptive methods (PLSR and ANN)[J]. Remote Sensing of Environment, 2007, 110: [3] Jimenez L O, Medina J L R, Diaz E R,et al. Integration of spatial and spectral information by means of non-supervised Extraction and classification for homogeneous objects applied to multispectral and hyperspectral Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): [4] Holah T N, Baghdadi N, Zribi M, et al. Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields[j]. Remote Sensing Environment, 2005, 96(1): [5] Ilyas N, Abduwasit G, Tashpolat T,et al. Monitoring soil salinization in Keriya River Basin, Northwestern China using passive reflective and active microwave remote sensing data[j]. Remote Sens, 2015, 7(7): [6] Shao Yun, Hu Qingrong, Guohuadong. Effect of dielectric properties of moist salinized soils on backscattering coefficients extracted from RADARSAT image[j]. IEEE, Trans. Geosci Remote Sensing, 2003, 41(8): [7] Farifteh J, Farshad A, George R J. Assessing salt-affected soils using remote sensing, solute modelling, and geophysics[j]. Geoderma, 2005, 130(3/4): [8] Brunner P, Li H T, Kinzelbach W, et al. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data[j]. International Journal of Remote Sensing, 2007, 28(15): [9] 吐尔逊艾山. 基于 BP 神经网络的干旱区盐碱土盐分遥感反演模型研究 [D]. 乌鲁木齐 : 新疆大学,2008. Tursun Eshan. Saline Soil Salinity Remote Sensing Inversion of the Arid Areas Based on BP Neural Network Model to Study[D]. Urumqi: Xinjiang university, (in Chinese with English abstract) [10] 王静, 刘湘南, 黄芳, 等. 基于 ANN 技术和高光谱遥感的盐渍土盐分预测 [J]. 农业工程学报,2009,25(12): Wang Jing, Liu Xiangnan, Huang Fang, et al. Salinity prediction based on the ANN technology and hyper-spectral remote sensing[j]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(12): (in Chinese with English abstract) [11] 王爽, 丁建丽, 王璐, 等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究 [J]. 干旱区地理,2016,39(1): Wang Shuang, Ding Jianli, Wang Lu, et al. Research on the zonal soil salinization using the remote sensing monitoring based on the surface spectral modeling[j]. Journal of Arid Area Geography, 2016, 39(1): (in Chinese with English abstract) [12] 姚远, 丁建丽, 张芳, 等. 基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型 [J]. 光谱学与光谱分析, 2013(6): Yao Yuan, Ding Jianli, Zhang Fang, et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis, 2013(6): (in Chinese with English abstract) [13] 丁建丽, 伍漫春, 刘海霞, 等. 基于综合高光谱指数的区域土壤盐渍化监测研究 [J[. 光谱学与光谱分析,2012, 32(7): Ding Jianli, Wu Manchun, Liu Haixia, et al. Study on the soil salinization monitoring based on synthetical hyperspectral index[j]. Spectroscopy and Spectral Analysis, 2012, 32(7): (in Chinese with English abstract) [14] 胡庆荣. 含水含盐土壤介电特性实验研究及对雷达图像的响应分析 [D]. 北京 : 中国科学院,2003. Hu Qingrong. Studies on Microwave Dielectric Behavior of Moist Salt Soil and Its Effect on Backscattering Coefficients Extracted From Radar Image[D]. Beijing: Chinese Academy of Sciences, [15] 熊文成. 含水含盐土壤介电特性实验研究及反演研究 [D]. 北京 : 中国科学院,2005. Xiong Wencheng. Studies on Microwave Dielectric Behavior of Moist Salt Soil and Inversion of the Moisture and Salt Content[D]. Beijing: Chinese Academy of Sciences, 2005.

6 114 农业工程学报 ( 年 Soil salinity inversion in Hetao Irrigation district using microwave radar Liu Quanming 1, Cheng Qiuming 2, Wang Xue 1, Li Xiangjun 1 (1. Department of Surveying and Mapping Engineering in Water Conservancy and Civil Engineering Institute, Inner Mongolia Agricultural University, Hohhot , China; 2.Department of Earth Space Science and Engineering, University of York, Toronto, Ontario, M3J1P3, Canada) Abstract: The expanding trend of soil salinization has become more and more severe especially in arid and semi-arid areas in the northwest China. Therefore it is specially important to dynamically monitor the soil salinization in the arid and semi-arid areas scientifically, accurately and rapidly. Microwave remote sensing technique has become a promising method to detect and monitor the soil salinity due to its many advantages. The aim of this study was to investigate the capability of C-band RADARSAT-2 SAR (synthetic aperture radar) data in soil salinity estimation over agricultural fields. In this study, Jiefangzha zone of Hetao irrigation district, Inner Mongolia, China was selected as the study area. Based on the back-scatter coefficient value and soil salt content, this paper used 3 kinds of methods including the multiple linear regression (MLR), geographically weighted regression (GWR) and back propagation artificial neural network (BP ANN) to establish the quantitative inversion models of soil salt content. Soil salinity information was extracted from the RADARSAT-2 SAR data, which had a kind of fine four-polarization SLC (single look complex) format and were bought in 2013, and covered an area of 25 km 25 km with 8 m ground resolution. Taking the spatial unevenness distribution of the saline soil into account, 69 sampling points were designed in the study area, and field digging depth of soil was 10 cm. Hand-held GPS (global position system) receiver was used to record the coordinates of sampling points, and the soil total soluble salt content was measured in the indoor. Mainly use the SAR Scape module of ENVI software to perform the radar image processing, including radiometric calibration, geometric correction, slant range turning and filtering. The four-polarization back-scatter coefficient values corresponding to the sampling points were extracted based on the previous results by the spatial analysis module of ArcGIS. Total salt content was took as dependent variable, four-polarization back-scatter coefficient values and soil moisture as independent variables, and the MLR and GWR salinity prediction models were established. Use the MLR module of SPSS and the GWR module of GWR4 software to deal with data respectively. The correlation of GWR model was higher than the MLR, but these 2 statistical models were not significant, and the inversion results were difficult to reflect the distribution of severe salinity and saline-alkali soil. Therefore the emphasis was focused on the building of the 8:140:1 structure of three-layer BP ANN model. Training set contained the data of 49 sampling points in the test area, the input layer was made up of sampling point coordinates, soil moisture, four-polarization back-scattering coefficients and their combined value, and the number of net neurons was 8; the output layer was a neuron corresponding to the total salt content of sample point. After a lot of tentatively computation, the optimal number of neurons in the hidden layer was selected as 140. The hidden layer of the three-layer BP ANN model used the hyperbolic tangent sigmoid activation function, the output layer utilized the linear activation function, the traingda function was selected to perform network learning and training, and the fitting target error was set as 0.1 mg/g. Then the BP model was applied to the RADARSAT-2 remote sensing images to achieve the high-precision quantitative inversion of soil salinity when the BP model inversion accuracy met the requirements of salinity prediction. Whole calculation process was implemented by the MATLAB neural network toolbox. It was found that the correlation of the MLR and GWR models was weak and their standard error (SE) was 0.55 and 0.47 mg/g respectively, but the SE of internal and external inspection using the ANN (BP) model was only 0.24 and 0.33 mg/g respectively, better than the other 2 models, whose salinity area accounted for about 65.4%, and was basically consistent with ground validation. The artificial intelligence inversion model of soil salt considered the moisture s influence, was directly based on the polarization radar scattering coefficients and their composition, and had no complex dielectric constant model. So the ANN (BP) model can reduce the smoothing effect compared with the 2 traditional models and improve the accuracy and reliability of model predictions, which meets the needs of soil salinity monitoring to a certain extent, and can promote and develop the application of microwave remote sensing in the soil salinity monitoring. Keywords: soils; neural networks; radar; soil salinity; inversion

Microsoft Word 任辉_new_.doc

Microsoft Word 任辉_new_.doc 土壤 (Soils), 2014, 46(2): 373 378 1 基于地物驱动要素的住宅地价空间模拟研究以南京市为例 1, 2, 3 (1 410128 2 210095 3 210098) GIS F301.4 [1] Bruechner [2] Capozza Sick [3] 20 90 [4 6] [7 9] GIS 1 1.1 GIS [10] [11] (12QN57) (09&ZD046)