✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 具体问题可以私信或扫描文章底部二维码。
（1）土地利用 / 覆被变化的遥感监测
土地利用 / 覆被变化作为全球变化研究的热点和资源环境动态研究的核心内容之一，对于理解人类与环境的相互作用至关重要。在黄河三角洲东营市垦利区这一典型研究区域，我们以 2007 年和 2013 年的 Landsat 卫星遥感影像为主要数据源开展研究。遥感影像的成像时间对分类结果有着不可忽视的影响，由于研究区地类复杂，不同地类在不同季节呈现出不同的特征，早春时节的遥感影像在区分各类土地利用类型时更具优势。这是因为早春植被覆盖度较低，地表特征更清晰，各类土地之间的差异更明显，减少了因植被生长旺盛而导致的地类混淆问题。
在遥感影像分类方法上，我们对比了经典的最大似然法和机器学习方法。研究发现，机器学习方法在分类效果上表现更优。其中，支持向量机分类又比神经网络分类效果更好。这是因为机器学习方法能够更好地处理复杂的地类分布和影像特征之间的关系。通过对两个时相的遥感影像分类结果进行分析，我们监测了土地利用 / 覆被变化情况。在全区范围内，主要的土地利用 / 覆被变化包括盐碱地与水域、林草地与盐碱地、耕地与盐碱地、盐碱地与耕地以及盐碱地与建设用地之间的相互转换。这些变化反映了该地区土地利用过程中的动态特征，例如盐碱地与水域的变化可能与水资源的分布和利用有关，而耕地与盐碱地的转换则可能受到灌溉、排水以及土壤盐渍化程度变化的影响。这种土地利用 / 覆被变化的监测为进一步研究土壤质量退化与土地利用之间的关系提供了基础数据。
（2）土壤质量退化评估与遥感反演
- 多光谱遥感影像与高光谱遥感影像融合的土壤盐分反演：为了更准确地获取土壤盐碱退化信息，我们将 Landsat8 OLI 多光谱影像和 HJ - 1A HSI 高光谱影像进行融合。融合后的影像具有独特的优势，它兼有多光谱影像的高空间分辨率和高光谱影像的高光谱分辨率。在建立反演模型时，我们不仅基于经典统计分析模型，还利用了机器学习的典型算法。研究结果表明，这种融合影像的反演精度优于高光谱影像，高光谱影像反演精度又优于多光谱影像。这是因为融合影像能够同时利用高空间分辨率和高光谱分辨率的优势，获取更丰富的土壤信息。机器学习模型在这个过程中表现出了强大的能力，它能更好地模拟土壤盐分与影像特征之间复杂的非线性关系，相比之下，其效果优于统计分析模型。此外，适当的数据预处理对于提高反演精度也有着重要作用，例如对影像进行去噪、增强对比度等操作，可以使影像中的土壤信息更加突出，减少噪声对反演结果的干扰。
- 土壤质量指标时空分析：我们选择了碱解氮（AN）、有效磷（AP）、速效钾（AK）、有机质（SOM）、pH 值和盐分含量这六个重要的土壤质量指标来评价土壤肥力质量。在 2007 年，研究区的土壤 AN 呈正态分布，AP、AK 呈对数正态分布，这些指标都具有中等强度的空间变异性和中等强度的空间自相关性。从变程、变异系数和基底效应来看，从大到小依次为 AP、AK、AN。变异函数以指数和球状模型拟合效果较好，Moran's I 方法在衡量土壤养分空间自相关性方面表现得稳健且有效。通过对土壤质量指标的空间分布分析发现，2007 年研究区土壤 AN 高含量主要集中在西南部耕地、中南部水田和北部沿黄区耕地；AP 高含量主要集中在西南部耕地和北部耕地，AK 高含量主要集中在北部、西南部和沿黄区耕地。同时，研究区的 SOM 含量不高，而 pH 值与土壤含盐量较高，大部分地区土壤呈碱性，盐碱化严重，这是黄河三角洲地区土壤的一个显著特征。到了 2013 年，虽然田间采样数据少于第一期，但通过采用 IDW 法仍能有效揭示其空间分布规律，并且两期数据具有可比性。对比两期数据可以看出，研究区 AN 含量明显降低，AP 含量显著下降，AK 含量显著提高，SOM 含量略有下降，pH 值上升，土壤含盐量明显升高。综合这些变化，可以初步判断研究区耕地质量整体呈下降趋势，特别是盐渍化程度明显加重。在这个过程中，我们还对空间插值方法的适用性进行了探索。基于 AN 数据设计了离散、随机、聚集三种空间分布模式不同样本量的数据，利用各模型的自动优化进行试验，发现样本量、空间分布模式、空间自相关性和空间聚集程度都会影响插值精度。不同的插值方法在不同的样本量和空间分布模式下表现出不同的精度规律，这为后续更准确地分析土壤质量变化提供了方法指导。
- 土壤质量评价及退化评估：利用综合指数法对两时相的土壤质量进行综合评价，以此为基础评估中西部典型区的土壤质量退化状况。结果显示，从 2007 年到 2013 年，研究区土壤质量退化明显。土壤质量退化的区域主要集中在兴隆街道、垦利街道、永安镇和黄河口镇局部，这些地区可能受到了人类活动和自然因素的双重影响，比如不合理的灌溉、土地过度开发以及土壤本身的特性等。而土壤质量改善的区域很少，零星分布于西南部郝家镇、董集镇、胜坨镇和垦利街道的局部。其他大部分区域则无显著变化，这表明黄河三角洲地区土壤质量变化存在明显的空间差异，这种差异对于理解土壤质量退化的机制和制定针对性的保护措施具有重要意义。
（3）土壤质量退化对土地利用 / 覆被变化的响应
在中西部典型区，我们定量分析了土地利用 / 覆被变化与土壤质量退化的关系，重点探讨了不同 LUCC（土地利用 / 覆被变化）类型与土壤质量退化的关系。研究发现，土壤质量退化地区对应的 LUCC 类型主要有盐碱地 — 耕地、耕地 — 盐碱地、林草地 — 耕地、林草地 — 盐碱地、耕地 — 林草地。例如，林草地毁坏、弃耕以及不合理的开垦等人类活动都可能导致土壤质量退化。这是因为林草地具有保持水土、改良土壤等生态功能，其破坏会使土壤失去植被的保护和改良作用，从而导致土壤质量下降。不合理的开垦可能破坏土壤结构，加速土壤侵蚀和盐渍化过程。
进一步地，我们建模分析了 5 种 LUCC 类型与土壤质量变化等级的关系，发现函数拟合度普遍较高。其中，耕地 — 盐碱地、林草地 — 盐碱地这两种转换类型的贡献率与土壤质量变化呈负相关的线性关系，这意味着这两种转换类型对土壤质量的负面影响随着其贡献的增大而增大，即其贡献越大，土壤质量退化的程度越高。而盐碱地 — 耕地、林草地 — 耕地、耕地 — 林草地这三种转换类型与土壤质量变化等级呈复杂的非线性关系，具体表现为抛物线函数。这表明在这些 LUCC 过程中，当导致土壤退化时，其贡献越大，土壤质量退化程度越重；而当有助于土壤改善时，其贡献越大，土壤质量越可能改善。这种复杂的关系反映了土地利用 / 覆被变化对土壤质量的多面影响，在制定土地利用规划时需要充分考虑这些因素，以实现土地资源的合理利用和土壤质量的保护。
import gdal
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
# 读取遥感影像数据（这里假设是 GeoTIFF 格式，需要根据实际情况修改）
def read_image(image_path):
dataset = gdal.Open(image_path)
if dataset is None:
raise Exception("无法打开影像文件")
image_data = dataset.ReadAsArray()
return image_data
# 准备训练数据和标签（这里假设已经有了预处理好的样本数据和标签，实际需要根据研究区情况获取）
image_data_2007 = read_image("path_to_2007_image.tif")
image_data_2013 = read_image("path_to_2013_image.tif")
labels = np.load("path_to_labels.npy")
# 合并两个时相的影像数据（示例，可以根据实际需求调整数据处理方式）
combined_data = np.concatenate((image_data_2007.reshape(-1, image_data_2007.shape[0]),
image_data_2013.reshape(-1, image_data_2013.shape[0])), axis=1)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(combined_data, labels, test_size=0.2, random_state=42)
# 使用支持向量机进行分类（这里只是简单示例，参数可调整）
svm_model = SVC(kernel='rbf', C=1.0, gamma='scale')
svm_model.fit(X_train, y_train)
# 在测试集上评估模型
accuracy = svm_model.score(X_test, y_test)
print("支持向量机分类准确率:", accuracy)
