买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院地理科学与资源研究所

摘要：本发明涉及土壤反演技术领域，具体地说是一种基于多循环分类的耕地土壤含盐量反演方法，先准确识别盐渍化耕地的区域，然后单独反演盐渍化耕地的土壤含盐量。相较于传统的土壤含盐量反演方法，本发明可以有效提高无盐渍和盐渍化耕地的提取精度，并通过排除无盐渍化区域的干扰、进一步提高盐渍化耕地土壤含盐量的预测精度。

主权项：1.一种基于多循环分类的耕地土壤含盐量反演方法，其特征在于，包括以下步骤：S1，基于谷歌地球引擎平台获取研究区的多光谱遥感时间序列影像，通过多光谱影像的质量波段对多光谱影像进行去云处理，并计算多个反映植被和土壤特征的遥感影像光谱指数，得到各个光谱指数时间序列影像；S2，依据国家土壤盐渍化分级标准和耕地土壤样本中的含盐量将样本划分为无盐渍耕地样本和盐渍化耕地样本；S3，分别计算无盐渍耕地样本和盐渍化耕地样本在各个光谱指数时间序列上的可分性指标用以评价两种样本在该光谱指数时间序列上的可分性；选取指标数值最大的光谱指数时间序列，并通过随机森林模型的反向特征消除法去除选择的光谱指数时间序列中的重要性较低的时间段数据，所剩余时段的光谱指数即为用于耕地有无盐渍化分类的遥感影像特征；S4，构建多循环分类模型，将所述S2的样本集合划分为训练样本和验证样本，基于训练样本和所述S3的遥感影像特征建立耕地有无盐渍化分类器，应用验证样本进行精度验证，将分类错误的样本从全体样本中删除并标记为删除样本，剩余的样本标记为剩余样本；所述剩余样本进入下一步流程，执行重复的分类器训练、验证和分类错误样本删除步骤，通过重复多次的样本删除流程，直到训练的分类器的验证精度达到预设条件，最终全部样本将被分为两个样本集合，由各次样本删除流程中被删除样本组成的删除样本集D以及在经过多次样本删除流程后剩余的样本构成的剩余样本集R；S5，将所述S4中最后一次样本删除流程中建立的分类器作为剩余样本集R对应的分类器，训练该分类器时的训练样本和验证样本作为剩余样本集R的训练样本和验证样本；将删除样本集D划分训练样本和验证样本，并基于训练数据训练删除样本集对应的分类器；S6，将剩余样本集R的验证样本和删除样本集D的验证样本合并，作为最终的验证样本集T；S7，基于剩余样本集R的分类器和耕地的光谱指数时间序列遥感影像特征对全部样本和待分区域进行分类，得到耕地有无盐渍化的初始分类结果，并计算每个像元在逐次样本删除过程中被分为有盐渍化的概率，对概率进行求和，标记为该样本和像元分为盐渍化耕地的概率和；S8，构建所述S4～S5建立的删除样本集D和剩余样本集R的两个分类器在待分类区域中适用区域的判别规则；分别统计验证样本集T，验证样本集中分类错误样本集以及删除样本集D中的验证样本集的概率和，并按照有无盐渍化的初始分类结果进行分类，分别获得属于验证样本集T，验证样本集中分类错误样本集以及删除样本集D的概率和分布图；按照有无盐渍化两个类别，建立重叠度指标评价上述三个样本子集概率和分布的重叠度，选取重叠度最大时对应的概率和作为两个分类器在待分类区域中适用区域的判别阈值；所述重叠度指标的计算方法为：被分为无盐渍耕地的验证样本的重叠度指标ScoreNon-sanitary和被分为盐渍化耕地的验证样本的重叠度指标Scoresanitary的计算方法为： 在初始分类结果中被分类为无盐渍盐渍化耕地的验证样本中，fdeletex为属于删除样本集的验证样本的概率和分布函数，fallx为全部验证样本的概率和分布函数，fmisclass为被错误分类样本的概率和分布函数，m是盐渍化耕地验证样本概率和的最大值，n为非盐渍化耕地验证样本概率和的最大值；在初始分类结果的盐渍化区域和无盐渍化耕地区域中，删除样本集和剩余样本集对应的区域的判别标准PThreshold-Salinization和PThreshold-Non计算方法为： 在初始分类结果中，盐渍化耕地区域中概率和小于PThreshold-Salinization的区域以及非盐渍化区域中概率和大于PThreshold-Non的区域是基于删除样本集训练的分类器的使用区域，其余的区域是基于剩余样本集训练的分类器适用的区域；S9，基于所述S8的待分区域耕地有无盐渍化的初始分类结果和被分为盐渍化耕地的概率和，并应用S8建立的判别规则，划分待分类区域中基于剩余样本集R和删除样本集D建立的两个分类器适用区域；对删除样本训练分类器的适用区域进行重新分类，替换S8中该区域耕地有无盐渍化的初始分类结果，得到最终的耕地有无盐渍化分布区域；S10，基于盐渍化样本点的土壤含盐量数据以及光谱指数时间序列影像，计算各个光谱指数时间序列数据和土壤含盐量之间的相关性系数，并选取和土壤含盐量相关性最大的四个指数的时间序列特征；S11，基于S10选取的四个光谱指数时间序列特征，通过基于梯度提升决策树模型GBDT的反向特征消除法，获取可以获得最佳反演精度的GBDT模型对应的特征，并据此训练土壤含盐量反演模型；S12，基于训练好的GBDT回归模型，耕地盐渍化区域和对应的光谱特征影像集合，反演盐渍化耕地土壤含盐量。

全文数据：

权利要求：

百度查询： 中国科学院地理科学与资源研究所 一种基于多循环分类的耕地土壤含盐量反演方法