农业机械学报

作者：李瑞平，赵建伟，王福强，王欢，于欣，苗存立

单位：内蒙古农业大学,内蒙古农业大学,内蒙古农业大学,内蒙古农业大学,内蒙古自治区测绘地理信息中心,赤峰市克什克腾旗自然资源局,

关键词：土壤含水率;遥感反演模型;时空融合;环境因子;OL-STARFM;机器学习算法

基金：国家自然科学基金项目（52269004）、内蒙古自治区自然科学基金项目（2022MS05044）、内蒙古自治区教育厅一流学科科研专项（YLXKZX-NND-010）和内蒙古自然科学青年基金项目(2023QN05003)

植被指数作为构建土壤含水率反演模型的关键要素之一，主要来源于遥感影像的提取。针对高时空分辨率影像难以获取的缺点，采用对象级处理策略的自适应时空融合模型（OL-STARFM）对研究区遥感影像融合，提取融合后的归一化植被指数（NDVI）、地表温度（LST）和植被干旱指数（TVDI）作为环境变量，结合土地利用类型、土壤质地、蒸散量、高程、坡向、坡度、原始影像植被干旱指数（TVDI）、归一化植被指数（NDVI）、地表温度（LST），以及气温、降水量和风速作为建模因子，构建基于多元线性逐步回归（MLSR）、随机森林（RF）和梯度提升机（GBM）3种方法的土壤含水率反演模型，并进行优化分析。研究结果表明：地表温度是影响土壤含水率空间变异性的关键影响因素（R为-0.46），其次为蒸散量（-0.43）、气温（-0.39）、融合后归一化植被指数（0.38）、原始归一化植被指数（0.36）、土地利用类型（0.31）、融合后干旱植被指数（-0.3）、原始干旱植被指数（-0.28）、降水量（0.27）、土壤质地（0.27）、坡向（-0.25）、高程（0.26）、坡度（-0.20）及风速（-0.20）；MLSR表现出较强的模型线性处理能力。非线性处理中RF回归模型最稳定，GBM模型则具有最高的精确度，R2为0.910，MAE、MSE及RMSE分别为2.12%、6.89%和2.62%；多元逐步回归方法在土壤含水率反演过程中预测准确率较低，显示出线性模型在处理复杂关系处理时的局限性；OL-STARFM融合方法提取的TVDI和NDVI与土壤含水率的相关系数分别为-0.41和0.38，均高于单一影像提取的植被指数与土壤含水率的相关性，并且有效提高了土壤含水率反演模型的精度，表明该方法在土壤含水率反演模型构建中的可行性，为获取连续的高时空分辨率影像进而有效连续监测土壤含水率提供了理论依据。

来源：2025年第8期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第8期