遥感3-20117152-倪美龄-实验5,6
生态遥感监测模型考核试卷
15.在遥感图像处理中，哪种方法可以用于去除图像噪声？（）
A.滤波
B.图像锐化
C.图像旋转
D.图像镶嵌
16.下列哪个指标可以反映城市热岛效应的强度？（）
A.平均地表温度
B.最大地表温度
C.最小地表温度
D.地表温度标准差
17.下列哪种传感器具有高空间分辨率和高时间分辨率的特点？（）
A. MODIS
7.在遥感图像中，水体通常表现出较低的______反射率。（）
8.生态遥感监测中，用于评估土壤湿度的一个常用指标是______。（）
9.生态系统生产力模型中，MODIS是通过______数据来估算生产力的。（）
10.在遥感图像分类中，______是一种基于统计方法的分类器。（）
四、判断题（本题共10小题，每题1分，共10分，正确的请在答题括号中画√，错误的画×）
7.遥感图像的波段组合可以用于提取地物的特定信息。（）
8.生态遥感监测中，所有的植被指数都是基于近红外波段和红波段计算的。（）
9.土地覆盖分类是生态遥感监测中的主要任务之一。（）
10.生态系统模型可以完全代替实地调查和观测数据。（）
五、主观题（本题共4小题，每题10分，共40分）
1.请简述生态遥感监测的基本原理，并列举三种常用的生态遥感指数及其应用。
A.光能利用率模型
B.冠层反射率模型
C.碳平衡模型
D.树木生长模型
5.在遥感图像处理中，哪些方法可以用于图像分类？（）
A.最大似然分类
B.支持向量机
C.阈值分割
D.神经网络
6.下列哪些技术可以用于生态遥感数据的地面验证？（）
A.地面实测数据
B.遥感图像
定量遥感在生态学研究中的基础应用_王军邦
定量遥感在生态学研究中的基础应用*王军邦1,2**牛 铮1 胡秉民2 王长耀1 王政权3(1中国科学院遥感应用研究所遥感信息科学重点实验室,北京100101;2浙江大学生命科学院农业生态研究所,杭州310029;3东北林业大学森林资源与环境学院,哈尔滨150040)摘 要 生态学问题,特别是近来兴起的全球变化问题,是存在于不同时空尺度的生物与环境互作的格局和动态变化,对它的研究需要较大时空尺度的数据支撑,因此不同时空分辩率的遥感影象图就成为了这一重要的数据源。
从遥感的功能出发,介绍了遥感应用于植被覆盖分类、生态系统参数提取及生态系统模型等方面的基础研究情况,试图为生态学研究提供应用遥感的思路,为进一步应用遥感解决生态学问题提供基础。
关键词 生态学,定量遥感,遥感分类,植被参数中图分类号 Q 149 文献标识码 A 文章编号 1000-4890(2004)02-0152-06Primary appli cations of quantitative remote sensing in ecological research.WAN G Junbang 1,2,N IU Zheng 1,HU Binmin 2,WA NG Chang yao 1,WAN G Zheng quan 3(1L A RSI S,I nstitute of Re mote Sensing A p plications ,Chinese A cademy of Sciences ,Beij ing 100101,China;2I nstitute of A gr icultur e Ecology ,Lif e Science College,Zhej iang University ,H angz hou 310029,China;3College of For est Resour ce and Env ironment ,N or theaster n China For estry University ,H ar bin 150040,China).Chinese Jour nal of Ecology ,2004,23(2):152~157.Remote sensing is w idely applied in ecolog ical research.T he combination of remote sensing and ecol ogy is very important in solv ing env ironment problems and for their development.M any scient i sts hav e discussed the application of remote sensing in ecolo gy.In t his paper,the function of remote sensing for ecological r esearch is introduced: vegetation classification; land surface and env iron ment parameter retrieval; vegetation parameter r etr iev al; application in ecosystem car bon cycle.Key words ecology,quantitative remote sensing,classification,parameter.*中国科学院知识创新工程重大项目(KZCX1-S W-01)、国家重点基础研究发展规划项目(G2000077900)和国家高技术研究与发展计划资助项目(2001AA135050,2003AA131170)。
南海北部海域叶绿素 a浓度时空特征遥感分析
南海北部海域叶绿素 a浓度时空特征遥感分析马翱慧;刘湘南;李婷;刘美玲【摘要】利用2007－2010年MODIS的L2级叶绿素a浓度产品作为数据基础，对叶绿素a浓度年平均和月平均数据进行分级分区处理，研究南海北部海域叶绿素a浓度时空分布特征及其与海洋环境因素的关系。
初步研究结果表明：2007－2010年在南海北部海域叶绿素a浓度的高值区（＞5.0 mg/m3）主要分布在广东省沿岸河流的入海口，分布范围在夏季最大，在春秋次之，在冬季最小；叶绿素a 浓度的次高值区（1.0～5.0 mg/m3）主要分布在海岸线到50 m等深线之间的海域，分布范围夏冬较大，能扩展到50 m等深线附近，而春秋较小，会退缩到50 m等深线以内；叶绿素a浓度的中值区（0.3～1.0 mg/m 3）主要分布在100 m等深线以外的海域，其区域平均值夏季最低，春秋次之，冬季最高，同时该区域叶绿素a浓度在春夏秋三季空间分布较均匀，而冬季受季风和黑潮入侵影响空间分布较为复杂。
南海北部海域海表叶绿素a浓度的时空变化特征与季风、沿岸河流、海流、海表温度等海洋环境因素的变化有关。
3）主要分布在50 m到100 m等深线之间的海域，时空变化复杂；叶绿素a浓度的低值区（＜0.3 mg/m%The temporal and spatial distribution of a chlorophyll a (Chl-a) concentration in the northern South China Sea (NSCS) and its relationship with marine environmental factors were studied based on the annually and monthly mean images (January 2007 to December 2010) of the Chl-a concentration ,which were obtained from the MODIS chlorophyll a concentration Level 2 products ,then classified into seven re-gions basedon the isobaths and divided into six grades .The preliminary results showed that during 2007-2010 in the NSCS ,the highest value area (>5mg/m3 ) of Chl-a concentration was mainly distributed in Guangdong coastal estuaries ,and the biggest in summer ,followed in spring and autumn ,the smallest in winter ;The second highest value area(1.0~5.0mg/m 3 ) of the Chl-a concentration was mainly in the wa-ters between coastline and 50m isobaths .The distribution range of Chl-a concentration in summer and win-ter was larger ,extending to the vicinity the 50 m isobath ,smaller in spring and autumn ,keeping within 50 m isobath ;the mid-value area(0.3~1.0 mg/m 3 ) of the Chl-a concentration mainly distrubuted between 50 and 100 m isobath with complex temporal and spatial variation ;the low value area(<0.3 mg/m3 ) of the Chl-a concentration distributed basically in the waters beyond the 100 m isobath ,where the regional aver-age of monthly mean Chl-a concentration was the lowest in summer ,followed by spring and autumn ,the highest in winter ,and where the spatial distributions of the Chl-a concentration were homogeneous in spring ,summer and autumn ,but due to the monsoon and the intrusion of Kuroshio ,became more complex in winter .The temporal and spatial features of the Chl-a concentration in the NSCS were affected by the variations of the marine environmental factors ,such as monsoon ,coastal rivers ,ocean currents ,sea sur-face temperature ,etc .【期刊名称】《海洋学报（中文版）》【年(卷),期】2013(000)004【总页数】8页(P98-105)【关键词】南海北部海域;MODIS;叶绿素a浓度;时空变化【作者】马翱慧;刘湘南;李婷;刘美玲【作者单位】中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083【正文语种】中文【中图分类】P722.7海洋浮游植物作为海洋有机物的初级生产者，在海洋生态系统的物质循环和能量转化过程中起着重要作用［1］。
深度融合描绘遥感蓝图
深度融合描绘遥感蓝图作者：倪海波来源：《科学中国人·下旬刊》2021年第08期把照相機放在航空器或航天平台上，对地球表面拍摄成像，就形成了遥感数据。
这些遥感数据很好地刻画了地球表面的信息和人类活动，是大范围、长周期的数据集，有效加以利用将为国民经济发展及生态环境保护提供重要支撑。
但目前面临的状况是，遥感数据的处理难度较高，大量数据堆积却应用不足。
如何快速、精准提取数据中的目标信息就成为一个亟待突破的关键问题。
武汉大学遥感信息工程学院副教授、博士生导师李彦胜多年来坚持立足国家重大战略需求和国计民生问题，深耕于人工智能驱动的遥感大数据处理与知识挖掘领域，致力于遥感影像解译、机器学习、计算机视觉、知识工程、自然语言处理等多领域的深度交叉融合，在高分辨率遥感影像场景理解、大规模遥感影像多模检索、大范围遥感土地覆盖分类与变化监测、多源遥感影像目标检测与识别等方面取得了一系列创新性研究成果。
数学为基，入轨遥感“遥感是一个典型的交叉学科，它的核心工作就是数据处理，而数据处理又涉及大量人工智能算法的介入，也和数学有着千丝万缕的联系。
”采访中，李彦胜如是介绍他所从事的研究领域。
与遥感大数据研究结缘，李彦胜坦承源于高考那一次阴差阳错的选择——打小，李彦胜的梦想是学习计算机，高考那一年他却被数学专业录取。
当时，李彦胜觉得自己遇到了挫折，“没有进入理想的专业”。
但是，他选择在学习过程中不断修正自己，在发展中寻找机会。
除了数学专业课程外，他还通过自学和旁听的方式补充了大量计算机专业知识。
通过4年孜孜以求的学习，李彦胜成功考取华中科技大学人工智能与自动化学院模式识别与智能系统专业研究生，师从田金文教授和谭毅华教授，开启了人工智能方向的研究，并获得博士学位。
让李彦胜喜出望外的是，后来的实践证明，“数学专业的学习为后续的科研工作打下了坚实的基础”。
数学，成为李彦胜通往学术殿堂的基石。
至今，李彦胜感谢这次漫长的修正过程，就像卫星从地球进入宇宙空间后的逐渐修正、调整、最终入轨，“这是成长的必经之路”。
无人机遥感技术在测绘工程测量中的应用_3
无人机遥感技术在测绘工程测量中的应用发布时间：2021-06-28T10:10:30.757Z 来源：《工程管理前沿》2021年2月5期作者：刘盼盼、刘志诚、潘美灵[导读] 我国正在推进现代化建设，项目数量逐步增加刘盼盼、刘志诚、潘美灵山东豪邦信息科技有限公司山东省济南市 250000摘要：我国正在推进现代化建设，项目数量逐步增加，测绘工作为工程的设计和施工提供重要的数据及资料支撑，保障施工质量和安全，起到了有效的辅助性作用。
随着相关科学技术的飞速发展，工程测量领域获以革命性的技术更新。
特别是近年来，无人机遥感技术在各种工程测量活动中已得到广泛应用，方便测量内外业的开展，同时，保证了测绘生产质量。
关键词：无人机遥感；工程测量；高新技术引言随着我国经济的发展和科学技术水平的迅速提升，无人机遥感技术的应用也越来越广泛，尤其对于测绘工程，可以有效地提高测量工作效率。
除此之外，无人机遥感技术作为一种全新的新兴技术，也得到了国家政策的大力支持，相关技术也逐渐成熟，为无人机遥感技术在测绘工程测量过程中的应用奠定了基础。
1无人机遥感技术发展现状无人机技术，在很多时候又被业内称为无人机航测遥感技术，它更多时候是采用无线电设备来对各种各样的飞行器进行控制，从而实现对信息的快速获取。
当前无人机技术主要包含数据处理系统、无人飞行器平台、GPS导航定位系统以及数码传感器，这是将数据处理技术、计算机信息通讯以及GPS高度融合的高新技术。
过去传统的地面测绘信息，的采集都是通过载人飞机或者是卫星来进行获取的，但是所需要承担的成本比较高，并且很多时候会受到天气条件的影响，并且各种信息的更新速度非常的慢，对于测绘工作的发展造成了很大的限制。
而相比之下，无人机遥感技术它所需要的周期短、成本比较低、成像较为清晰、操作起来也较为简单方便，在很多方面都弥补了传统测绘信息采集的不足和缺陷。
当前国内的无人机技术在各项研发方面都取得了很多进步，各个国家也在不断的引进我国的无人机技术。
遥感实验报告
一、实验背景随着科技的飞速发展，遥感技术作为一种获取地球表面信息的重要手段，在地理信息系统、资源调查、环境监测等领域发挥着越来越重要的作用。
为了更好地了解遥感技术的基本原理和应用，我们进行了本次遥感实验。
二、实验目的1. 掌握遥感图像的获取和处理方法；2. 熟悉遥感图像处理软件ENVI的基本操作；3. 学习遥感图像的分类和提取信息的方法；4. 培养团队合作精神和实际操作能力。
三、实验原理遥感技术是利用电磁波对地球表面进行探测和监测的技术。
通过遥感传感器获取的图像数据，可以反映地表物体的物理、化学和生物特性。
遥感图像处理主要包括图像校正、分类、提取信息等步骤。
四、实验内容1. 图像获取实验中，我们使用了ENVI软件，从美国地质调查局（USGS）的地球观测系统数据和信息（EOSDIS）中下载了北京市的Landsat 8卫星影像。
2. 图像校正首先，我们对下载的遥感图像进行了几何校正，以消除图像中的几何畸变。
通过选择地面控制点，将遥感图像与实际地理位置相对应。
3. 图像分类接着，我们进行了遥感图像的分类。
采用监督分类方法，利用ENVI软件中的分类器，对遥感图像进行分类。
分类过程中，我们选取了地物特征明显的区域作为训练样本，以指导分类器进行分类。
4. 信息提取最后，我们利用遥感图像提取了北京市的地物信息，包括水体、植被、建筑等。
通过对提取信息的分析，可以了解北京市的地表环境状况。
五、实验结果与分析1. 图像校正通过几何校正，我们成功地将遥感图像与实际地理位置相对应，消除了图像中的几何畸变。
校正后的图像可以更准确地反映地表物体的真实位置。
2. 图像分类在遥感图像分类过程中，我们共分为三个类别：水体、植被和建筑。
经过分类，我们得到了较为准确的分类结果。
通过分析分类结果，可以看出北京市的水体主要分布在北部地区，植被主要分布在山区和郊外，建筑主要集中在城市中心区域。
3. 信息提取通过对遥感图像提取的地物信息进行分析，我们可以了解到北京市的地表环境状况。
《遥感应用综合实习》指导书武大
《遥感应用综合实习》指导书一实习原理基于遥感影像的变化监测就是从不同时间获取的遥感影像中，定量分析和确定地表变化特征和过程的技术。
变化监测的方法大体上可分为两类：一类是基于分类的变化监测，即根据变化前后图像的分类结果进行变化监测，称为后分类法，这种方法对分类的精度要求较高；另一类是基于像素的变化监测，对于不同时期图像的像素灰度变化进行比较，或在灰度变化的基础上进行相关的分析，实现变化监测，称为逐个像元比较法，这种方法需要消除不同时期影像之间的由于成像条件不同而产生的差异。
这两种方法的流程图如下所示：基于分类的变化监测流程图基于像素的变化监测流程图二实习主要内容：1 遥感影像的预处理本次实习利用遥感卫星QUICK BIRD，P5，SPOT等影像进行土地利用变化监测，包括2002，2007两年的影像数据。
在进行变化监测之前，需要进行一些基本的图象处理，主要包括以下内容：（1）几何纠正：对02年和07年的原始影像分别采用不同的方法进行几何纠正。
①对于02年的Quick Bird影像：根据1：10000地形图，选择投影类型，选择控制点，手工输入大地坐标，进行几何纠正；②对于07年的P5和SPOT影像，以纠正好的02年Quick Bird影像为参考，进行几何纠正。
（2）辐射校正：利用直方图匹配、直方图归一化、回归分析等方法，消除不同大气状况、不同成像时间所造成的影像光谱信息的差异、2 监督法分类：对待分类影象进行监督法分类，分为五类地物：水体（湖泊），建城区（包括城市用地，道路，建筑用地），林地，农用地（包括旱地，草地），坑塘水面（包括水田，鱼塘，滩涂，池塘）。
在选择训练样区时，首先选取最具有代表性的AOI，然后进行分类，查看效果如何，然后对分类效果较差的部分添加选取AOI，重新分类，直到分类结果满意为止。
3 对分类后的影象进行裁切：本次变化监测的研究区域为南湖地区，根据研究区域，在不同时期的影像中分别裁剪获得需要的数据。
遥感呼吸模型实验报告(3篇)
第1篇一、实验背景随着遥感技术的发展，遥感技术在环境监测、资源调查、灾害预警等方面发挥着越来越重要的作用。
遥感呼吸模型是近年来兴起的一种遥感数据处理方法，主要用于分析地表植被覆盖度的动态变化。
本实验旨在通过遥感呼吸模型，分析某地区植被覆盖度的变化规律，为植被管理提供科学依据。
二、实验目的1. 熟悉遥感呼吸模型的原理和方法。
2. 利用遥感数据，分析某地区植被覆盖度的动态变化。
3. 掌握遥感呼吸模型在实际应用中的操作步骤。
三、实验材料1. 实验数据：某地区Landsat 8遥感影像数据，时间跨度为2010年至2020年。
2. 软件工具：ENVI遥感图像处理软件。
四、实验方法1. 数据预处理：对Landsat 8遥感影像数据进行预处理，包括辐射定标、大气校正、地形校正等，以提高数据质量。
2. 遥感呼吸模型构建：根据遥感影像数据，构建遥感呼吸模型，分析植被覆盖度的动态变化。
3. 植被覆盖度分析：利用遥感呼吸模型，分析某地区植被覆盖度的变化规律，包括植被覆盖度变化趋势、变化幅度等。
4. 结果分析：对实验结果进行分析，探讨遥感呼吸模型在植被覆盖度分析中的应用价值。
五、实验步骤1. 数据预处理：将Landsat 8遥感影像数据导入ENVI软件，进行辐射定标、大气校正、地形校正等预处理操作。
2. 遥感呼吸模型构建：在ENVI软件中，根据预处理后的遥感影像数据，构建遥感呼吸模型。
具体步骤如下：（1）选择植被指数：选择适合的植被指数，如归一化植被指数（NDVI）。
（2）计算植被指数：对预处理后的遥感影像数据计算植被指数。
（3）构建遥感呼吸模型：根据遥感呼吸模型原理，建立植被覆盖度与植被指数之间的关系模型。
3. 植被覆盖度分析：利用遥感呼吸模型，分析某地区植被覆盖度的动态变化。
具体步骤如下：（1）选择分析时间段：根据研究需求，选择分析时间段。
（2）计算植被覆盖度：利用遥感呼吸模型，计算不同时间段的植被覆盖度。
（3）分析植被覆盖度变化规律：对计算得到的植被覆盖度进行统计分析，分析植被覆盖度的变化趋势、变化幅度等。
遥感技术在农业资源与土壤环境综合监测上的应用
㊀山东农业科学㊀２０２４ꎬ５６(３):１６３~１７０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０３.０２２收稿日期:２０２３－０８－２４基金项目:国家自然科学基金面上项目(４１９７７０１９)ꎻ山东省本科教学改革研究面上项目(Ｍ２０２１０６２)ꎻ山东省科技型中小企业创新能力提升工程项目(２０２２ＴＳＧＣ２４３７)作者简介:鄂高阳(２００２ )ꎬ男ꎬ黑龙江佳木斯人ꎬ在读本科生ꎬ研究方向为土地资源管理ꎮＥ－ｍａｉｌ:２９６６２８１７０８＠ｑｑ.ｃｏｍ韩芳(１９８１ )ꎬ女ꎬ博士ꎬ副教授ꎬ研究方向为资源环境遥感应用ꎮＥ－ｍａｉｌ:ｈａｎｆ＠ｌｒｅｉｓ.ａｃ.ｃｎ∗同为第一作者ꎮ通信作者:刘之广(１９８７ )ꎬ男ꎬ山东招远人ꎬ博士ꎬ副教授ꎬ主要从事土壤肥料资源高效利用研究ꎮＥ－ｍａｉｌ:ｌｉｕｚｈｉｇｕａｎｇ８２３５１２６＠１２６.ｃｏｍ遥感技术在农业资源与土壤环境综合监测上的应用鄂高阳１ꎬ韩芳２∗ꎬ秦秉希３ꎬ刘之广１(１.山东农业大学资源与环境学院ꎬ山东泰安㊀２７１０１８ꎻ２.山东理工大学建筑工程与空间信息学院ꎬ山东淄博㊀２５５０４９ꎻ３.山东农业大学信息科学与工程学院ꎬ山东泰安㊀２７１０１８)㊀㊀摘要:近年来ꎬ遥感技术和遥感设备已被普遍应用于农业资源与土壤环境综合监测中ꎬ且在农业生产㊁环境保护和自然资源管理等几个方面成效卓著ꎮ但是ꎬ土壤问题依然影响着人类的生态文明建设ꎬ制约着人类健康和发展的稳定性ꎮ随着国内外对土壤问题研究和调查的不断深入ꎬ针对性提出的一系列解决方案和政策措施在一定程度上改善了土壤环境问题ꎬ但也暴露出监测技术不足㊁监测方法亟待改进等很多新问题ꎮ本文综述了遥感监测技术在农业生产㊁环境保护和自然资源管理三个方面的应用现状ꎬ重点对遥感监测手段㊁遥感技术在土壤监测方面的应用进行了较全面的阐述ꎬ对现有工作中存在的问题进行总结ꎬ并对今后的发展方向做出展望ꎮ关键词:遥感技术ꎻ土壤综合监测ꎻ农业生产ꎻ环境保护ꎻ自然资源管理中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０３－０１６３－０８ＡｐｐｌｉｃａｔｉｏｎｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｙｏｎＩｎｔｅｇｒａｔｅｄＭｏｎｉｔｏｒｉｎｇｏｆＡｇｒｉｃｕｌｔｕｒａｌＲｅｓｏｕｒｃｅｓａｎｄＳｏｉｌＥｎｖｉｒｏｎｍｅｎｔＥＧａｏｙａｎｇ１ꎬＨａｎＦａｎｇ２∗ꎬＱｉｎＢｉｎｇｘｉ３ꎬＬｉｕＺｈｉｇｕａｎｇ１(１.ＣｏｌｌｅｇｅｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔꎬＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＴａｉａｎ２７１０１８ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＧｅｏｍａｔｉｃｓꎬＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＺｉｂｏ２５５０４９ꎬＣｈｉｎａꎻ３.ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＴａｉａｎ２７１０１８ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｔｈｅｒｅｃｅｎｔｄｅｖｅｌｏｐｍｅｎｔｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｉｑｕｅａｎｄｅｑｕｉｐｍｅｎｔｈａｓａｄｖａｎｃｅｄｉｔｓａｐｐｌｉｃａ￣ｔｉｏｎｏｎｉｎｔｅｇｒａｔｅｄｍｏｎｉｔｏｒｉｎｇｏｆａｇｒｉｃｕｌｔｕｒａｌｒｅｓｏｕｒｃｅｓａｎｄｓｏｉｌｅｎｖｉｒｏｎｍｅｎｔꎬｗｈｉｃｈｈａｓｏｕｔｓｔａｎｄｉｎｇｅｆｆｅｃｔｓｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎꎬｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎａｎｄｎａｔｕｒａｌｒｅｓｏｕｒｃｅｓｍａｎａｇｅｍｅｎｔ.Ｈｏｗｅｖｅｒꎬｓｏｉｌｐｒｏｂｌｅｍｓｓｔｉｌｌａｆｆｅｃｔｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｈｕｍａｎｅｃｏｌｏｇｉｃａｌｃｉｖｉｌｉｚａｔｉｏｎａｎｄｒｅｓｔｒｉｃｔｔｈｅｓｔａｂｉｌｉｔｙｏｆｈｕｍａｎｈｅａｌｔｈａｎｄｄｅｖｅｌ￣ｏｐｍｅｎｔ.Ｗｉｔｈｔｈｅｄｅｅｐｅｎｉｎｇｏｆｒｅｓｅａｒｃｈａｎｄｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｓｏｉｌｐｒｏｂｌｅｍｓａｔｈｏｍｅａｎｄａｂｒｏａｄꎬａｓｅｒｉｅｓｏｆｔａｒ￣ｇｅｔｅｄｓｏｌｕｔｉｏｎｓａｎｄｐｏｌｉｃｙｍｅａｓｕｒｅｓｈａｄｂｅｅｎｐｕｔｆｏｒｗａｒｄａｎｄｈａｄｉｍｐｒｏｖｅｄｓｏｉｌｅｎｖｉｒｏｎｍｅｎｔｔｏａｃｅｒｔａｉｎｅｘ￣ｔｅｎｔ.Ｂｕｔｍａｎｙｎｅｗｐｒｏｂｌｅｍｓｓｕｃｈａｓｉｎａｄｅｑｕａｃｙａｎｄｎｅｅｄｔｏｉｍｐｒｏｖｉｎｇｏｆｍｏｎｉｔｏｒｉｎｇｔｅｃｈｎｏｌｏｇｙｈａｖｅｂｅｅｎｅｘｐｏｓｅｄ.Ｉｎｔｈｉｓｐａｐｅｒꎬｔｈｅａｐｐｌｉｃａｔｉｏｎｓｔａｔｕｓｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｍｏｎｉｔｏｒｉｎｇｔｅｃｈｎｉｑｕｅｏｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃ￣ｔｉｏｎꎬｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎａｎｄｎａｔｕｒａｌｒｅｓｏｕｒｃｅｍａｎａｇｅｍｅｎｔｗｅｒｅｒｅｖｉｅｗｅｄꎬｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｍｏｎｉｔｏｒｉｎｇｔｏｏｌｓａｎｄｔｅｃｈｎｉｑｕｅｓｏｎｓｏｉｌｍｏｎｉｔｏｒｉｎｇｗａｓｅｌａｂｏｒａｔｅｄꎬｔｈｅｅｘｉｓｔｉｎｇｐｒｏｂｌｅｍｓｗｅｒｅｓｕｍｍａ￣ｒｉｚｅｄꎬａｎｄｔｈｅｏｕｔｌｏｏｋｏｆｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｗａｓｐｒｏｐｏｓｅｄ.Ｋｅｙｗｏｒｄｓ㊀ＲｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙꎻＩｎｔｅｇｒａｔｅｄｍｏｎｉｔｏｒｉｎｇｏｆｓｏｉｌꎻＡｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎꎻＥｎｖｉｒｏｎ￣ｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎꎻＮａｔｕｒａｌｒｅｓｏｕｒｃｅｓｍａｎａｇｅｍｅｎｔ㊀㊀土壤作为农业㊁林业㊁畜牧业等领域的重要资源ꎬ其质量㊁特性及变动会对作物产量和品质产生直接影响ꎮ在社会与经济不断发展的大背景下ꎬ土壤开发利用中的损害和污染问题日益凸显ꎮ近年来ꎬ土壤问题已引起广泛关注ꎬ不仅关系到人类的生活品质ꎬ更是国家可持续发展战略的重要组成部分ꎮ因此ꎬ加强土壤综合监测和保护能力ꎬ有利于推进国家生态文明建设和提高生态兼容性[１－２]ꎮ工业经济的迅速发展对生态环境造成了极大的破坏ꎬ且土壤处于脆弱状态ꎬ易遭受到来自物理㊁化学等多方面的影响ꎮ研究显示ꎬ人类活动引起的全球生态环境变化ꎬ致使土壤严重受损ꎬ直接或间接导致全球生物多样性和生态功能的退化[３－４]ꎮ例如ꎬ乙撑双二硫代氨基甲酸酯类杀菌剂和各种有毒杀虫剂的滥用对环境造成了大量原生和次生污染ꎬ有毒物质通过食物链积累ꎬ最终进入人体ꎬ产生与癌症㊁遗传毒性等相关的物质[５－６]ꎮ工业化进程不断推进ꎬ土壤环境恶化加剧ꎬ工业废水排放等导致土壤污染问题日益严重ꎬ土壤中重金属含量急剧上升ꎬ给食物链的中高层生物带来严重威胁[７－８]ꎮ在我国ꎬ土壤问题主要表现为不合理开发㊁不合规排放和有毒农药及化肥的过度使用等ꎬ水土流失㊁土壤侵蚀和土壤污染等问题尤为严重[１－２]ꎮ与此同时ꎬ我国土壤监测发展相对滞后ꎮ国外土壤监测的相关研究可追溯至２０世纪６０年代末ꎬ而我国则在２０世纪８０年代才开始ꎮ因此ꎬ我国亟需采取有效措施进行土壤环境监测和修复ꎮ传统的土壤监测方法主要依赖于现场调查和实验室分析ꎬ耗时长㊁费用高ꎬ且难以实现大范围㊁高效率的监测ꎮ遥感监测是指利用遥感技术进行监测的技术方法ꎬ在获取大面积信息方面具有快而全的优势ꎬ为土壤监测提供了新的可能性[９]ꎮ１㊀土壤综合监测及遥感技术概述遥感技术具有监测范围广㊁信息连续性强㊁信息处理效率高等优势ꎮ相较于传统监测技术ꎬ遥感技术可大幅降低人工和经济成本ꎬ缩短信息处理周期ꎬ保证信息时效性ꎬ有助于加快土壤信息汇总进度ꎬ及时处理土壤污染事件ꎮ遥感技术还可进行非常规监测ꎬ扩大土壤监测范围且对极端地形的监测效果显著ꎬ还能够实现全天候环境监测ꎮ遥感技术可实现对单个区域的动态监测ꎬ有助于监测土壤变化ꎬ及时了解土壤受污染程度ꎬ实时监控土壤修复进程ꎬ提升土壤污染治理效果ꎮ遥感技术作为一项综合技术ꎬ实现了土壤资源整合的统一与信息化ꎬ推进了土壤综合监测等的研究进度ꎮ土壤遥感监测基本流程如图１所示ꎮ图１㊀土壤遥感监测流程４６１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀㊀㊀土壤遥感监测通常包含８个理化指标㊁３种放射性监测方式㊁１７种有机监测方式和２３种无机监测方式[９]ꎮ数据源主要有多源遥感卫星数据㊁无人机遥感数据以及地面测量数据等ꎮ多源遥感卫星数据包括Ｌａｎｄｓａｔ㊁ＭＯＤＩＳ㊁Ｓｅｎｔｉｎｅｌ等ꎬ这些卫星的光谱范围广㊁时间分辨率高ꎬ可满足不同尺度㊁不同时相的土壤监测需求ꎻ无人机遥感数据优势在于具有高空间㊁高时间分辨率和高精度ꎬ利于细节特征的精细化监测ꎻ地面测量数据包括传统的土壤样点信息和高精度的地形数据ꎬ可与遥感数据交叉验证ꎬ提高监测精度和可信度ꎮ２㊀土壤遥感监测技术土壤遥感监测技术通过遥感和地面探测等技术手段ꎬ对土壤进行非接触式的监测和评估ꎬ可以为土地利用㊁农业生产㊁环境保护等领域提供丰富的信息ꎬ是实现土壤可持续发展的重要工具ꎮ常用的土壤遥感监测技术包括: (１)遥感影像分析技术ꎮ利用高分辨率卫星或无人机获取的影像数据ꎬ分析土壤覆盖类型㊁土地利用状况以及土壤质量[１０]ꎮ如利用Ｌａｎｄｓａｔ卫星数据进行耕地㊁林地㊁草地等土地利用类型的分类和监测ꎻ通过ＮＤＶＩ(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅ￣ｔａｔｉｏｎｉｎｄｅｘ)指数评估植被覆盖程度ꎬ从而反映土壤肥力状况ꎮ(２)土壤光谱技术ꎮ这是一种利用光谱仪器测量土壤反射光谱ꎬ推断土壤性质和特征的方法[１１]ꎮ例如ꎬ近红外光谱技术可以获取土壤有机质含量㊁水分含量和ｐＨ值等信息ꎻ红外光谱技术可以获得土壤粘粒含量和矿物成分信息ꎮ通过这些信息可以评估和监测土壤质量ꎮ(３)地球物理勘探技术ꎮ这是通过测量土壤的物理特征ꎬ如电阻率㊁磁性和声波传播速度等ꎬ推断土壤性质和结构的方法ꎮ例如ꎬ电磁法测量土壤电阻率可以获取土壤含水量和盐分信息ꎻ地震波速度测量技术可以获得土壤密度和压缩模量信息ꎮ通过这些信息可以评估和监测土壤结构和性质ꎮ综上所述ꎬ通过三种土壤遥感监测技术ꎬ可获取土壤覆盖类型㊁土地利用状况㊁土壤质量与结构等信息ꎬ实现无接触的土壤监测和评估ꎬ为土地利用㊁农业生产与环境保护等提供丰富的数据和信息ꎬ为土壤资源的管理与保护提供科学有效的数据支持ꎮ３㊀遥感技术应用３.１㊀农业生产遥感技术在农业领域应用非常广泛ꎮ郭广猛等[１２]使用中红外波段对土壤湿度进行遥感监测ꎬ通过回归分析发现土壤水分与ＭＯＤＩＳ(ｍｏｄｅｒａｔｅ￣ｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ)第７波段的反射率之间具有较好的相关关系ꎮＺｈｕ等[１３]利用机器学习对根际土壤湿度进行预测ꎬ显著提高了土壤水分预测的准确率与服务水平ꎮＬｉｕ等[１４]研究表明土壤光谱反射率与土壤湿度存在相关性ꎬ在一定土壤水分临界值下土壤光谱反射率与土壤湿度呈负相关ꎮ通过对土壤盐碱性㊁腐蚀㊁水分以及农作物生长环境等进行遥感监测分析ꎬ可以连续监测并发现其变化趋势ꎬ为其管理提供科学的指导和建议ꎮ例如提出农业用水管理决策ꎬ提高农业灌溉用水效率等[１５]ꎮ同时ꎬ遥感技术也可监测草地的长势㊁产量㊁退化㊁沙化及耕地与草地的面积变化等[１６]ꎬ为草原与畜牧业管理决策提供有价值的信息ꎮ通过遥感数据可以了解农业有效灌溉面积的增长情况[１７]ꎬ并预测未来的发展趋势ꎬ对于解决灌溉节水及水土流失等问题具有重要意义ꎮ遥感技术还可以通过监测土地利用变化情况ꎬ对农业生产提供支持ꎮ例如ꎬ可以对农田土地利用类型进行分类ꎬ了解耕地的变化情况ꎬ以便能够及时调整农业生产布局ꎮ同时ꎬ遥感技术还可以监测农作物的生长状况(生长阶段㊁病虫害等)ꎬ为农业生产提供实时数据支持ꎬ帮助农民及时采取相应的管理措施ꎮＲｏｍａｎａｋ等[１８]利用气相色谱法对土壤环境(如二氧化碳㊁氧气㊁温度㊁水分和压力等)进行了长期监测ꎮＪｉａｏ等[１９]利用极化细束影像对加拿大安大略东北部地区的小麦㊁大豆等主要作物进行了分类和面积提取ꎮ岳云开等[２０]利用无人机多光谱遥感反演苎麻叶绿素含量ꎬ为高效检测苎麻叶绿素提供新方法ꎮ杨娜等[２１]利用ＳＭＯＳ㊁ＳＭＡＰ数据技术对青藏高原季风及植被生长季土壤水分消长特征进行了研究ꎬ明确了近期青藏高原土壤水分的总体分布状况ꎬ为地区和全球气候及灾害的预测预报提供了５６１㊀第３期㊀㊀㊀㊀㊀㊀鄂高阳ꎬ等:遥感技术在农业资源与土壤环境综合监测上的应用借鉴和科学依据ꎮＢａｌａ等[２２]基于ＭＯＤＩＳ影像的ＮＤＶＩ数值进行土豆长势监测ꎮ何亚娟等[２３]对冬小麦不同生育期的产量三因子(穗数㊁穗粒数㊁千粒重)进行双因子建模ꎬ使预报时间提前至抽穗后期至灌浆期ꎬ并且有９０％的拟合精度ꎮＳｏｎ等[２４]利用ＭＯＤＩＳ数据建立了水稻生长期与单产的关系模型ꎬ并成功应用于湄公河三角洲水稻的长势监测与产量预测ꎮ韩文霆等[２５]利用无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量ꎬ为农业生产提供了科学依据ꎮ３.２㊀环境保护遥感技术可以实时监测土壤质地㊁营养成分等的变化ꎬ进而对土壤质量和健康进行评估ꎮ其中ꎬ遥感技术在土壤侵蚀㊁土壤污染和土地利用监测等方面具有重要的应用价值ꎮ３.２.１㊀土壤侵蚀监测㊀遥感技术可以通过监测土壤的光谱信息ꎬ实现土壤侵蚀情况的监测ꎮ研究表明ꎬ４５０ｎｍ波段光谱值与土壤水分含量有关ꎬ５００~６４０ｎｍ波段与土壤中氧化铁含量有关ꎬ６６０ｎｍ波段与土壤有机质含量呈负相关[２６]ꎮ杨丽娟等[２７]利用无人机遥感影像分析土壤侵蚀重要表现形式的新成切沟发生规律ꎬ为切沟的预防与治理提供科学依据ꎮ遥感监测技术为及时制定对策防止土壤流失和泥石流等自然灾害情况发生提供了重要的数据支撑ꎮ张晓远等[２８]利用卫星遥感影像结合ＧＩＳ和ＲＳ技术对ＲＣＳＬＥ模型进行修正ꎬ使之能够对小流域水土流失动态变化进行分析和评价ꎮ３.２.２㊀土壤利用监测㊀遥感技术可以通过土地利用监测ꎬ帮助农业决策者确定土地分类和资源要求等信息ꎮ例如ꎬ黄应丰等[２９]利用土壤光谱特性对华南地区主要土壤类型进行分类ꎬ提取１０个光谱特征作为土壤光谱特征指标ꎬ综合应用土壤特征指标及其他分类指标对土壤进行分类ꎬ结果与中国土壤系统分类[３０]中的相关内容相一致ꎮ李娜等[３１]利用基于ＰＯＩ数据的城市功能区识别与分布特征研究ꎬ开展了遥感技术在农业资源与环境领域土壤综合监测方面的应用研究ꎬ为土壤分类识别在城市规划㊁城市管理㊁经济分析和环境保护等方面的应用提供了借鉴ꎮＳｅｎａｎａｙａｋｅ等[３２]利用遥感影像对降水量㊁土地利用率㊁土地覆盖和作物多样性等几个变量进行了时间序列分析和空间建模ꎬ监测土壤侵蚀㊁作物多样性和降水量变化ꎮ赵建辉等[３３]提出了一种基于特征选择和ＧＡ－ＢＰ(ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ￣ｂａｃｋｐｒｏｐａｇａｔｉｏｎ)神经网络的多源遥感农田地表土壤水分反演方法ꎬ为多源遥感农田地表土壤水分反演提供了新思路ꎮ冯泉霖等[３４]利用多光谱影像生成聚类深度网络遥感估算模型ꎬ完成ＳＯＭ的含量估算与区域尺度上的数字制图ꎬ可为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ꎮ３.２.３㊀土壤污染与重金属监测㊀通过遥感技术提取大面积土地的红外㊁雷达和光谱信息ꎬ实现土壤污染监测ꎮ遥感数据的采集㊁处理和分析可以揭示出地表环境的空间分布ꎬ便于地理信息系统(ＧＩＳ)管理地表资源ꎮ遥感图像的特征分析和遥感模型构建可以确立土壤污染区域ꎬ依据土壤类别㊁地形地貌㊁气象特征㊁植被类型和人类活动等因素变化进行污染物模型构建ꎮ刘雯等[３５]利用高分五号卫星高光谱影像对土壤Ｃｄ含量进行的大范围反演ꎬ可为环境污染评价及生态保护提供更好的数据支撑ꎮＭｅｓｑｕｉｔａ等[３６]通过对土壤淋滤过程进行模拟分析ꎬ得出了一种利用在线模拟降水监测土壤铁元素及其配合物流失的方法ꎮ宋子豪等[３７]通过对石油污染的农田土和湿地土进行采样分析ꎬ考察了石油污染对两种类型土壤的影响ꎮ黄长平等[３８]利用遥感数据反演分析了南京城郊土壤重金属铜的１０个敏感波段ꎮ张雅琼等[３９]基于高分１号卫星影像快速提取了深圳市部九窝余泥渣土场的信息ꎬ验证表明归一化绿红差异指数的提取精度在９７.５％以上ꎮ蔡东全等[４０]利用ＨＪ－１Ａ高光谱遥感数据研究发现ꎬ铜㊁锰㊁镍㊁铅㊁砷在４８０~９５０ｎｍ波段内具有较好的遥感建模和反演效果ꎮ宋婷婷等[４１]基于ＡＳＴＥＲ遥感影像研究土壤锌污染ꎬ发现４８１㊁１０００㊁１２２０ｎｍ是锌的敏感波段ꎬ相关性最好的波段在５１５ｎｍ处ꎮＤｖｏｒｎｉｋｏｖ等[４２]利用便携式分析仪测量了俄罗斯科拉半岛土壤中铜和镍的含量ꎬ并根据地形建立了回归模型ꎬ得出１.０~１.５ｍ分辨率的辅助数据是预测该研究地区表层土中Ｃｕ和Ｎｉ含量的最佳方法ꎮ钟亮等[４３]以遗传算法优化的偏最小二乘回归算法ꎬ对预处理后的农田土壤样品和小麦叶片光谱建立土壤重金属镉(Ｃｄ)和砷(Ａｓ)含量的估测模型ꎬ为将来实现定６６１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀量㊁动态㊁无损遥感监测大面积农田土壤重金属污染状况提供了参考依据ꎮ综上所述ꎬ随着遥感技术的不断升级和完善ꎬ其在土壤侵蚀监测㊁土壤污染监测和土地利用监测方面的应用将会更加广泛和深入ꎮ遥感技术可以为农业生产提供科学依据ꎬ帮助农业决策者制定更加科学的农业规划ꎬ促进农业可持续发展ꎮ３.３㊀自然资源管理遥感技术可以通过多角度㊁多时相的综合分析和评估ꎬ获取综合性土壤信息ꎬ进而对整个地区的土地资源状况和变化进行精细分类和数量分析ꎬ辅助ＧＩＳ等信息技术分析手段对土地资源进行评估㊁监测和管理ꎮ其主要应用包括土壤类型识别㊁土壤水分监测㊁土壤质量评估和土地利用变化监测ꎮ３.３.１㊀土壤类型识别㊀遥感技术可以在短时间内获取大面积土壤类型信息ꎬ为构建土地利用/覆盖类型分类提供基础数据ꎬ为土地利用管理提供科学参考ꎮ例如ꎬ徐彬彬等[４４]通过测定我国２３类主要土壤类型的反射光谱曲线ꎬ将其归纳为平直型㊁缓斜型㊁陡坎型和波浪型ꎬ为构建土地类型分类提供了依据ꎮＷｅｉ等[４５]利用机器学习和高光谱技术ꎬ构建基于特征波段的土壤有机质(ＳＯＭ)反演模型并取得了较好成果ꎬ为土壤类型识别提供了借鉴ꎮＣｈｉｍｅｌｏ等[４６]利用ＰｌａｎｅｔＳｃｏｐｅ卫星星座和随机森林算法预测土壤中的粘土含量ꎮＴｕｎçａｙ等[４７]利用ＳＦＩ等级与卫星图像的植被指数值进行比较ꎬ量化干旱与半干旱地区土壤的物理㊁化学和肥力指标的空间动态ꎮ杨栋淏等[４８]通过结合多光谱与高光谱遥感数据ꎬ对云南山原红壤主要养分含量的高光谱特性进行研究ꎬ并利用机器学习建立相关模型ꎬ为土壤养分含量估测提供了依据ꎮ３.３.２㊀土壤水分监测㊀遥感技术可以多角度㊁多时相地获取土壤水分动态变化信息ꎬ结合植被生长指数等参数ꎬ帮助实现农林生产㊁荒漠化和水土流失等环境问题的监测ꎮ陈怀亮等[４９]利用归一化植被指数ＮＤＶＩ和ＡＶＨＲＲ４通道亮温建立回归方程ꎬ将土壤含水量与遥感指数联系起来ꎮ国外学者通过对比分析ＥＲＳ－１的ＳＡＲ图像与地面土壤水分实测值ꎬ发现土壤含水量与雷达后向散射系数间呈线性关系[５０]ꎮ许泽宇等[５１]利用增强型ＤｅｅｐＬａｂ算法和自适应损失函数的高分辨率遥感影像分类技术ꎬ通过改变编码器和解码器的结合方式增强二者的连接状态ꎬ加入自适应权重以及进行多通道训练等多方面改进ꎬ提高了地物高精度分类网络Ｅ－ＤｅｅｐＬａｂ的性能ꎬ为适用于遥感地物的自动分类和提取提供了借鉴ꎮＤａｒｉ等[５２]利用Ｋ－Ｍｅａｎｓ聚类算法对意大利中部某地区２０１７年至２０１９年生成的１００ｍ空间分辨率灌溉区地图与地面实况数据相比较ꎬ取得较好结果ꎬ可为土壤水分遥感分析工作提供依据ꎮ３.３.３㊀土壤质量评估与土地利用变化监测㊀遥感技术可以精准㊁快速地获取相关土壤信息ꎬ用于土壤质量变化趋势分析㊁预测和评估ꎮＤａｌａｌ等[５３]使用近红外光谱法预测土壤水分㊁有机碳和总氮含量ꎬ发现土壤有机质含量在０~２.６％范围内时ꎬ近红外法预测结果相对准确ꎻ而在有机质含量高于２.６％时ꎬ预测结果存在偏差ꎮＢｅｎ￣Ｄｏｒ等[５４]利用近红外光谱法预测土壤有机质含量ꎬ通过分析土壤有机质的Ｃ/Ｎ比率来改进近红外法的预测准确度ꎮ沙晋明等[５５]使用ＶＦ９９１地物光谱测量仪对不同环境条件下的土壤样本剖面进行测量ꎬ并测定了各土层土壤的有机质含量ꎮＧｕｏ等[５６]利用多光谱㊁高光谱数据与植被指数ꎬ结合机器学习实现了土壤有机碳含量的测量与绘制相关图像ꎮ张智韬等[５７]利用无人机遥感平台计算归一化植被指数并代入像元二分模型计算植被覆盖度ꎬ利用偏最小二乘回归算法和极限学习机算法构建不同覆盖度下各深度土壤含盐量反演模型ꎬ为无人机多光谱遥感监测农田土壤盐渍化提供了思路ꎮ吴倩等[５８]使用便携式光谱仪采集陕西省黄土高原区黄绵土土壤的光谱数据ꎬ利用机器学习方法得出土壤碳酸钙含量与光谱反射率呈现正相关态势的结论ꎮ佘洁等[５９]分析土壤养分空间变异来源ꎬ兼述遥感㊁ＧＩＳ与人工智能等研究现状ꎬ并对当前存在的问题进行剖析ꎮ遥感技术还可以通过遥感数据解析和分类实现土地利用变化监测ꎬ并进一步提供多维度数据可视化和地表覆被变化分析等ꎬ快速监测不可再生土地用途的变化情况ꎬ这对于土地资源管理和保护具有重要意义ꎮ综上所述ꎬ遥感技术在土地资源管理和评估中具有重要的应用价值ꎬ可以为土地利用/覆盖类７６１㊀第３期㊀㊀㊀㊀㊀㊀鄂高阳ꎬ等:遥感技术在农业资源与土壤环境综合监测上的应用型分类㊁土壤水分监测㊁土壤质量评估和土地利用变化监测等提供科学依据和技术支持ꎮ随着遥感技术的不断发展和创新ꎬ其在土地资源管理和评估中的应用将会更加广泛和深入ꎬ为土地可持续利用和保护提供更强大的支持ꎮ４㊀展望土壤综合遥感监测技术已经在农牧业㊁林业㊁荒漠化和环境保护中得到广泛应用ꎮ综合遥感监测具有较高的实用价值ꎬ为土地资源的监测和管理提供了较为可靠的科学依据ꎮ尤其在当前科技发展较为迅速的大背景下ꎬ综合遥感监测技术的进一步推广和应用将为土地资源中长期规划㊁生态环境保护㊁自然灾害预警㊁公共安全等领域提供科学的数据基础和服务支撑ꎮ４.１㊀农业生产应用展望随着遥感技术的不断升级和完善ꎬ其在农业领域的应用将更加广泛和深入ꎮ例如ꎬ随着卫星分辨率的提高ꎬ可以更加精确地监测农田的土地利用㊁土壤水分等情况ꎬ为农业生产提供更加精准的数据支持ꎻ同时ꎬ随着人工智能和机器学习技术的发展ꎬ可以利用遥感数据进行数据挖掘和分析ꎬ提高数据的处理效率和准确性ꎬ帮助农业生产做出更加科学的管理决策ꎻ此外ꎬ还可以将遥感技术与其他技术相融合ꎬ如地理信息系统㊁无人机等技术ꎬ实现更加全面㊁精准的农业监测和管理ꎮ４.２㊀环境保护应用展望随着无人机㊁多光谱/高光谱等多源遥感设备的普及以及计算机技术的发展ꎬ土壤综合遥感监测技术在环境保护中将越来越得到更加广泛的应用ꎮ例如ꎬ利用无人机㊁卫星等搭载光谱设备的遥感平台可以高效监测大范围土壤情况ꎬ实现土地利用㊁植被覆盖等信息的分析ꎬ结合地面监测数据ꎬ可以及时发现土壤污染情况并进行污染程度评估ꎻ通过遥感技术可以对土地利用类型及其变化进行监测和分析ꎬ包括农地㊁城市扩展㊁森林覆盖等情况ꎬ有助于合理规划土地利用结构ꎬ保护耕地和生态环境ꎻ通过长时间㊁高时空和高分辨率的遥感影像监测土壤侵蚀㊁土地滑坡㊁沙漠化等自然灾害ꎬ及时发现灾害隐患并评估风险ꎬ可为防灾减灾提供技术支持等ꎮ４.３㊀自然资源管理展望随着大数据技术以及多源遥感技术的发展ꎬ土壤综合遥感监测技术在自然资源管理中发挥着越来越重要的作用ꎮ例如ꎬ通过监测土地利用类型㊁土地覆盖变化㊁土地利用强度等信息ꎬ利用大数据以及人工智能技术帮助制定土地规划㊁土地整治和土地利用政策等ꎻ通过对土地资源进行监测和评估ꎬ实现土地资源的合理利用ꎬ保护农田㊁森林㊁草原等重要生态系统ꎬ维护生态平衡ꎻ通过监测土壤水分含量㊁地下水位㊁土壤侵蚀情况等ꎬ合理利用和保护水资源等ꎮ综上ꎬ土壤综合遥感监测在农业生产发展㊁环境保护和自然资源管理等场景中具有重要的应用价值ꎬ未来还需加强遥感数据与地面测量数据的协同应用ꎬ优化反演模型㊁特征提取和分类识别方法ꎬ发挥遥感技术在土壤监测研究和应用中的更大潜力ꎮ参㊀考㊀文㊀献:[１]㊀王慧婷ꎬ王洪敏ꎬ李百庆.土壤资源环境保护研究[Ｊ].环境与发展ꎬ２０１８ꎬ３０(５):２４０－２４２.[２]㊀郝梦洋ꎬ朱欣.重金属土壤污染的来源和影响[Ｊ].现代盐化工ꎬ２０１７(３):１１ꎬ２６.[３]㊀ＳｍｉｔｈＰꎬＨｏｕｓｅＪＩꎬＢｕｓｔａｍａｎｔｅＭꎬｅｔａｌ.Ｇｌｏｂａｌｃｈａｎｇｅｐｒｅｓ￣ｓｕｒｅｓｏｎｓｏｉｌｓｆｒｏｍｌａｎｄｕｓｅａｎｄｍａｎａｇｅｍｅｎｔ[Ｊ].ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙꎬ２０１６ꎬ２２(３):１００８－１０２８.[４]㊀ＬａｌＲ.Ｒｅｓｔｏｒｉｎｇｓｏｉｌｑｕａｌｉｔｙｔｏｍｉｔｉｇａｔｅｓｏｉｌｄｅｇｒａｄａｔｉｏｎ[Ｊ].Ｓｕｓｔａｉｎａｂｉｌｉｔｙꎬ２０１５ꎬ７(５):５８７５－５８９５.[５]㊀ＬｅｍｏｓＰＶＲＢꎬＭａｒｔｉｎｓＪＬꎬＬｅｍｏｓＳＰＰꎬｅｔａｌ.Ｈｅｐａｔｉｃｄａｍａｇｅｉｎｎｅｗｂｏｒｎｓｆｒｏｍｆｅｍａｌｅｒａｔｓｅｘｐｏｓｅｄｔｏｔｈｅｐｅｓｔｉｃｉｄｅｄｅｒｉｖａｔｉｖｅｅｔｈｙｌｅｎｅｔｈｉｏｕｒｅａ[Ｊ].ＡｃｔａＣｉｒｕｒｇｉｃａＢｒａｓｉｌｅｉｒａꎬ２０１２ꎬ２７(１２):８９７－９０４.[６]㊀ＭａｒａｎｇｈｉＦꎬｄｅＡｎｇｅｌｉｓＳꎬＴａｓｓｉｎａｒｉＲꎬｅｔａｌ.ＲｅｐｒｏｄｕｃｔｉｖｅｔｏｘｉｃｉｔｙａｎｄｔｈｙｒｏｉｄｅｆｆｅｃｔｓｉｎＳｐｒａｇｕｅＤａｗｌｅｙｒａｔｓｅｘｐｏｓｅｄｔｏｌｏｗｄｏｓｅｓｏｆｅｔｈｙｌｅｎｅｔｈｉｏｕｒｅａ[Ｊ].ＦｏｏｄａｎｄＣｈｅｍｉｃａｌＴｏｘｉｃｏｌｏ￣ｇｙꎬ２０１３ꎬ５９:２６１－２７１.[７]㊀ＨｕａｎｇＹＦꎬＣｈｅｎＧＦꎬＸｉｏｎｇＬＭꎬｅｔａｌ.Ｃｕｒｒｅｎｔｓｉｔｕａｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｐｏｌｌｕｔｉｏｎｉｎｆａｒｍｌａｎｄｓｏｉｌａｎｄｐｈｙｔｏｒｅｍｅｄｉａｔｉｏｎａｐ￣ｐｌｉｃａｔｉｏｎ[Ｊ].ＡｓｉａｎＡｇｒｉｃｕｌｔｕｒａｌＲｅｓｅａｒｃｈꎬ２０１６ꎬ８(１):２２－２４.[８]㊀ＳｕｎＹＪ.ＥｃｏｌｏｇｉｃａｌｒｉｓｋｅｖａｌｕａｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｐｏｌｌｕｔｉｏｎｉｎｓｏｉｌｉｎＹａｎｇｇｕ[Ｊ].ＧｅｏｓｔａｔｉｓｔｉｃｓＶａｌｅｎｃｉａꎬ２０１７ꎬ１９:９１９－９３１. [９]㊀林龙飞.论遥感技术在土壤方面的应用[Ｊ].中国资源综合利用ꎬ２０２１ꎬ３９(１):１１７－１２０.[１０]黄仲良ꎬ何敬ꎬ刘刚ꎬ等.面向ＧＥＥ平台的遥感影像分析与应用研究进展[Ｊ].遥感技术与应用ꎬ２０２２ꎬ３７(３):１－８.８６１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀[１１]刘云鹤ꎬ殷长春ꎬ蔡晶ꎬ等.电磁勘探中各向异性研究现状和展望[Ｊ].地球物理学报ꎬ２０１８ꎬ６１(８):３４６８－３４８７. [１２]郭广猛ꎬ赵冰茹.使用ＭＯＤＩＳ数据监测土壤湿度[Ｊ].土壤ꎬ２００４ꎬ３６(２):２１９－２２１.[１３]ＺｈｕＱꎬＷａｎｇＹＳꎬＬｕｏＹＬ.Ｉｍｐｒｏｖｅｍｅｎｔｏｆｍｕｌｔｉ￣ｌａｙｅｒｓｏｉｌｍｏｉｓｔｕｒｅｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓａｎｄｅｎｓｅｍｂｌｅＫａｌｍａｎｆｉｌｔｅｒｃｏｕｐｌｅｄｗｉｔｈｒｅｍｏｔｅｓｅｎｓｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｄａｔａｓｅｔｓｏｖｅｒａｎａｇｒｉｃｕｌｔｕｒｅｄｏｍｉｎａｎｔｂａｓｉｎｉｎＣｈｉｎａ[Ｊ].ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓꎬ２０２１ꎬ３５(４):ｅ１４１５４.[１４]ＬｉｕＷＤꎬＢａｒｅｔＦꎬＧｕＸＦꎬｅｔａｌ.Ｒｅｌａｔｉｎｇｓｏｉｌｓｕｒｆａｃｅｍｏｉｓ￣ｔｕｒｅｔｏｒｅｆｌｅｃｔａｎｃｅ[Ｊ].ＲｅｍｏｔｅＳｅｎｓ.Ｅｎｖｉｒｏｎ.ꎬ２００２ꎬ８１(２/３):２３８－２４６.[１５]韩文霆ꎬ张立元ꎬ牛亚晓ꎬ等.无人机遥感技术在精量灌溉中应用的研究进展[Ｊ].农业机械学报ꎬ２０２０ꎬ５１(２):１－１４. [１６]李飞ꎬ李冰ꎬ闫慧ꎬ等.草地遥感研究进展与展望[Ｊ].中国草地学报ꎬ２０２２ꎬ４４(１２):８７－９９.[１７]宋文龙ꎬ李萌ꎬ路京选ꎬ等.基于ＧＦ－１卫星数据监测灌区灌溉面积方法研究 以东雷二期抽黄灌区为例[Ｊ].水利学报ꎬ２０１９ꎬ５０(７):８５４－８６３.[１８]ＲｏｍａｎａｋＫＤꎬＢｏｍｓｅＤＳ.Ｆｉｅｌｄａｓｓｅｓｓｍｅｎｔｏｆｓｅｎｓｏｒｔｅｃｈｎｏｌ￣ｏｇｙｆｏｒｅｎｖｉｒｏｎｍｅｎｔａｌｍｏｎｉｔｏｒｉｎｇｕｓｉｎｇａｐｒｏｃｅｓｓ￣ｂａｓｅｄｓｏｉｌｇａｓｍｅｔｈｏｄａｔｇｅｏｌｏｇｉｃＣＯ２ｓｔｏｒａｇｅｓｉｔｅｓ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＧｒｅｅｎｈｏｕｓｅＧａｓＣｏｎｔｒｏｌꎬ２０２０ꎬ９６:１０３００３.[１９]ＪｉａｏＸＦꎬＫｏｖａｃｓＪＭꎬＳｈａｎｇＪＬꎬｅｔａｌ.Ｏｂｊｅｃｔ￣ｏｒｉｅｎｔｅｄｃｒｏｐｍａｐｐｉｎｇａｎｄｍｏｎｉｔｏｒｉｎｇｕｓｉｎｇｍｕｌｔｉ￣ｔｅｍｐｏｒａｌｐｏｌａｒｉｍｅｔｒｉｃＲＡ￣ＤＡＲＳＡＴ￣２ｄａｔａ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９６:３８－４６.[２０]岳云开ꎬ陈建福ꎬ赵亮ꎬ等.基于无人机多光谱遥感的苎麻叶绿素含量反演[Ｊ].山东农业科学ꎬ２０２３ꎬ５５(７):１５２－１５８.[２１]杨娜ꎬ汤燕杰ꎬ张宁馨ꎬ等.基于ＳＭＯＳ㊁ＳＭＡＰ数据的青藏高原季风及植被生长季土壤水分长消特征研究[Ｊ].遥感技术与应用ꎬ２０２２ꎬ３７(６):１３７３－１３８４.[２２]ＢａｌａＳＫꎬＩｓｌａｍＡＳ.ＣｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｐｏｔａｔｏｙｉｅｌｄａｎｄＭＯ￣ＤＩＳ￣ｄｅｒｉｖｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅ￣ｍｏｔｅＳｅｎｓｉｎｇꎬ２００９ꎬ３０(９/１０):２４９１－２５０７.[２３]何亚娟ꎬ汪庆发ꎬ裴志远ꎬ等.冬小麦产量分阶段预测模型[Ｊ].农业机械学报ꎬ２０１２ꎬ４３(１):８９－９３ꎬ１３３.[２４]ＳｏｎＮＴꎬＣｈｅｎＣＦꎬＣｈｅｎＣＲꎬｅｔａｌ.ＰｒｅｄｉｃｔｉｏｎｏｆｒｉｃｅｃｒｏｐｙｉｅｌｄｕｓｉｎｇＭＯＤＩＳＥＶＩ￣ＬＡＩｄａｔａｉｎｔｈｅＭｅｋｏｎｇＤｅｌｔａꎬＶｉｅｔ￣ｎａｍ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１３ꎬ３４(２０):７２７５－７２９２.[２５]韩文霆ꎬ崔家伟ꎬ崔欣ꎬ等.基于特征优选与机器学习的农田土壤含盐量估算研究[Ｊ].农业机械学报ꎬ２０２３ꎬ５４(３):３２８－３３７.[２６]姚艳敏ꎬ魏娜ꎬ唐鹏钦ꎬ等.黑土土壤水分高光谱特征及反演模型[Ｊ].农业工程学报ꎬ２０１１ꎬ２７(８):９５－１００. [２７]杨丽娟ꎬ王春梅ꎬ张春妹ꎬ等.基于遥感影像研究极端暴雨条件下新成切沟发生发展规律[Ｊ].农业工程学报ꎬ２０２２ꎬ３８(６):９６－１０４.[２８]张晓远ꎬ刘朱婷ꎬ连少宏ꎬ等.基于ＲＣＳＬＥ的粤西均墟河小流域水土流失动态变化[Ｊ].中国水土保持科学:中英文ꎬ２０２２ꎬ２０(４):４２－４９.[２９]黄应丰ꎬ刘腾辉.华南主要土壤类型的光谱特性与土壤分类[Ｊ].土壤学报ꎬ１９９５ꎬ３２(１):５８－６８.[３０]张保华ꎬ何毓蓉.中国土壤系统分类及其应用研究进展[Ｊ].山东农业科学ꎬ２００５(４):７６－７８.[３１]李娜ꎬ吴凯萍.基于ＰＯＩ数据的城市功能区识别与分布特征研究[Ｊ].遥感技术与应用ꎬ２０２２ꎬ３７(６):１４８２－１４９１. [３２]ＳｅｎａｎａｙａｋｅＳꎬＰｒａｄｈａｎＢꎬＨｕｅｔｅＡꎬｅｔａｌ.Ｓｐａｔｉａｌｍｏｄｅｌｉｎｇｏｆｓｏｉｌｅｒｏｓｉｏｎｈａｚａｒｄｓａｎｄｃｒｏｐｄｉｖｅｒｓｉｔｙｃｈａｎｇｅｗｉｔｈｒａｉｎｆａｌｌｖａｒｉ￣ａｔｉｏｎｉｎｔｈｅＣｅｎｔｒａｌＨｉｇｈｌａｎｄｓｏｆＳｒｉＬａｎｋａ[Ｊ].ＳｃｉｅｎｃｅｏｆＴｈｅｔｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２２ꎬ８０６(Ｐｔ２):１５０４０５.[３３]赵建辉ꎬ张晨阳ꎬ闵林ꎬ等.基于特征选择和ＧＡ－ＢＰ神经网络的多源遥感农田土壤水分反演[Ｊ].农业工程学报ꎬ２０２１ꎬ３７(１１):１１２－１２０.[３４]冯泉霖ꎬ李洪涛ꎬ徐夕博ꎬ等.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[Ｊ].安全与环境学报ꎬ２０２２ꎬ２２(４):２２４８－２２５８.[３５]刘雯ꎬ韩玲ꎬ刘明ꎬ等.基于高分五号高光谱波段选择的矿区周边土壤Ｃｄ含量反演[Ｊ].激光与光电子学进展ꎬ２０２３ꎬ６０(１７):１７２８００１.[３６]ＭｅｓｑｕｉｔａＬＳꎬＭｅｓｑｕｉｔａＲＢＲꎬＬｅｉｔｅＡꎬｅｔａｌ.Ｉｎｔｅｇｒａｔｅｄｆｌｏｗ￣ｂａｓｅｄｓｙｓｔｅｍｄｉｓｐｌａｙｉｎｇａｎｉｎ￣ｌｉｎｅｍｉｎｉｓｏｉｌｃｏｌｕｍｎｔｏｍｏｎｉｔｏｒｉｒｏｎｓｐｅｃｉｅｓｉｎｓｏｉｌｓｌｅａｃｈａｔｅｓ[Ｊ].ＣｏｍｍｕｎｉｃａｔｉｏｎｓｉｎＳｏｉｌＳｃｉ￣ｅｎｃｅａｎｄＰｌａｎｔＡｎａｌｙｓｉｓꎬ２０２０ꎬ５１(８):１０８９－１１００. [３７]宋子豪ꎬ韩阳ꎬ韦晨阳ꎬ等.受石油污染的农田土和湿地土的偏振光谱特征对比[Ｊ].光谱学与光谱分析ꎬ２０２２ꎬ４２(８):２６０３－２６０９.[３８]黄长平ꎬ刘波ꎬ张霞ꎬ等.土壤重金属Ｃｕ含量遥感反演的波段选择与最佳光谱分辨率研究[Ｊ].遥感技术与应用ꎬ２０１０ꎬ２５(３):３５３－３５７.[３９]张雅琼ꎬ赵宇昕ꎬ屈冉ꎬ等.基于ＧＦ－１卫星遥感影像的生态空间周边建筑余泥渣土场提取方法研究[Ｊ].环境保护科学ꎬ２０１８ꎬ４４(６):５０－５５ꎬ８９.[４０]蔡东全ꎬ吴泉源ꎬ曹学江ꎬ等.基于ＨＪ１Ａ－ＨＳＩ的龙口污水灌溉区土壤重金属含量反演[Ｊ].安全与环境工程ꎬ２０１５ꎬ２２(５):３３－３９.[４１]宋婷婷ꎬ付秀丽ꎬ陈玉ꎬ等.云南个旧矿区土壤锌污染遥感反演研究[Ｊ].遥感技术与应用ꎬ２０１８ꎬ３３(１):８８－９５. [４２]ＤｖｏｒｎｉｋｏｖＹꎬＳｌｕｋｏｖｓｋａｙａＭꎬＹａｒｏｓｌａｖｔｓｅｖＡꎬｅｔａｌ.Ｈｉｇｈ￣ｒｅｓ￣ｏｌｕｔｉｏｎｍａｐｐｉｎｇｏｆｓｏｉｌｐｏｌｌｕｔｉｏｎｂｙＣｕａｎｄＮｉａｔａｐｏｌａｒｉｎｄｕｓ￣ｔｒｉａｌｂａｒｒｅｎａｒｅａｕｓｉｎｇｐｒｏｘｉｍａｌａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ[Ｊ].ＬａｎｄＤｅｇｒａｄａｔｉｏｎ＆Ｄｅｖｅｌｏｐｍｅｎｔꎬ２０２２ꎬ３３(１０):１７３１－１７４４. [４３]钟亮ꎬ钱家炜ꎬ储学远ꎬ等.利用高光谱遥感技术监测小麦土壤重金属污染[Ｊ].农业工程学报ꎬ２０２３ꎬ３９(５):２６５－２７０.[４４]徐彬彬ꎬ戴昌达.南疆土壤光谱反射特性与有机质含量的相关分析[Ｊ].科学通报ꎬ１９８０(６):２８２－２８４.[４５]ＷｅｉＬＦꎬＹｕａｎＺＲꎬＷａｎｇＺＸꎬｅｔａｌ.Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎ９６１㊀第３期㊀㊀㊀㊀㊀㊀鄂高阳ꎬ等:遥感技术在农业资源与土壤环境综合监测上的应用。
遥感概论-试验教学大纲
《遥感概论》课程实验教学大纲一、课程基本信息课程代码：16033003课程名称：遥感概论英文名称：An Introduction to Remote Sensing实验总学时：20学时适用专业：自然地理与资源环境专业课程类别：专业课先修课程：无二、实验教学的总体目的和要求1、对学生的要求本课程要求学生，第一是对所学理论进行验证，第二是掌握遥感图像处理的方法，第三，掌握遥感信息提取的过程和方法。
本实验课是综合性实验课程，实验内容涉及本课程的综合知识和本课程数相关的课程知识。
《遥感概论》是一门操作性较强的课程，能过实验验证理论及学生的动手能力及综合分析能力，进一步掌握课程知识。
要求掌握遥感数据获取的原理及遥感图像处理的原理和软件操作，增强学生用于探索的创新精神、创造意识，善于解决问题的实践能力。
2、对教师的要求教学方法注重理论和实践相结合，运用多媒体等教学手段，注重学生实际动手能力，理论课和计算机软件操作相结合。
3、对实验条件的要求计算机每人一台、遥感图像处理软件、遥感图像等。
三、实验教学内容实验项目一实验名称：Google earth浏览与ENVI软件应用基础实验内容：1. Google Earth软件的安装；2.定位、测距、路标叠加等功能的使用；3.时间滑块查看北京、上海、广州和家乡的遥感影像动态变化；4.感兴趣区域的搜寻与不同类型影像效果的对比；5.遥感图像处理软件；6. ENVI软件的安装与处理基础；7.窗口显示功能的使用与灰度图像加载；8.不同光谱库的地物反射率浏览比较。
实验性质：验证性实验学时：4实验目的与要求：1. 了解Google Earth软件的基本应用概况；2.掌握软件的安装和使用入门操作；3.掌握Google地球中的五项简单有趣操作；4.掌握定位感兴趣区域，并使用导航控件、倾斜和查看地形图；5. 了解不同遥感软件的发展和ENVI的基本应用概况；6.掌握.iso软件的安装方法和License的修改；7.掌握ENVI软件的菜单模式8.掌握灰度图像的加载方法，查看灰度图像，了解图像显示特征；9.查看光谱库中典型地物的反射率波谱，理解反射率波谱的意义；10.通过时间滑块功能查看和感受我国城市化建设与快速发展。
基于遥感数据和随机森林算法的土壤重金属空间分布模拟———以铬为例
基于遥感数据和随机森林算法的土壤重金属空间分布模拟 以铬为例周忠科１，２，王泽强２，３，王唯２∗，宋晓宁２，徐夕博１，２㊀（１．北京师范大学环境演变与自然灾害教育部重点实验室，北京１００８７５；２．枣庄学院旅游与资源环境学院，山东枣庄２７７１６０；３．哈尔滨师范大学地理科学学院，黑龙江哈尔滨１５００２５）摘要㊀为评估土壤重金属的富集状态及空间分异态势，选取山东省章丘市为研究区，系统采集４２５处土壤样品，测定土壤中铬（Ｃｒ）元素含量，采用描述性统计特征评估重金属在土壤中的富集状态；获取与土壤采样同期的Ｌａｎｄｓａｔ－８ＯＬＩ遥感数据，将土壤重金属的环境要素作为自变量，测定的土壤Ｃｒ元素含量为因变量，构建基于随机森林算法的土壤重金属空间模拟模型，完成土壤中的重金属含量预测和空间分布模拟㊂结果表明，土壤重金属Ｃｒ含量均值高出土壤元素背景值３７．２２％，但低于农用地土壤污染风险筛选值，表明土壤中Ｃｒ的富集在可管控范围内；随机森林算法支持的空间模拟模型具有较好的精度和稳定度，精度系数Ｒ２和ＲＭＳＥ值分别为０．８７和７．１９，优于普通克里格法（Ｒ２＝０．６６，ＲＭＳＥ＝１３．１５）对土壤重金属的空间分布模拟㊂关键词㊀土壤重金属；随机森林算法；遥感；空间分布模拟；铬中图分类号㊀Ｘ５３㊀㊀文献标识码㊀Ａ㊀㊀文章编号㊀０５１７－６６１１（２０２３）１４－００５１－０４ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０５１７－６６１１．２０２３．１４．０１３㊀㊀㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：ＳｐａｔｉａｌＤｉｓｔｒｉｂｕｔｉｏｎＳｉｍｕｌａｔｉｏｎｏｆＳｏｉｌＨｅａｖｙＭｅｔａｌｓＢａｓｅｄｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＤａｔａａｎｄＲａｎｄｏｍＦｏｒｅｓｔＡｌｇｏｒｉｔｈｍ ＴａｋｉｎｇＣｈｒｏｍｉ⁃ｕｍａｓａｎＥｘａｍｐｌｅＺＨＯＵＺｈｏｎｇ⁃ｋｅ１，２，ＷＡＮＧＺｅ⁃ｑｉａｎｇ２，３，ＷＡＮＧＷｅｉ２ｅｔａｌ㊀（１．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＣｈａｎｇｅａｎｄＮａｔｕｒａｌＤｉｓａｓｔｅｒｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５；２．ＣｏｌｌｅｇｅｏｆＴｏｕｒｉｓｍ，ＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＺａｏｚｈｕａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｚａｏｚｈｕａｎｇ，Ｓｈａｎｄｏｎｇ２７７１６０；３．ＳｃｈｏｏｌｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅｓ，ＨａｒｂｉｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ，Ｈｅｉｌｏｎｇｊｉａｎｇ１５００２５）Ａｂｓｔｒａｃｔ㊀Ｔｏｅｖａｌｕａｔｅｔｈｅｅｎｒｉｃｈｍｅｎｔｓｔａｔｕｓａｎｄｓｐａｔｉａｌｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｏｆｓｏｉｌｈｅａｖｙｍｅｔａｌｓ，４２５ｓｏｉｌｓａｍｐｌｅｓｗｅｒｅｓｙｓｔｅｍａｔｉｃａｌｌｙｃｏｌｌｅｃｔｅｄｆｒｏｍＺｈａｎｇｑｉｕＣｉｔｙｏｆＳｈａｎｄｏｎｇＰｒｏｖｉｎｃｅ，ｔｏｄｅｔｅｒｍｉｎｅｔｈｅｅｌｅｍｅｎｔａｌｃｏｎｔｅｎｔｏｆｃｈｒｏｍｉｕｍ（Ｃｒ）ｉｎｓｏｉｌ，ｔｈｅｅｎｒｉｃｈｍｅｎｔｓｔａｔｕｓｏｆｈｅａｖｙｍｅｔａｌｓｉｎｓｏｉｌｗａｓａｓｓｅｓｓｅｄｕｓｉｎｇｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ；ｏｂｔａｉｎＬａｎｄｓａｔ⁃８ＯＬＩｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｆｒｏｍｔｈｅｓａｍｅｐｅｒｉｏｄａｓｓｏｉｌｓａｍ⁃ｐｌｉｎｇ，ｔａｋｉｎｇｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓｏｆｈｅａｖｙｍｅｔａｌｓｉｎｓｏｉｌａｓｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓａｎｄｔｈｅｍｅａｓｕｒｅｄｃｏｎｔｅｎｔｏｆＣｒｅｌｅｍｅｎｔｉｎｓｏｉｌａｓｄｅ⁃ｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓ，ａｓｏｉｌｈｅａｖｙｍｅｔａｌｓｐａｔｉａｌｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｗａｓｃｏｎｓｔｒｕｃｔｅｄｔｏｃｏｍｐｌｅｔｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｉｍｕｌａｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｃｏｎｔｅｎｔｉｎｓｏｉｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｍｅａｎｖａｌｕｅｏｆｓｏｉｌｈｅａｖｙｍｅｔａｌＣｒｃｏｎｔｅｎｔｗａｓｈｉｇｈｅｒｔｈａｎｔｈｅｂａｃｋｇｒｏｕｎｄｖａｌｕｅｏｆｓｏｉｌｅｌｅｍｅｎｔｓｂｙ３７．２２％，ｂｕｔｌｏｗｅｒｔｈａｎｔｈｅｓｃｒｅｅｎｉｎｇｖａｌｕｅｏｆｓｏｉｌｐｏｌｌｕｔｉｏｎｒｉｓｋｉｎａｇｒｉｃｕｌｔｕｒａｌｌａｎｄ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｅｎｒｉｃｈｍｅｎｔｏｆＣｒｉｎｓｏｉｌｗａｓｗｉｔｈｉｎｔｈｅｍａｎａｇｅａｂｌｅｒａｎｇｅ；ｔｈｅｓｐａｔｉａｌｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｓｕｐｐｏｒｔｅｄｂｙｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｈａｄｂｅｔｔｅｒａｃｃｕｒａｃｙａｎｄｓｔａｂｉｌｉｔｙ，ｗｉｔｈａｃｃｕｒａｃｙｃｏｅｆｆｉｃｉｅｎｔＲ２ａｎｄＲＭＳＥｖａｌｕｅｓｏｆ０．８７ａｎｄ７．１９，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｗａｓｂｅｔｔｅｒｔｈａｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉ⁃ｂｕｔｉｏｎｓｉｍｕｌａｔｉｏｎｏｆｓｏｉｌｈｅａｖｙｍｅｔａｌｓｂｙｏｒｄｉｎａｒｙＫｒｉｇｉｎｇｍｅｔｈｏｄ（Ｒ２＝０．６６，ＲＭＳＥ＝１３．１５）．Ｋｅｙｗｏｒｄｓ㊀Ｓｏｉｌｈｅａｖｙｍｅｔａｌｓ；Ｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ；Ｒｅｍｏｔｅｓｅｎｓｉｎｇ；Ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｉｍｕｌａｔｉｏｎ；Ｃｒ基金项目㊀环境演变与自然灾害教育部重点实验室开放课题（２０２２－ＫＦ－１４）㊂作者简介㊀周忠科（１９９７ ），男，山东枣庄人，从事生态遥感研究㊂∗通信作者，副教授，硕士，从事生态旅游研究㊂收稿日期㊀２０２２－０７－３０㊀㊀土壤是地表生物正常进行各类生命活动的基础和媒介㊂重金属是土壤的重要组成部分，因其具备毒性大㊁富集性强㊁残留周期长的特点，极易对人类和动植物造成危害㊂随着我国改革开放以来多年的工业化发展，土壤重金属污染愈发严重［１－３］㊂土壤中的重金属元素会污染正常耕作的耕地土壤，威胁动植物正常生长，并在食物链的累积作用下危及人类的健康［４－９］㊂实现对土壤重金属的含量特征和空间分布的监测是开展土壤污染治理和修复的关键㊂由于土壤中重金属元素的种类㊁含量不是一成不变的，是不断在累积的，因此传统方法便是在实验室内不断对土壤重金属含量㊁种类进行调查和检测㊂例如，贾佳瑜等［１０］采用室内实测和地统计法相结合的方式对土壤重金属含量及其空间分布特征进行分析；黄志伟等［１］对表层土壤重金属含量开展实地调查的方法，进行土壤重金属污染特征及潜在风险评价；ＳＯＮＧ等［１１］利用地理信息系统的方法，来绘制重金属空间分布热点图，以此来建立空间分布与工业布局之间的相互关系，以判别土壤重金属的空间分布受到人类活动干扰的情况㊂上述研究，较好地完成了对研究地区土壤重金属含量特征和空间分布评估，但是此种方式费时费力，测试过程中也产生污染废物，会对测试人员和周边环境造成二次污染㊂所以寻找一种高效㊁准确的调查与监测方法是非常有必要的㊂近些年，随着遥感技术的快速发展，卫星影像的空间分辨率和对地物的光谱敏感性有了显著的提升，为各种环境相关信息进行光谱定量分析提供了数据支撑和技术支持［１２］㊂尽管重金属元素在土壤中含量较低，直接建立重金属与卫星光谱数据之间的联系较为困难；但是可以利用基于卫星数据获得的多种环境要素信息（例如高程㊁坡度和植被指数等），间接地表征土壤重金属的含量和富集状态，并以此为输入变量，进行区域建模，完成土壤重金属空间分布模拟㊂相对比传统方式，土壤重金属污染的监测调查更为方便快捷，同时节省大量的费用和成本㊂笔者选取山东省章丘市为研究区，对４２５处土壤样品进行系统采集，并对土壤中Ｃｒ元素含量进行化学分析，通过分析重金属含量的描述性特征，评估重金属的富集状态，进一步建立基于随机森林算法的空间模拟模型，实现对土壤重金属的含量预测和空间分布模拟，为保护周边居民身体健康㊁动植物健康生长和土壤修复提供技术和理论支持㊂１㊀材料与方法１．１㊀研究区概况㊀章丘区位于山东省中部，地理坐标在安徽农业科学，Ｊ．ＡｎｈｕｉＡｇｒｉｃ．Ｓｃｉ．２０２３，５１（１４）：５１－５４㊀㊀㊀３６ʎ２５ᶄ ３７ʎ０９ᶄＮ㊁１１７ʎ１０ᶄ １１７ʎ３５ᶄＥ，是省会济南市的一个辖区，总面积约为１７１９ｋｍ２（图１），人口约１０７．６万㊂章丘地形南高北低，地形分别为山区㊁丘陵㊁平原㊁洼地，其中山区和丘陵占比达到５６．７％左右，黄河流经北境㊂章丘区属于温带半湿润大陆性季风气候，四季分明，雨热同季，春旱多风，夏季多雨，秋季温爽，冬季干冷㊂年平均气温１２．８ħ，年降水量６００．８ｍｍ㊂章丘区内铁路和公路横纵贯通，交通便捷［１３］㊂区域内涵盖多种产业的发展，尤其是第二产业交通装备㊁机械制造㊁生物食品和化工材料等，为区域经济发展奠定了坚实的基础［１４］㊂图１㊀研究区及采样点分布Ｆｉｇ．１㊀Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｔｕｄｙａｒｅａａｎｄｓａｍｐｌｉｎｇｐｏｉｎｔｓ１．２㊀样品采集与实验室分析㊀表层（０ ２０ｃｍ）土壤样本在章丘区实地采集，在选取和设计时，综合考虑研究区的土地利用和水文地质条件，基于多点取样㊁等量混合㊁与抽样统计原理相结合的原则，并结合已知的道路信息，确保顺利完成采样㊂在每个采样点，按照１００ｍ范围为半径，将表层土壤混合至１ｋｇ左右的综合土壤样本，密封到聚乙烯塑料袋中，送往实验室待测［１５－１６］㊂同时利用手持ＧＰＳ，记录采样点的真实坐标，将完成的４２５处采样点做好记录㊂送回实验室的土壤样本，简单去除杂草㊁根㊁枯枝残留物和小石子等明显杂质，将样品放置在２５ħ的条件下自然风干，其后采用研钵进行研磨，过０．２ｍｍ筛；最后在实验室内采用石墨炉原子吸收光谱法分析检测４２５份样品的Ｃｒ含量，技术规范和回收率符合预期监控要求㊂１．３㊀多源环境遥感数据及预处理㊀该研究采用的环境遥感数据主要包括高程㊁坡度㊁坡向㊁黏土矿物比值（ＣＭＲ）㊁改进的归一化差异水体指数（ＭＮＤＷＩ）㊁归一化差异植被指数（ＮＤＶＩ）㊁改进的土壤调节植被指数（ＭＳＡＶＩ）㊁增强植被指数（ＥＶＩ）和红绿比率指数（ＲＧＲＩ）㊂高程㊁坡度和坡向的原始数据获取自ＡＳＴＥＲＧＤＥＭ数字高程的数据产品（下载自地理空间数据云ｈｔｔｐｓ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ／），其后采用ＡｒｃＧＩＳ１０．２的分析工具，完成区域的高程数据图㊁坡度数据图和高差斜坡数据图［１７］㊂其余环境指数的计算是基于Ｌａｎｄｓａｔ－８多光谱遥感数据，原始数据免费从美国地质勘探局网站（ｈｔｔｐｓ：／／ｇｌｏｖｉｓ．ｕｓｇｓ．ｇｏｖ）获取得到，其后经过图像裁剪㊁辐射校正㊁辐射亮度值的提取以及光谱信息加强等操作后，运用数学公式（１） （６）计算得到相应的环境指数［１８－１９］；最后取样点的４２５个经纬度坐标分别导入相应的高程数据图㊁坡度数据图㊁高差数据图和各类环境指数图，在上述数据图中分别完成提取，得到各个采样点对应的值㊂上述数据的预处理和求算均在ＥＮＶＩ５．３．１软件中完成㊂ＣＭＲ＝ＳＷＩＲ１ＳＷＩＲ２（１）ＭＮＤＷＩ＝Ｇｒｅｅｎ－ＳＷＩＲ１Ｇｒｅｅｎ－ＳＷＩＲ２（２）ＮＤＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ（３）ＭＳＡＶＩ＝２ˑＮＩＲ＋１－（２ˑＮＩＲ＋１）２－８ˑ（ＮＩＲ－Ｒｅｄ）２（４）ＥＶＩ＝２．５ˑ（ＮＩＲ－Ｒｅｄ）ＮＩＲ＋６ˑＲｅｄ－７．５ˑＢｌｕｅ＋１（５）ＲＧＲＩ＝ＲｅｄＧｒｅｅｎ（６）式中，Ｂｌｕｅ波段㊁Ｇｒｅｅｎ波段㊁Ｒｅｄ波段㊁ＮＩＲ波段㊁ＳＷＩＲ１波段㊁ＳＷＩＲ２波段分别指Ｌａｎｄｓａｔ多光谱影像中的第２㊁３㊁４㊁５㊁６和７波段；ＣＭＲ是指通过２个短波红外波段的比值，环境意义表示的是岩石或土壤中黏土矿物含量情况；ＭＮＤＷＩ是可以很容易地区分建筑用地背景下的阴影和水体，更好地提取水体特征㊂利用ＭＮＤＷＩ解决了在建筑背景下提取水体信息效果不佳的问题，从而使建筑背景下的水体信息提取更精确㊂ＮＤＶＩ作为一种常见的植被指数，其取值区间为［－１，１］，－１㊁０㊁１分别表示地面覆盖为水㊁雪或有云的天空，地表有岩石或裸土等情况，对可见光的反射率较高；当地表有植被覆盖时，且覆盖密度越大，ＮＤＶＩ越大；但ＮＤＶＩ也具有缺点，就是对高植被覆盖地区的灵敏度不高㊂ＭＳＡＶＩ克服了传统的土壤调节植被指数难以适应不断变化的土壤条件，该指数能够很好地解释背景的光学特征变化，并且土壤背景的灵敏度也在一定程度上得到提高㊂ＥＶＩ可以降低大气和土壤噪声以及水汽的影响，对于检测区的植被情况具有一个稳定的反映；用于植被茂密区，但对植被稀疏区也具备一定的探测能力，工作原理是通过将红光和近红外波段的范围设定变得更窄来实现，与此同时引入蓝光波段来纠正气溶胶的散射与土壤背景㊂红绿比率指数（ＲＧＲＩ）是指将红波段与绿波段相比较，得到一个比值，可以显著区别茂密与稀疏林地㊂为便于接下来土壤重金属空间模拟模型的建立，所有环境指数图在建立之后，均进行３０ｍ分辨率的空间重采样㊂１．４㊀空间模拟模型的建立与精度评估㊀土壤重金属与遥感数据之间有着极其复杂的关系，选择与土壤重金属最为密切的遥感数据作为模型输入自变量，有助提高模型的效率和计算精度㊂皮尔逊相关系数（Ｐｅａｒｓｏｎｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ）是２个变量的协方差与标准差之间的一个比值，可以表示２个变２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年量之间存在的相关关系，应用广泛［２０］，其公式如下：ｒ＝ｊｉ＝１（Ｘｉｊ－ Ｘｉ）（Ｙｊ－ Ｙ）ｊｉ＝１（Ｘｉｊ－ Ｘｉ）２ ｊｉ＝１（Ｙｊ－ Ｙ）２（７）ｒ（ｘ，ｙ）在［－１，１］之间取值，当其值为正时，表示正相关；当其值为负时，表示负相关；当其值为０时表示不相关㊂因此，ｒ的绝对值越大，说明变量之间存在的相关性越强，否则相关性就越弱㊂该研究采用皮尔逊相关系数分析遥感数据与土壤重金属之间的相关性㊂随机森林模型（ｒａｎｄｏｍｆｏｒｅｓｔ，ＲＦ）是由一定数量决策树整合而成的集成模型的一种，通过对策树投票或平均数据集的划分，得到了分类或回归的随机森林输出结果［２１］㊂随机森林算法具有训练速度快㊁预测精度佳和适合不平衡数据集的特点［２２－２４］㊂决策树数量和分裂节点数目是构建基于随机森林算法的土壤重金属空间模型的重要参数，经过多次测试，分别设置为１０００和３㊂采集的４２５个土壤样品采用随机抽样法选取３８３份数据用作训练集来构建随机森林模型，剩下４２个数据作为独立数据集用来评估模型的精度㊂决定系数（Ｒ２）和均方根误差（ＲＭＳＥ）是评价空间模拟模型的常用指标，Ｒ２表示因变量被自变量完全解释信息的程度，ＲＭＳＥ表示模型估算值与实测值差值的大小，较大的Ｒ２和较小的ＲＭＳＥ表示模型具有更好的预测精度和稳定性［２５］㊂计算公式如下：Ｒ２＝１－ｎｉ＝１（Ｖｉ－Ｖｉᶄ）２ｎｉ＝１（Ｖｉ－ Ｖｉ）２（８）ＲＭＳＥ＝ｎｉ＝１（Ｖｉ－Ｖｉᶄ）２ｎ（９）其中，Ｖｉ是采样点ｉ的实测土壤重金属含量，Ｖｉᶄ是采样点ｉ的模型预测重金属含量， Ｖｉ是表示土壤中重金属含量的一个平均值，ｎ代表土壤样点总个数㊂２㊀结果与分析２．１㊀土壤重金属的描述性统计特征㊀从表１可以看出，土壤中Ｃｒ含量超出元素背景值［２６］３７．２２％，但是没有超出‘土壤环境质量农用地土壤污染风险管控标准“（ＧＢ１５６１８ ２０１８）的筛选值，检测结果均在风险管控值范围之内㊂值得注意的是，Ｃｒ元素的中位数值超过背景值，Ｃｒ元素可能为该区域内具有较高等级的潜在风险元素㊂变异系数主要用来评价数据离散程度的相对大小［１５］，该研究测得Ｃｒ变异系数为０．０３０．０６，离散程度较小，属于低度变异㊂峰度和偏度主要用来衡量数据的分布状态，该研究的总样本集㊁建模集和验证集的偏度值均大于１，处在正偏状态，表明土壤中Ｃｒ元素含量的分布受到不同程度的外部因素干扰㊂表１㊀铬含量描述特征统计Ｔａｂｌｅ１㊀ＤｅｓｃｒｉｐｔｉｖｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｓｔａｔｉｓｔｉｃｓｏｆＣｒｃｏｎｔｅｎｔ样本Ｓａｍｐｌｅ均值Ｍｅａｎｖａｌｕｅｍｇ／ｋｇ范围Ｒａｎｇｅｍｇ／ｋｇ中位数Ｍｅｄｉａｎｍｇ／ｋｇ标准差ＳＤｍｇ／ｋｇ变异系数ＣＶ峰度Ｋｕｒｔｏｓｉｓ偏度Ｓｋｅｗｎｅｓｓ背景值Ｂａｃｋｇｒｏｕｎｄｖａｌｕｅʊｍｇ／ｋｇ风险筛选值Ｒｉｓｋｓｃｒｅｅｎｉｎｇｖａｌｕｅʊｍｇ／ｋｇ总集Ｓｙｌｌｏｇｅ７７．１２３９．１０ ３９１．８０７１．６５２．４９０．０３６６．６８６．６０５６．２０２００建模集Ｍｏｄｅｌｉｎｇｓｅｔ７６．３８３９．１０ ２５７．３０７１．６５１．９９０．０３２５．２６３．９２５６．２０２００验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ８３．８９４４．６０ ３９１．８０６０．８０５．１５０．０６３２．９０５．４７５６．２０２００２．２㊀土壤重金属与多源环境遥感变量相关分析㊀研究区域的地质地貌㊁植被覆盖㊁气候条件和人类活动对土壤中重金属元素含量的影响很大，选取建模因子对反演模型质量的好坏影响很大㊂在Ｃｒ元素建模时需要综合考虑光谱波段㊁衍生光谱指数和地形等因素，这样建立的反演模型得出的反演结果最优㊂综合考虑光谱波段㊁光谱衍生指数和地形因素，在数据齐全的情况下，筛选出相关系数最高的因子，结果表明，Ｃｒ和高程㊁坡度㊁坡向㊁近红外㊁短波红外２㊁增强植被指数和短波红外１的相关系数分别为０．２３１㊁－０．１９４㊁－０．１５３㊁－０．１１２㊁０．０９０㊁０．０７７和０．０６０，均具有明显相关性，因而选为土壤重金属的敏感环境变量，用于模型的输入自变量㊂２．３㊀空间分布模拟模型建立与对比㊀以选择得到的重金属敏感的环境要素作为输入变量，测得的Ｃｒ元素含量为因变量，分别训练得到随机森林和普通克里格估算模型，用于土壤重金属的含量预测和空间分布模拟㊂模型在验证集中预测的效果如图２所示㊂从图２可以看出，普通克里格模型（Ｒ２＝０．６６和ＲＭＳＥ＝１３．１５）的估算值和实测值基本保持在１ʒ１线附近，具备一定的估算能力，但普通克里格在估算过程中出现高估和低估误差偏离点较多㊂随机森林模型的重金属预测精度指标Ｒ２和ＲＭＳＥ分别为０．８７和７．１９，相对普通克里格模型Ｒ２上升了３１．８２％，ＲＭＳＥ下降了４５．３２％；随机森林模型的估算值与实测值在标准１ʒ１线的两侧，预测值与实测值偏差较小，估算效果最佳㊂２．４㊀土壤重金属空间分布㊀为进一步检验随机森林算法支持下的土壤重金属空间模拟模型的稳定性与可靠性，将得到的模型推广应用至整个研究区进行Ｃｒ元素的含量预测及空间模拟㊂模拟得到的Ｃｒ元素含量的空间分布如图３所示，整体来看，模拟模型对重金属Ｃｒ元素含量的估算值在５２．０６１３９．１６ｍｇ／ｋｇ，实测采样点Ｃｒ元素含量在３９．１０ ２５７．３０ｍｇ／ｋｇ，能够基本保持一致；重金属Ｃｒ元素含量的高值区主要分布在研究区的西南部和东南部地区㊂此外，研究区内也存在大量散点状分布的中度Ｃｒ元素污染区域，主要分布于山区与居民区交接的工厂附近，应引起重视㊂Ｃｒ元素的分布受到人类活动的影响较大㊂章丘西南和东南工业园区内的石化配件㊁机械制造㊁塔机和新型建材等产业排放的废气，汽车尾气中排放的Ｃｒ和来自城市污水处理厂及被工业废水污染过泥土利用是土壤重金属含量升高的一个重要原因㊂此外，章丘也是我国著名的农产品生产基地，农产品生产过程中大量使用农药化肥特别是有机肥的使用也会使土壤中Ｃｒ元素产生富集㊂３５５１卷１４期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀周忠科等㊀基于遥感数据和随机森林算法的土壤重金属空间分布模拟图２㊀随机森林法（ａ）和普通克里格法（ｂ）重金属预测值与实测值对比Ｆｉｇ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｅｄａｎｄｍｅａｓｕｒｅｄｖａｌｕｅｓｏｆｈｅａｖｙｍｅｔａｌｓｂｙｒａｎｄｏｍｆｏｒｅｓｔｍｅｔｈｏｄ（ａ）ａｎｄｏｒｄｉｎａｒｙＫｒｉｇｉｎｇｍｅｔｈｏｄ（ｂ）图３㊀研究区Ｃｒ元素含量空间分布（单位：ｍｇ／ｋｇ）Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅｌｅｍｅｎｔａｌＣｒｃｏｎｔｅｎｔｉｎｔｈｅｓｔｕｄｙａｒｅａ３㊀结论（１）土壤Ｃｒ元素含量高出背景值３７．２２％，但低于农用地土壤污染风险筛选值，说明Ｃｒ在土壤中的富集处在可管控范围内㊂（２）随机森林算法支持的空间模拟模型具有较好的精度和稳定度，Ｒ２为０．８７，ＲＭＳＥ是７．１９，预测精度指标优于普通克里格法（Ｒ２＝０．６６，ＲＭＳＥ＝１３．１５）㊂（３）研究区土壤重金属Ｃｒ的高值区主要分布在章丘区的西南部和东南部地区，并且Ｃｒ总体上呈散点状分布，这与当地工业园㊁农业生产和煤矿公司矿井的分布具有对应关系㊂参考文献［１］黄志伟，李文静，李伟杰，等．东江流域土壤重金属污染特征及潜在风险评价［Ｊ］．农业环境科学学报，２０２２，４１（３）：５０４－５１５．［２］吴春生，黄翀，刘高焕，等．黄河三角洲土壤含盐量空间预测方法研究［Ｊ］．资源科学，２０１６，３８（４）：７０４－７１３．［３］ＲＯＺＥＭＡＪ，ＦＬＯＷＥＲＳＴ．Ｃｒｏｐｓｆｏｒａｓａｌｉｎｉｚｅｄｗｏｒｌｄ［Ｊ］．Ｓｃｉｅｎｃｅ，２００８，３２２（５９０７）：１４７８－１４８０．［４］ＣＡＯＪ，ＸＩＥＣＹ，ＨＯＵＺＲ．Ｔｒａｎｓｐｏｒｔｐａｔｔｅｒｎｓａｎｄｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｐｏｌｌｕｔａｎｔｓｉｎｓｏｉｌｓｏｆｌｅａｄ⁃ｚｉｎｃｏｒｅｍｉｎｅｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆｍｏｕｎ⁃ｔａｉｎｓｃｉｅｎｃｅ，２０２１，１８（９）：２３４５－２３５６．［５］ＡＢＲＨＡＭＡＮＳＭＳ，ＮＡＨＥＲＬ，ＳＩＤＤＩＱＵＥＥＳ．Ｍｕｓｈｒｏｏｍｑｕａｌｉｔｙｒｅｌａｔｅｄｗｉｔｈｖａｒｉｏｕｓｓｕｂｓｔｒａｔｅｓ ｂｉｏａｃｃｕｍｕｌａｔｉｏｎａｎｄｔｒａｎｓｌｏｃａｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆｆｕｎｇｉ，２０２１，８（１）：１－１７．［６］贾中民．渝西北土壤重金属污染特征㊁源解析与生态健康风险评价［Ｄ］．重庆：西南大学，２０２０．［７］张瑞钢，钱家忠，陈钰辉，等．玉米和小麦秸秆生物炭对土壤重金属污染修复实验研究［Ｊ］．合肥工业大学学报（自然科学版），２０２２，４５（３）：３４７－３５５．［８］闫晓强，李汉杰，周辉，等．农田土壤重金属污染的危害及修复技术［Ｊ］．南方农业，２０２２，１６（２）：２４－２６．［９］胡小兰，雷冲，王显卿，等．重庆市垫江南部土壤重金属污染及潜在生态风险评价［Ｊ］．安徽农业科学，２０２３，５１（７）：６４－６７，７６．［１０］贾佳瑜，刘小芳，赵勇钢，等．汾河流域下游农田土壤重金属空间分布特征与污染评价［Ｊ］．干旱区资源与环境，２０２１，３５（８）：１３２－１３７．［１１］ＳＯＮＧＹＸ，ＬＩＨＭ，ＬＩＪＺ，ｅｔａｌ．Ｍｕｌｔｉｖａｒｉａｔｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｆｏｒｓｏｕｒｃｅａｐｐｏｒｔｉｏｎｍｅｎｔａｎｄｈｅａｌｔｈｒｉｓｋａｓｓｅｓｓｍｅｎｔｏｆｈｅａｖｙｍｅｔａｌｓｆｒｏｍｄｉｆ⁃ｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔａｌｍｅｄｉａ［Ｊ］．Ｅｃｏｔｏｘｉｃｏｌｏｇｙａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｓａｆｅｔｙ，２０１８，１６５：５５５－５６３．［１２］宋清泉，徐夕博，吴泉源，等．基于ＰＭＦ模型的土壤重金属定量源解析及环境风险评价［Ｊ］．湖南师范大学自然科学学报，２０２２，４５（１）：７６－８３．［１３］济南市统计局，济南市第七次全国人口普查领导小组办公室．济南市第七次全国人口普查公报［Ｎ］．济南日报，２０２１－０６－１６（Ａ０４）．［１４］中共章丘市委党校课题组．转变经济发展方式背景下的县域工业经济发展研究：以山东省章丘市为例［Ｊ］．中共济南市委党校学报，２０１３（３）：１２２－１２６．［１５］徐夕博，吕建树，徐汝汝．山东省沂源县土壤重金属来源分布及风险评价［Ｊ］．农业工程学报，２０１８，３４（９）：２１６－２２３．［１６］赵明海．矿区土壤重金属遥感估算以及空间分布成图：以陕西大西沟矿为例［Ｄ］．西安：长安大学，２０１８．［１７］鲁如坤．土壤农业化学分析方法［Ｍ］．北京：中国农业科技出版社，２００２．［１８］田颖，陈卓奇，惠凤鸣，等．欧空局哨兵卫星Ｓｅｎｔｉｎｅｌ－２Ａ／Ｂ数据特征及应用前景分析［Ｊ］．北京师范大学学报（自然科学版），２０１９，５５（１）：５７－６５．［１９］ＷＡＮＧＪＺ，ＤＩＮＧＪＬ，ＹＵＤＬ，ｅｔａｌ．ＣａｐａｂｉｌｉｔｙｏｆＳｅｎｔｉｎｅｌ⁃２ＭＳＩｄａｔａｆｏｒｍｏｎｉｔｏｒｉｎｇａｎｄｍａｐｐｉｎｇｏｆｓｏｉｌｓａｌｉｎｉｔｙｉｎｄｒｙａｎｄｗｅｔｓｅａｓｏｎｓｉｎｔｈｅＥｂｉｎｕｒＬａｋｅｒｅｇｉｏｎ，Ｘｉｎｊｉａｎｇ，Ｃｈｉｎａ［Ｊ］．Ｇｅｏｄｅｒｍａ，２０１９，３５３：１７２－１８７．［２０］代杰瑞，庞绪贵，喻超，等．山东省东部地区土壤地球化学基准值与背景值及元素富集特征研究［Ｊ］．地球化学，２０１１，４０（６）：５７７－５８７．［２１］ＢＲＥＩＭＡＮＬ．Ｒａｎｄｏｍｆｏｒｅｓｔｓ［Ｊ］．Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，２００１，４５（１）：５－３２．［２２］方珂．基于多光谱遥感的随机森林回归模型反演土壤重金属含量［Ｄ］．西安：长安大学，２０２０．［２３］ＴＡＮＫ，ＷＡＮＧＨＭ，ＣＨＥＮＬＨ，ｅｔａｌ．Ｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕ⁃ｔｉｏｎｏｆｈｅａｖｙｍｅｔａｌｉｎａｇｒｉｃｕｌｔｕｒａｌｓｏｉｌｓｕｓｉｎｇａｉｒｂｏｒｎｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａ⁃ｇｉｎｇａｎｄｒａｎｄｏｍｆｏｒｅｓｔ［Ｊ／ＯＬ］．Ｊｏｕｒｎａｌｏｆｈａｚａｒｄｏｕｓｍａｔｅｒｉａｌｓ，２０２０，３８２［２０２２－０４－１５］．ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０１６／ｊ．ｊｈａｚｍａｔ．２０１９．１２０９８７．［２４］张松林．ＣＡＲＴ－分类与回归树方法介绍［Ｊ］．火山地质与矿产，１９９７，１８（１）：６７－７５．［２５］ＬＩＵＫ，ＺＨＡＯＤ，ＦＡＮＧＪＹ，ｅｔａｌ．Ｅｓｔｉｍａｔｉｏｎｏｆｈｅａｖｙ⁃ｍｅｔａｌｃｏｎｔａｍｉｎａ⁃ｔｉｏｎｉｎｓｏｉｌｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｓｐｅｃｔｒｏｓｃｏｐｙａｎｄａｓｔａｔｉｓｔｉｃａｌａｐｐｒｏａｃｈ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＩｎｄｉａｎｓｏｃｉｅｔｙｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇ，２０１７，４５（５）：８０５－８１３．［２６］赖书雅，董秋瑶，宋超，等．南阳盆地东部山区土壤重金属分布特征及生态风险评价［Ｊ］．环境科学，２０２１，４２（１１）：５５００－５５０９．４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年。
遥感技术在海洋环境监测与评价中的应用考核试卷
9. AC
10. ABC
11. ABCD
12. ABC
13. ABC
14. ABC
15. ABCD
16. ABCD
17. A
18. ABC
19. ABCD
20. ABC
三、填空题
1.传感器
2.海水
3.几何校正
4. mg/m³
5.红外
6.提取主要特征
7.赤潮
8.高级
9.叶绿素a浓度
10.海洋资源管理
1.遥感技术中，不属于海洋环境监测常用传感器的是：（）
A.多光谱传感器
B.雷达传感器
C.红外传感器
D.声纳传感器
2.下列哪个不是遥感技术在海洋环境监测中的应用？（）
A.海水温度监测
B.海洋污染监测
C.海底地形测绘
D.人造卫星发射
3.在遥感图像处理中，下列哪项不是图像增强的目的？（）
A.改善图像质量
B.提高图像对比度
A.遥感技术可以精确测量海洋表层以下的环境参数
B.遥感技术对海洋环境监测的准确性受到天气条件的影响
C.遥感技术无法获取海洋生物信息
D.遥感技术仅适用于特定类型的海洋环境监测
16.下列哪个不是声学遥感在海洋环境监测中的应用？（）
A.海底地形测绘
B.海洋生物资源调查
C.海水温度监测
D.海洋污染监测
17.关于遥感技术在海洋环境监测中的叙述，以下哪个是正确的？（）
3.遥感数据融合技术可以提供更多信息，提高空间和时间分辨率，如多源数据融合可更准确监测海洋表面温度变化，有助于海洋气候研究。
4.遥感技术局限性包括对海洋深层环境监测能力有限、受天气影响等。解决方案包括发展新型传感器、多源数据融合、模型辅助分析等，以提高监测效果。
遥感监测中5种相对辐射校正方法研究
DIN G Li2xia1 ,2 , ZHOU Bin1 , WAN G Ren2chao1 ( 1 . I nst . of A g rio. Remote S ensi n g & I n f orm . A p p li . , Zhej i an g U ni versit y , H an gz hou 310029 , Chi na ; 2 . Zhej i an g Forest ry Col le ge , L i n′an , Zhej i an g 311300 , Chi na) Comparison of f ive relative radiometric normalization techniques for remote sensing monitoring. Jo urnal of Zhejiang University (Agric1 & Life Sci1 ) , 2005 ,31 (3) :2692276 Abstract : Relative radio met ric normalization ( RRN ) minimized radiomet ric differences amo ng images caused by inconsistencies of acquisition conditio ns ( such as weat her , seaso n , sensor , etc. ) rat her t han change in surface reflectance. Five met hods of RRN , i. e. image regressio n ( IR) , p seudo2invariant feat ures ( PIF) , dark set2bright set no rmalizatio n (DB) , no2change set radiomet ric normalizatio n ( NC) , and histogram matching ( HM) , were applied to 1993 and 2001 Landsat TM/ ETM + image of Jiashan County for evaluating t heir perfo rmance in relatio n to land cover detectio n. No ot her parameters and variables but image pixel digital values were used , so t hese met hods were very easy to apply , especially for historical remote sensing images. The root2mean2square error and t he dynamic range were employed in co mparing and evaluating t he images normalized by five met hods. A change detection algorit hm , i. e. , image subt raction , was applied to co mpare t he effect s on change detection. The result s showed t hat DB wo rked best amo ng t he five met hods at t he st udy area , t he PIF worked better. Finally , facto rs affecting t he perfo rmance of relative radiomet ric no rmalization and t he conditions of applying t hese met hods were identified and discussed. ,6] . 为了进行浙江省沿 海地区土壤资源利用遥感动态监测项目 ,本文 就一个研究子区 ,对前文提到的 5 种相对辐射 校正方法的效果作了比较 ,以便选择一种适合 研究区动态监测的相对辐射校正方法.