基于聚类深度网络模型的莱州湾近岸平原表层土壤有机质含量遥感估算北大核心CSCD

准确掌握土壤有机质(SOM)含量特征及分布状态是土地肥力管理和陆地生态环境保护的关键。选取莱州湾近岸平原为研究区,采集348个土壤样点并获取同期Sentinel-2多光谱影像,利用变量重要度投影算法提取SOM的敏感光谱特征作为自变量,测定的SOM含量为因变量,进一步将空间聚类模块引入深度神经网络学习法构建聚类深度网络遥感估算模型,最终完成SOM的含量估算与区域尺度上的数字制图。结果表明:1)在土地盐碱化作用下,近红外范围内波段对SOM的光谱响应最强,波段8的重要度最高,采用波段差值运算能够综合两波段光谱信息突出SOM的吸收信号;2)聚类深度神经网络模型的反演精度R^(2)(决定系数)和R(均方根误差)分别达到0.82和2.25,相对比深度神经网络模型准确度分别提升36.67%和52.23%,在引入空间聚类函数后模型过拟合问题会得到缓解且计算效率提升;3)SOM含量的高值热点和低值冷点区域在空间上呈现带块状分布趋势,田块尺度上SOM分异规律明显,受海水倒灌和微地貌的共同影响。研究采用的聚类深度神经网络模型可为利用多光谱遥感数据反演SOM和进行区域尺度上的土壤质量精细监测及管理提供有效的技术支持。