文章摘要:为利用多源数据构建毛乌素沙地腹部土壤含水率建模指示因子，通过微波后向散射系数、地表温度、缨帽变换要素、波段反射率、干旱指数和地形要素等17个变量为建模因子，分别以偏最小二乘（Partial least squares regression，PLSR）、极限学习机（Extreme learning machine，ELM）和随机森林（Random forest，RF）3种方法构建土壤含水率反演模型，对模型进行验证和对比，并对研究区的土壤水分分布进行制图。结果表明：温度植被干旱指数是土壤水分空间变异性的最重要的预测因子相关系数为0.64，其次是地表温度（0.6）、σVV（0.38）、植被指数（0.38）、波段7反射率（0.35）、σVH（0.32）、波段6反射率（0.3）和反照率（0.26）。相比于未筛选变量所构建的模型，利用最优子集筛选（Best subset selection，BSS）变量所构建的模型精度均有所提升。其中PLSR在处理共线性方面表现最优，ELM回归模型最稳定。RF模型具有最高的精确度，4月，决定系数为0.74，均方根误差为8.85%，平均绝对误差为7.86%；8月，决定系数为0.75，均方根误差为8.86%，平均绝对误差为7.41%。不同方法反演的土壤水分分布趋势没有显著差异，高土壤含水率出现在研究区的北部和东南部，中北部平坦地区的土壤含水率较低。利用光谱指数、环境因子和地形数据构建的多因子、多指数综合的模型能较高精度地反演毛乌素沙地腹部表层土壤水分，对研究该地区土地荒漠化和生态环境治理具有参考价值。

文章关键词:

项目基金: