南方农业学报

作者：李万涛, 杨明龙, 唐秀娟, 夏永华, 杨赈, 严正飞,

关键词：水云模型, Sentinel数据, 线性回归模型, BP神经网络模型, 土壤水分反演,

【目的】 通过多源遥感数据协同作用分析滇中地区姚安灌区的农田地表土壤含水率，为后续对滇中高原地区的地表土壤水分研究提供参考。【方法】 选择Landsat 8、Sentinel遥感数据为数据源，构建土壤水分与特征参数关系式，比较线性回归模型、BP神经网络模型、粒子群优化（PSO）的BP（PSO-BP）神经网络模型、随机森林（RF）算法预测土壤含水率的精度，选择最佳方法反演姚安灌区农田地表土壤含水率。【结果】 协同Sentinel-1微波数据和Sentinel-2光学数据，水云模型作用下VV后向散射系数减少0.1～0.4 dB、VH后向散射系数减少0～0.05 dB；加入特征参数，对比线性回归模型，BP神经网络模型的决定系数（R2）提高0.4589、PSO-BP神经网络模型的R2提高0.3811、RF算法的R2提高0.4544，其中，BP神经网络模型的R2和均方根误差（RMSE）较优。依据BP神经网络模型反演的土壤含水率与监督分类的土地利用分类进行叠加分析，可知姚安灌区土壤含水率集中在20%～30%，位置主要集中在姚安灌区中部，土壤含水率10%～20%区域主要集中在姚安灌区北部，而土壤含水率30%～40%区域覆盖面积少且分散。姚安灌区的土壤类型根据土壤墒情的划分标准主要属于褐墒（合墒）和黑墒（饱墒）。【建议】优化模型及算法，增加土壤含水率实测数据量，提高反演精度；针对水资源分布不均的问题，融合无人机遥感数据，对土壤含水分进行实时监测，动态分配水资源，形成土壤水分评价机制与监测机制，实现水资源的合理分配。

来源：2025年第1期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2025年第1期