一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统技术方案

本发明专利技术涉及一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统。该方法包括：建立土壤盐度数据库和预测因子数据库；采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域；根据土壤盐度数据库和预测因子数据库，采用随机森林算法分别建立自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；采用交叉验证方法分析自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；获取研究区的土壤盐度预测因子数据库；根据自然保护区土壤盐度预测模型、工农业区域土壤盐度预测模型和研究区的土壤盐度预测因子数据库，进行土壤盐度的预测。本发明专利技术能够提高土壤盐度的预测精度。

【技术实现步骤摘要】
一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
本专利技术涉及土壤盐度监测领域，特别是涉及一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统。
技术介绍
气候变暖导致的海平面上升和人类活动导致的径流量减少，控制着滨海湿地水文结构、功能和过程的一系列变化，进而导致严重的土壤盐渍化。土壤盐渍化通过干扰碳、氮、磷等生物地球化学元素，影响了本地生态系统的结构和功能。近几十年来，它已成为一种严重的环境危害，对滨海湿地有限的土壤资源和生态系统健康构成了相当大的威胁。因此，许多研究者进行了实地观察，以监测土壤盐分的变化。但由于土壤盐度的时空异质性较大，现有的野外观测站难以实现有效的覆盖。因此，长期、大范围、连续的高分辨率盐度观测是非常需要的目前，许多中、高空间和时间分辨率的卫星任务和传感器的开发、应用，使通过遥感结合土壤盐度测量来监测土壤盐渍化成为可能。许多研究表明，土壤的光谱反射率与土壤的可溶性盐浓度高度相关。为了建立土壤光谱信息与土壤盐度之间的关系，人们往往将重点放在建立各种回归模型上。这些模型已经从使用光谱指数作为唯一的预测因子发展到结合多种协变量，如气象条件、地形属性等，从单阶段模型发展到多阶段模型。但是，很多研究存在反演时间单一性和延迟性的问题。这些研究大多集中在单一时期，而不是不同季节，并含蓄地假设当前植被的分布最好地反映了当前土壤盐分的状况。此外，表层土壤盐分受气象条件、地形属性、人类活动等多种因素的影响，导致土壤盐分随时间变化较大。然而，植被分布不能随环境条件的变化而同步变化，这时时间的延迟性会明显出现。此外，目前的研究大多集中在参数回归模型上，有时可以达到较高的预测精度。当数据集有大量的预测因子和大量的数据记录时，它们变得越来越复杂和困难，导致在实际反演中出现过拟合现象。
技术实现思路
本专利技术的目的是提供一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统，能够提高土壤盐度的预测精度。为实现上述目的，本专利技术提供了如下方案：一种滨海湿地高分辨率的逐月土壤盐度监测方法，包括：建立土壤盐度数据库和土壤盐度预测因子数据库；采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域；根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价；获取研究区的土壤盐度预测因子数据库；根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库，进行土壤盐度的预测。可选地，所述建立土壤盐度数据库和土壤盐度预测因子数据库，具体包括：通过野外调查和制备获取土壤盐度相关基础数据，基于ArcGIS平台建立土壤盐度数据库；利用统计调查、遥感和地理信息系统获取多源联合数据集，收集土壤盐度预测因子，建立土壤盐度预测因子数据库。可选地，所述采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域，具体包括：采用支持向量机的机器学习语言，利用ENVI和LANDSAT影像对研究区进行土地利用类型分类，得到初步分类结果，所述初步分类结果包括：农用地、建筑用地和未利用土地；根据所述初步分类结果，判断所述农用地和所述建筑用地的总占比是否超过50％；若是，则将研究区判定为人类因素主导的工农业区域；若否，则将研究区判定为自然因素主导的自然保护区区域。可选地，所述根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型，具体包括：将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集；利用所述训练集基于python语言环境下，将所述土壤盐度预测因子数据库作为输入，所述土壤盐度作为输出，采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型，其中在建模的过程中，使用网格搜索法找到最优的参数组合。可选地，所述采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价，具体包括：根据所述验证集通过交叉验证方法对所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型进行分析，所述分析包括：总体精度拟合验证、各季节的精度验证和对水文要素的相关性分析，其中，所述总体精度拟合验证的统计信息使用的是决定系数、均方根误差和平均绝对误差；通过分析结果，对交叉验证方法的精度进行评价。可选地，所述土壤盐度预测因子数据库中的土壤盐度预测因子包括Landsat卫星系列的遥感光谱数据、气象数据、地形数据、水文数据和时间数据。一种滨海湿地高分辨率的逐月土壤盐度监测系统，包括：数据库建立模块，用于建立土壤盐度数据库和土壤盐度预测因子数据库；研究区分类模块，用于采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域；预测模型建立模块，用于根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；验证模块，用于采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价；待预测研究区获取模块，用于获取研究区的土壤盐度预测因子数据库；土壤盐度预测模块，用于根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库，进行土壤盐度的预测。可选地，所述数据库建立模块，具体包括：土壤盐度数据库获取单元，用于通过野外调查和制备获取土壤盐度相关基础数据，基于ArcGIS平台建立土壤盐度数据库；土壤盐度预测因子数据库获取单元，用于利用统计调查、遥感和地理信息系统获取多源联合数据集，收集土壤盐度预测因子，建立土壤盐度预测因子数据库。可选地，所述研究区分类模块，具体包括：初步分类模块，用于采用支持向量机的机器学习语言，利用ENVI和LANDSAT影像对研究区进行土地利用类型分类，得到初步分类结果，所述初步分类结果包括：农用地、建筑用地和未利用土地；判断模块，用于根据所述初步分类结果，判断所述农用地和所述建筑用地的总占比是否超过50％；本文档来自技高网...

【技术保护点】
1.一种滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，包括：/n建立土壤盐度数据库和土壤盐度预测因子数据库；/n采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域；/n根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；/n采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价；/n获取研究区的土壤盐度预测因子数据库；/n根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库，进行土壤盐度的预测。/n

【技术特征摘要】
1.一种滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，包括：
建立土壤盐度数据库和土壤盐度预测因子数据库；
采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域；
根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型；
采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价；
获取研究区的土壤盐度预测因子数据库；
根据所述自然保护区土壤盐度预测模型、所述工农业区域土壤盐度预测模型和所述研究区的土壤盐度预测因子数据库，进行土壤盐度的预测。


2.根据权利要求1所述的滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，所述建立土壤盐度数据库和土壤盐度预测因子数据库，具体包括：
通过野外调查和制备获取土壤盐度相关基础数据，基于ArcGIS平台建立土壤盐度数据库；
利用统计调查、遥感和地理信息系统获取多源联合数据集，收集土壤盐度预测因子，建立土壤盐度预测因子数据库。


3.根据权利要求1所述的滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，所述采用支持向量机的机器学习方法对研究区进行土地利用类型分类，得到工农业区域和自然保护区区域，具体包括：
采用支持向量机的机器学习语言，利用ENVI和LANDSAT影像对研究区进行土地利用类型分类，得到初步分类结果，所述初步分类结果包括：农用地、建筑用地和未利用土地；
根据所述初步分类结果，判断所述农用地和所述建筑用地的总占比是否超过50％；
若是，则将研究区判定为人类因素主导的工农业区域；
若否，则将研究区判定为自然因素主导的自然保护区区域。


4.根据权利要求1所述的滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，所述根据所述土壤盐度数据库和所述土壤盐度预测因子数据库，采用随机森林算法基于python语言环境下，分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型，具体包括：
将所述土壤盐度数据库和所述土壤盐度预测因子数据库按照1:3的比例划分为训练集和验证集；
利用所述训练集基于python语言环境下，将所述土壤盐度预测因子数据库作为输入，所述土壤盐度作为输出，采用随机森林算法分别针对所述自然保护区和所述工农业区域建立土壤盐度预测模型，得到自然保护区土壤盐度预测模型和工农业区域土壤盐度预测模型，其中在建模的过程中，使用网格搜索法找到最优的参数组合。


5.根据权利要求4所述的滨海湿地高分辨率的逐月土壤盐度监测方法，其特征在于，所述采用交叉验证方法分析所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型，通过分析结果，对交叉验证方法的精度进行评价，具体包括：
根据所述验证集通过交叉验证方法对所述自然保护区土壤盐度预测模型和所述工农业区域土壤盐度预测模型进行分析，所述分析包括：总体精度拟合验证、各季节的精度验证和对水文要素的相关性分析，其中，所述总体精度拟合验...

【专利技术属性】
技术研发人员：崔保山，隋皓辰，杜际增，闫家国，马旭，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11