1.本发明涉及土壤碳含量估测技术领域，特别涉及一种基于遥感数据的土壤碳含量分析系统。
背景技术：
2.土壤碳库是陆地生态系统碳库的主体，在全球碳平衡中具有重要作用。土壤有机碳库的微小变化，可能通过向大气释放碳素导致大气co2等温室气体的不断增加，从而使全球气温升高速率加快。土壤是连续分布于陆地表层的一个整体，它的时空变异性也是连续的，因而单靠普查和样地实测对土壤进行监测是一个比较困难的问题。
3.传统的土壤养分监测，在野外定点采样后把样品带到实验室进行农化分析，不仅耗时、费力，而且成本高、实时性差，测点少，代表性差。自20世纪70年代开始，许多学者开始利用信息量大、周期短、效率高的遥感(rs)技术反演土壤有机质含量的空间格局并发现土壤有机质在可见光-短波红外波段范围内具有明显的光谱特征。近年来，遥感方法在土壤有机碳的研究中越来越常见。
4.因此，如何利用遥感数据和技术精确估算土壤碳的变化，分析陆地土壤碳储量的空间格局及其变异性，从而为预测未来陆地生态系统碳固定能力提供理论依据，具有重要的理论意义和实际应用意义。
技术实现要素：
5.为解决上述现有技术中所存在的问题，本发明提供一种基于遥感数据的土壤碳含量分析系统。
6.为了实现上述技术目的，本发明提供了如下技术方案：一种基于遥感数据的土壤碳含量分析系统，包括：可见光影像模块、土壤样本采集模块、遥感影像采集模块、遥感影像预处理模块、模型构建模块和预测模块；
7.其中，所述可见光影像模块和所述土壤样本采集模块连接，所述遥感影像采集模块和所述遥感影像预处理模块连接，所述土壤样本采集模块和所述遥感影像预处理模块均与所述模型构建模块连接，所述模型构建模块与所述预测模块连接；
8.所述可见光影像模块用于识别裸土区域；
9.所述土壤样本采集模块用于采集待测区域内土壤信息；
10.所述遥感影像采集模块用于获取待测区域的原始遥感影像；
11.所述遥感影像预处理模块用于原始遥感影像的预处理；
12.所述模型构建模块用于构建土壤碳含量预测模型；
13.所述预测模型用于预测土壤中碳含量。
14.可选的，所述可见光影像模块包括影像获取单元和影像处理单元；
15.其中，所述影像获取单元基于可见光相机获取待测区域内可见光图像；
16.所述影像处理单元与所述影像获取单元连接，用于接收所述待测区域内可见光图
像，对所述待测区域内可见光图像进行裸土区域提取。
17.可选的，在影像处理单元对所述影像获取单元进行裸土区域提取过程中，基于su-net深度学习算法对所述待测区域内可见光图像进行裸土区域和非裸土区域划分，得到待测裸土区域。
18.可选的，所述土壤样本采集模块包括样本获取单元和样本处理单元；
19.所述样本获取单元基于所述待测裸土区域获取土壤样本；
20.所述样本处理单元与所述样本获取单元连接，用于接收所述土壤样本，对所述土壤样本进行碳含量测量。
21.可选的，在样本获取单元采集土壤样本的过程中，基于棋盘式方法对待测区域内土壤进行采样，得到土壤样本。
22.可选的，在样本处理单元对所述土壤样本进行预处理过程中，基于重铬酸钾氧化-外加热法对所述土壤样本进行处理，得到若干所述土壤样本碳含量，基于所述土壤样本碳含量进行样本奇异点剔除，得到样本点集合；
23.其中，所述样本点集合包括训练集合测试集；
24.所述训练集和所述测试集均包括若干预处理土壤样本和若干预处理土壤样本碳含量。
25.可选的，样本奇异点剔除的方法包括：马氏距离法和预测残差分析法。
26.可选的，在遥感影像预处理模块中对所述原始遥感影像进行预处理的过程包括：
27.基于若干所述预处理土壤样本，获取若干所述预处理土壤样本的对应坐标；
28.基于arcgis将若干所述坐标映射至所述原始遥感影像，得到融合遥感影像；
29.基于辐射定标、大气校正方法对所述融合遥感图像进行预处理，得到若干所述坐标对应的若干波段反射率值。
30.可选的，在模型构建模块构建土壤碳含量预测模型过程中，基于所述训练集中的若干所述预处理土壤样本碳含量和若干所述波段反射率值，建立多元线性回归方程，得到土壤碳含量预测模型。
31.可选的，获取若干所述波段反射率值的形式包括：倒数变换、对数变换、倒数变换和一阶微分变换。
32.本发明具有如下技术效果：
33.本发明通过构建多元线性回归方程，以相关系数越高、标准差越小且显著性较高为准则，建立了土壤碳含量与遥感高光谱图像中不同波段反射率的相关关系。本发明中该多元回归模型可以在不允许实验室检测条件下，实现待测土壤样本碳含量预测，降低检测成本。并且本发明适用于大面积区域内土壤碳含量预测，为估算区域内碳库中碳含量提供支持。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明实施例中的系统流程图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.实施例一
38.如图1所示，本实施例公开了一种基于遥感数据的土壤碳含量分析系统，包括：可见光影像模块、土壤样本采集模块、遥感影像采集模块、遥感影像预处理模块、模型构建模块和预测模块；
39.其中，可见光影像模块和土壤样本采集模块连接，遥感影像采集模块和遥感影像预处理模块连接，土壤样本采集模块和遥感影像预处理模块均与模型构建模块连接，模型构建模块与预测模块连接；
40.可见光影像模块用于识别裸土区域；
41.土壤样本采集模块用于采集待测区域内土壤信息；
42.遥感影像采集模块用于获取待测区域的原始遥感影像；
43.遥感影像预处理模块用于原始遥感影像的预处理；
44.模型构建模块用于构建土壤碳含量预测模型；
45.预测模型用于预测土壤中碳含量。
46.本实施例以华北平原地区农耕地为对象，因其耕作方式、气候等因素，适合于开展大面积土壤中碳含量的遥感反演研究。利用高分一号卫星获取便利、光谱范围宽、覆盖面积广等诸多特点，结合该地区土壤地球化学采样分析结果，建立多波段光谱反射率及其构建的光谱指数与土壤有机碳之间的多元逐步回归预测模型，探讨华北平原地区中土壤碳含量遥感快速、高效反演方法，为估算华北平原地区有机碳库提供支持。
47.1.可见光图像获取及预处理
48.采用固定翼无人机搭载可见光相机，采集待测区域内可见光图像。
49.提前搜集天气情况、地形信息，避开载恶劣气候条件下的时间中进行数据采集，避开对无人机能够造成飞行安全的潜在危险物，设计合适的航高以确保影像对地分辨率可达到分米级(优于30cm),确定航线规划信息，为无人机飞行外业数据采集提供必要的准备信息。
50.开始外业采集，用无人机搭载设备，按照航线规划的路径进行飞行，获得观测区域的可见光图像，存储于机载存储卡中。
51.基于su-net深度学习算法对所述待测区域内可见光图像进行裸土区域和非裸土区域划分，得到待测裸土区域；其中，输入待测区域内可见光图像进行特征提取，输出分类标记为0(非裸土区)或1(裸土区)。
52.2.采样点分布
53.基于2016年该地区地球化学采样分析结果，在获得的待测区域内的裸土区域采用棋盘式方法对待测区域内土壤进行采样，得到186土壤样本，并吉林土壤样本的坐标信息。
54.3.土壤样本预处理
55.土样带回实验室后，挑出植物根系、石子砖块、小动物等侵入物，经风干、敲打、研磨后，过100目筛后，采用重络酸甲氧化法进行土壤有机碳含量测定。
56.样本的收集有一定的随机性，同时由于样本的测量受到各种因素的影响，会存在一些误差甚至错误，在实际检测中，检测的样本数据中总是会出现与总体数据偏离，或者不符合正常规律的数据，称之为奇异点。在建模过程中即使混入很少的奇异点，也可能对模型预测和分析产生严重干扰.因此在建立模型前，需要对样本进行筛选，去除奇异点，才能使建立的模型获得较高的精度。
57.本实施例采用马氏距离法或预测残差分析法进行样本奇异点剔除，得到样本点集，其中样本点集包括173个样本点，如表1土壤样本划分后的描述性统计。
58.表1
[0059][0060]
其中，样本点集合包括训练集合测试集，训练集样本包括138个样本点，测试集包括35个样本点；
[0061]
训练集和测试集均包括若干预处理土壤样本和若干预处理土壤样本碳含量。
[0062]
4.遥感影像获取与预处理
[0063]
本实施例采用高分一号wfv1数据影像，其中，高分一号wfv1数据影像来源于中国资源卫星应用中心，采集于2016年9月15日(与土壤样品采集时间一致)，空间分辨率为16m，包含蓝(450～520nm)、绿(520～590nm)、红(630～690nm)、近红(770～890nm)4个波段。
[0064]
多光谱影像作为土壤有机碳含量的反演底图，需要包含尽可能多的土壤信息。因此，除了常见的辐射校正及几何校正等预处理外，本研究对影像还进行了水域及植被信息的去除。
[0065]
基于若干预处理土壤样本，获取若干预处理土壤样本的对应坐标；基于arcgis将若干坐标映射至原始遥感影像，得到融合遥感影像；
[0066]
采用evni软件，基于辐射定标、大气校正方法对融合遥感图像进行预处理，得到若干坐标对应的若干波段反射率值。
[0067]
辐射定标是将传感器记录的电压或数字量化值转换为绝对辐射亮度值(辐射率)的过程，或者转换为与地表(表观)反射率、表面(表观)温度等物理量有关的相对值的过程处理。
[0068]
大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
[0069]
5.构建土壤碳含量预测模型
[0070]
将若干波段反射率值分别进行倒数变换、对数变换、倒数变换和一阶微分变换。
[0071]
基于反射率值变换形式分别构建多元线性回归方程。
[0072]
土壤碳含量预测模型通过多元线性逐步回归分析方法构建，选择相关性大于0.40，0.45，0.50的3组参量分别参与模型构建，并通过模型决定系数r2和均方根误差rmse确定反演模型。
[0073]
6.土壤碳含量预测
[0074]
本实施例通过将测试集输入到预测模型中，测试模型精度，结果表明，本实施例中多元回归模型精度较高，适用于区域内土壤碳含量预测。
[0075]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。