免费观看nba乐趣影院I中文字幕1区2区3区I精品女同一区二区I国产伊人自拍I毛片网页I大胸美女网站I欧美日韩在线观看一区I碰超在线I制服丝袜日日Iav无码久久久久久不卡网站I天堂在线中文8I欧美草逼网I国产喷水在线I欧美成人一区二区三区高清I色狠狠一区I日本高清wwwI国产精品视频一二三I国产亚洲欧美精品久久久wwwI日韩欧美卡一卡二I特级黄色av

　　 在全球碳循環中，土壤有機碳（SOC）是最大的陸地碳庫，約占陸地總碳的50-80%，其含量是大氣或植被的三倍以上，并決定了景觀的碳源、碳匯能力。了解土壤有機碳含量對環境可持續性和碳中和至關重要。隨著遙感數據和預測模型的發展，融合多源遙感數據預測SOC含量是一個有趣而富有挑戰性的課題。為此，中國科學院東北地理與農業生態研究所農業遙感學科組的科研人員基于區域能量權重的離散小波變換和譜帶分割方法，融合了2009-2019年10個場景的陸地衛星多光譜圖像數據的時相信息、地形數據的空間信息和高分5號高光譜圖像的光譜信息。然后，利用偏最小二乘回歸、隨機森林和卷積神經網絡算法，開發一種提取時-空-譜（TSS）融合信息的新方法，驗證TSS信息是否能夠更好地代表土壤信息，提高土壤有機碳含量預測的準確性，并驗證模型的可移植性，評估時相、空間和光譜信息在預測SOC含量中的作用。 

　　 結果表明：當TSS信息作為輸入且CNN作為預測模型時，獲得了最優的SOC含量預測模型（均方根誤差（RMSE）為2.49 g kg-1，決定系數（R2）為0.86，性能與四分位間距之比（RPIQ）為1.91）。其次，不同信息影響SOC含量預測精度的順序是光譜>時相>空間信息。此外，無論使用哪種輸入量，CNN都比PLSR和RF具有更高的預測精度。CNN的RMSE比RF低0.42 g kg-1，R2和RPIQ分別比RF高9.25%和0.14%。上述結論在驗證區域得到證明。該研究的意義在于，利用了數據挖掘技術，集成了土壤光譜庫、多源遙感數據和深度學習算法，以獲得大規模和高空間分辨率的土壤有機碳含量預測模型，為今后綜合利用多源遙感數據和深度學習算法預測土壤性質提供了新思路。 

　　圖1基于多時相多光譜、高光譜、地形及其融合數據預測SOC含量的流程圖 

　　圖2基于區域能量加權離散小波變換的圖像融合過程 

　　圖3基于不同輸入量的實驗室實測與預測SOC含量之間的散點圖 

　　 研究成果于近期發表在國際期刊Remote Sensing of Environment（IF=13.85）上，由劉煥軍研究員（通訊作者）和孟祥添博士（第一作者）共同完成。該研究得到了中國國家重點研發計劃（2021YFD1500100）資助。 

　　文章信息：Meng, X.T., Bao, Y.L., Wang, Y.A., Zhang, X.L., Liu, H.J. 2022. An advanced soil organic carbon content prediction model via fused temporal-spatial-spectral (TSS) information based on machine learning and deep learning algorithms. Remote Sens. Environ. 280, 113166. https://doi.org/10.1016/j.rse.2022.113166