基于深度学习的坡面区域尺度土壤盐分含量估算方法与流程

本发明涉及数字土壤制图，具体涉及一种基于深度学习的坡面区域尺度土壤盐分含量估算方法。

背景技术：

1、土壤盐渍化是干旱、半干旱区及湖滨、河谷、灌区等区域常见的土地退化问题。受蒸发强烈、地下水埋深变化、坡面汇流、排水不畅和人为灌排活动等因素影响，盐分常在坡脚、低洼汇流区、沟岸、湖滨和裸露地表形成空间富集。准确获取坡面、小流域及区域尺度土壤盐分空间分布，对于盐碱地治理、排盐排水工程布设、耕地质量提升和生态修复具有重要意义。

2、获取土壤盐分空间分布，目前多采用人工采样或卫星遥感来实现；人工采样和室内化验精度较高，但样点数量有限、成本高且空间连续性不足，难以快速反映坡面微地形条件下的盐分局部聚集。卫星遥感虽可实现区域监测，但受到数据空间分辨率和卫星重返周期的影响，难以识别沟道边缘、坡脚低洼带和湖滨盐壳斑块等小尺度差异。而无人机遥感具有空间分辨率高、机动性强和数据获取灵活等优势，可同时获取可见光、多光谱及倾斜摄影数据，因此无人机遥感为坡面尺度土壤盐分精细估算提供了新的技术手段，但现有的无人机土壤盐分估算方法的准确性不足。

技术实现思路

1、本发明的主要目的是提供一种基于深度学习的坡面区域尺度土壤盐分含量估算方法，旨在解决现有的无人机土壤盐分估算方法的准确性不足的问题。

2、本发明提出的技术方案为：

3、一种基于深度学习的坡面区域尺度土壤盐分含量估算方法，包括：

4、通过无人机获取针对目标区域的多模态数据，并对多模态数据进行预处理，以得到多模态特征数据集；

5、在目标区域布设坡面分层土壤采集样点，并构建土壤盐分标签；

6、从多模态特征数据集中提取与土壤盐分空间分布相关的特征变量，其中，特征变量包括光谱特征、空间纹理特征和地形水文特征；

7、构建目标区域的坡面盐分聚集先验指数；

8、基于盐分标签对特征变量进行优化筛选；

9、构建基于坡面盐分聚集先验指数的门控多分支融合回归模型，并对门控多分支融合回归模型进行训练和精度评估；

10、基于完成训练和精度评估的门控多分支融合回归模型，以及优化筛选之后的特征变量生成目标区域对应的土壤盐分空间分布图。

11、优选的，无人机搭载有光谱传感器；所述多模态特征数据集包括多光谱影像、数字表面模型、数字高程模型，以及数字地形模型；所述通过无人机获取针对目标区域的多模态数据，并对多模态数据进行预处理，以得到多模态特征数据集，包括：

12、通过无人机获取目标区域的多光谱影像，其中，所述多光谱影像包括红光和近红外两个波段；

13、通过多光谱影像重建生成目标区域的数字表面模型；

14、对数字表面模型进行非地面点剔除、植被/建筑物掩膜、滤波和平滑处理，以生成用于水文分析的数字高程模型或数字地形模型；

15、对多光谱影像进行百分位标准化处理：

16、，（1）

17、式中，为标准化后的特征值；为多光谱影像的原始像元特征值；表示目标区域内该特征值的第2百分位值，表示目标区域内该特征值的第98百分位值，若，则令；若，则令。

18、优选的，所述在目标区域布设坡面分层土壤采集样点，并构建土壤盐分标签，包括：

19、基于目标区域的数字表面模型进行反演，以得到目标区域的坡度、相对坡位、汇流面积、距沟道或湖岸距离、裸土斑块、盐壳表观亮度，以及植被稀疏程度，从而将目标区域进行分区，其中，目标区域的分区包括坡顶区、坡中区、坡脚区、低洼汇流区、沟岸区、湖滨区和相对平缓背景区；

20、在各分区内按照均匀布设的方式布设采样点，每个采样点设置矩形样方，在样方四个角点和中心点共5个位置采集土样，并记录采样点的实时动态差分定位坐标；

21、在样方取不同深度的土样，以分别测定各层土壤盐分含量，并构建加权盐分标签：

22、，（2）

23、式中，y为土壤盐分标签；为0-2cm土层深度下的土壤盐分含量，为2-5cm土层深度下的土壤盐分含量，为5-10cm土层深度下的土壤盐分含量。

24、优选的，所述从多模态特征数据集中提取与土壤盐分空间分布相关的特征变量，包括：

25、从多模态特征数据集中的多光谱影像提取光谱特征，其中，光谱特征用于表达盐分、土壤背景，以及植被覆盖对地表反射率的影响；

26、基于光谱特征获取归一化差值盐分指数：

27、，（3）

28、基于光谱特征获取土壤亮度指数：

29、，（4）

30、基于光谱特征获取归一化植被指数：

31、，（5）

32、式中，为光谱特征中的红光波段反射率，为光谱特征中的近红外波段反射率。

33、优选的，所述基于光谱特征获取归一化植被指数，之后还包括：

34、基于目标区域的数字表面模型提取目标区域的坡面尺度地形水文特征，其中，地形水文特征分为地貌类指标和水文类指标，所述地貌类指标包括：分析山体阴影、坡度、坡向、平面曲率、剖面曲率、收敛指数、地形湿度指数和相对坡位，水文类指标包括：闭合洼地、总汇流面积、ls因子、沟道网络基准面、沟道网络距离和谷深；

35、坡度的计算公式为：

36、，（6）

37、式中，为所述坡度，为中心像元在水平方向上的高程变化率，为中心像元在垂直方向上的高程变化率；

38、地形湿度指数的计算公式为：

39、，（7）

40、式中，twi为所述地形湿度指数；为单位等高线长度上的上坡汇流面积；为坡度；

41、基于多光谱影像，采用灰度共生矩阵方法提取目标区域的空间纹理特征，其中，所述空间纹理特征包括统计类纹理特征、对比类纹理特征和有序性类纹理特征，统计类纹理特征包括：均值、方差和相关性，对比类纹理特征包括：对比度、非相似性和同质性，有序性类纹理特征包括：角二阶矩和熵。

42、优选的，所述坡面盐分聚集先验指数的计算公式为：

43、，（8）

44、式中，为所述坡面盐分聚集先验指数；为百分位标准化函数；为地形湿度指数；为谷深；为汇流面积；为相对坡位；为沟道基准面；为坡度；为距沟道距离；、、、、、和均为权重系数。

45、优选的，所述基于盐分标签对特征变量进行优化筛选，包括：

46、特征表构建：以目标区域土壤采样点的实时动态差分定位坐标为中心，提取矩形样方范围内的有效像元特征值，对同一矩形样方内的有效像元取平均值，以作为该土壤采样点对应的特征值：

47、，（9）

48、式中，为第个土壤采样点的第个特征值；为第个土壤采样点的矩形样方内的有效像元集合；为有效像元数量；为第个特征在像元处的数值；

49、第个土壤采样点的初始特征向量表示为：

50、，（10）

51、式中，为第个土壤采样点的光谱特征，为第个土壤采样点的空间纹理特征，为第个土壤采样点的地形水文特征；

52、计算每一个特征值与土壤盐分标签之间pearson相关系数，其中，pearson相关系数用于判断特征值对土壤盐分变化的响应强度，且pearson相关系数的计算公式为：

53、，（11）

54、式中，为第个特征值与土壤盐分标签之间的pearson相关系数；为第个土壤采样点的第个特征值；为第个特征在全部土壤采样点中的平均值；为第个土壤采样点的土壤盐分标签；为全部土壤采样点的土壤盐分标签的平均值；为土壤采样点的总数量，1≤i≤n；

55、在光谱特征、空间纹理特征和地形水文特征三个模态内部，分别按照由大到小排序，并在每一类模态中，将与土壤盐分标签响应强的特征值输入下一步筛选，将与土壤盐分标签响应弱的特征值从特征集中剔除。

56、优选的，所述在光谱特征、空间纹理特征和地形水文特征三个模态内部，分别按照由大到小排序，并在每一类模态中，将与土壤盐分标签响应强的特征值输入下一步筛选，将与土壤盐分标签响应弱的特征值从特征集中剔除，之后还包括：

57、计算每一个保留的特征的方差膨胀因子vif：

58、，（12）

59、式中，为第个特征值的方差膨胀因子；为以第个特征值为因变量、同一模态内其余特征为自变量进行线性回归得到的决定系数；

60、当时，删除第个特征值，并重新计算剩余特征值的，直至每一类模态内部全部保留的特征均满足；

61、采用随机森林回归模型对各特征进行多次重复训练，并计算每一次训练中各特征的shap贡献值，其中，第次训练中，第个特征的平均绝对shap贡献值为：

62、，（13）

63、式中，为第次训练中第个特征的平均绝对shap贡献值；为第次训练中第个特征对第个土壤采样点预测值的shap贡献值，第个特征的shap稳定贡献度定义为：

64、，（14）

65、式中，为第个特征的shap稳定贡献度；为第个特征在多次训练中的平均shap贡献值；为第个特征在多次训练中的shap贡献值标准差，shap稳定贡献值用于查看各个特征变量对土壤盐分变化的稳定响应程度；

66、保留剩下的光谱特征、空间纹理特征和地形水文特征，并作为最终的关键多模态特征集：

67、，（15）

68、式中，为关键多模态特征集；表示筛选后保留的光谱特征；表示筛选后保留的空间纹理特征；表示筛选后保留的地形水文特征。

69、优选的，所述门控多分支融合回归模型包括光谱编码分支、纹理编码分支、地形水文编码分支、门控权重分配层、盐分回归输出层；所述构建基于坡面盐分聚集先验指数的门控多分支融合回归模型，并对门控多分支融合回归模型进行训练和精度评估，包括：

70、将所述门控多分支融合回归模型的多分支编码表述为：

71、，（16）

72、式中，为光谱编码器，为多层感知机；为空间纹理编码器，为多层感知机；为为地形水文编码器，用于学习地形水文特征与盐分聚集之间的非线性关系；为光谱模态隐含特征，为空间纹理模态隐含特征，为地形水文模态隐含特征；

73、构建门控权重分配层：

74、，（17）

75、式中，为光谱模态的自适应权重，为空间纹理模态的自适应权重，为地形水文模态的自适应权重；和均为可训练参数；为融合后的像元隐含特征；

76、将融合后的隐含特征输入盐分回归输出层，以得到土壤盐分含量估算值：

77、，（18）

78、式中，为第个像元或土壤采样点位置的土壤盐分含量估算值；和均为盐分回归输出层参数；函数用于保证输出值非负；

79、引入坡面先验约束损失，表述为：

80、，（19）

81、式中，为像元的土壤盐分估算值，为像元的土壤盐分估算值；为像元的坡面盐分聚集先验指数，为像元的坡面盐分聚集先验指数；

82、将门控多分支融合回归模型的综合损失函数设定为：

83、，（20）

84、式中，为土壤盐分估算值的损失；为坡面先验约束损失；为权重系数。

85、优选的，所述基于完成训练和精度评估的门控多分支融合回归模型，以及优化筛选之后的特征变量生成目标区域对应的土壤盐分空间分布图，包括：

86、对目标区域内每一个有效土壤像元，确定关键多模态特征集以提取对应的模型输入特征：

87、，（25）

88、式中，为第个有效土壤像元的模型输入特征；为第个有效土壤像元的关键光谱特征，为第个有效土壤像元的关键空间纹理特征，为第个有效土壤像元的关键地形水文特征；为第个有效土壤像元的坡面盐分聚集先验指数；

89、将有效土壤像元的模型输入特征输入训练完成的门控多分支融合回归模型，得到有效土壤像元的土壤盐分含量估算值：

90、，（26）

91、式中，为第个有效土壤像元的土壤盐分含量估算值；为训练完成的土壤盐分估算模型；

92、设共训练个门控多分支融合回归模型，第个门控多分支融合回归模型对第个有效土壤像元的预测值为，则最终土壤盐分制图值为：

93、，（26）

94、式中，为第个有效土壤像元的最终土壤盐分含量制图值；

95、采用多次预测结果的标准差表述制图不确定性：

96、(式1)

97、式中，为第个有效土壤像元的制图不确定性；

98、对目标区域所有的有效土壤像元完成土壤盐分含量估算值计算，以及制图不确定性表述，以输出目标区域的土壤盐分空间分布图，其中，所述土壤盐分空间分布图包括土壤盐分含量连续分布图、土壤盐分不确定性图、有效土壤像元掩膜图。

99、通过上述技术方案，能实现以下有益效果：

100、本发明提出的基于深度学习的坡面区域尺度土壤盐分含量估算方法能够解决现有的无人机土壤盐分估算方法的准确性不足的问题；本技术的核心步骤为：首先通过无人机获取目标区域的多光谱数据，以构建光谱特征、空间纹理特征和地形水文特征等多模态特征；然后根据坡面水盐迁移和盐分低洼富集规律构建坡面盐分聚集先验指数；之后将关键光谱特征、空间纹理特征和地形水文特征，以及坡面盐分聚集先验指数输入门控多分支融合回归模型，以通过门控多分支融合回归模型生成目标区域的土壤盐分空间分布图；相比传统的估算方案，本方案融合了光谱特征、空间纹理特征和地形水文特征，并通过门控多分支融合回归模型生成目标区域对应的土壤盐分空间分布图，大大提升了土壤盐分估算的准确性。