本发明涉及卫星遥感技术及其应用领域，具体涉及一种耕地表层土壤ph值估算方法。
背景技术：
1、土壤ph值高低表示土壤酸碱化程度，土壤ph值过高或过低，导致土壤物理化学性质变差，使其透气和透水能力较差，进而影响植物根系对养分的吸收过程。对于耕地而言，土壤ph值越大土壤碱性越强，土壤越易表现出板结现象，一方面造成耕地土壤抗逆性减弱，碱土更加不易改良，另一方面影响作物产量和品质，制约生态系统健康和农业经济可持续发展。
2、随着人类社会工业化进程加快，酸性气体so2、颗粒污染物排放以及氮肥的大量施用等，使得土壤酸化逐渐加剧。为防治农田耕地土壤碱化，需要对耕地土壤ph值的分布状况进行连续监测。传统的土壤ph测量方法需要在农田进行实时测量，或采集土壤样本运送至实验室测定，虽然该方法能够相对准确反映耕地土壤酸碱度状况，但受限于样本量和成本限制，且时效性较差，很难在区域或国家尺度上分析土壤酸碱度分布。
技术实现思路
1、本发明的目的是为了解决现有土壤ph值测量方法受限于样本量和成本限制，且时效性较差，很难在区域或国家尺度上分析土壤酸碱度分布的技术问题，提供了一种基于msi的耕地表层土壤ph值估算方法。
2、基于msi的耕地表层土壤ph值估算方法按以下步骤进行：
3、(1)获取sentinel-2卫星msi传感器level2a传感器裸土期且无云影像，重采样到10m空间分辨率，获取不同波段的遥感反射率；
4、(2)将msi遥感反射率的不同波段反射率、13种光谱指数、环境变量作为随机森林回归模型输入变量；
5、所述msi遥感反射率的不同波段反射率是band 1、band 2、band 3、band 4、band5、band 6、band 7、band 8、band 9、band 10；
6、所述13种光谱指数是盐度指数(si)、盐度指数1(si1)、盐度指数3(si3)、盐度指数ⅱ(s2)、盐度指数ⅸ(s9)、归一化差异雪指数(ndsi)、优化的土壤调节植被指数(osavi)、加权差异植被指数(wdvi)、盐度指数i(si-i)、亮度指数(bi)、土壤盐度指数1(ssi1)、盐度指数4(si4)、盐度指数2(si2)；
7、所述环境变量是1km年均降雨量栅格数据、目标区域30m数字高程数据和1km土壤容重栅格数据；
8、所述13种光谱指数计算方法如下：
9、盐度指数＝(band3×band4)0.5；
10、盐度指数1＝(band3+band4)0.5；
11、盐度指数3＝band3×band3+band4×band4；
12、盐度指数ⅱ＝(band2×band4)/(band2+band4)；
13、盐度指数ⅸ＝(band3+band4+band8)/2；
14、归一化差异雪指数＝(band8×band11)/(band8+band11)；
15、优化的土壤调节植被指数＝(band4×band8)/(band4+band8+0.16)；
16、加权差异植被指数＝(band8-band4×0.5)；
17、盐度指数i＝(band4×band8)/band3；
18、亮度指数＝[(band4×band4+band3×band3+band2×band2)/3]0.5；
19、土壤盐度指数1＝(band2×band4)/band3；
20、盐度指数4＝(band2×band4)0.5；
21、盐度指数2＝(band2+band4)0.5；
22、band1表示sentinel-2卫星msi波段1遥感反射率；
23、band2表示sentinel-2卫星msi波段2遥感反射率；
24、band3表示sentinel-2卫星msi波段3遥感反射率；
25、band4表示sentinel-2卫星msi波段4遥感反射率；
26、band5表示sentinel-2卫星msi波段5遥感反射率；
27、band6表示sentinel-2卫星msi波段6遥感反射率；
28、band7表示sentinel-2卫星msi波段7遥感反射率；
29、band8表示sentinel-2卫星msi波段8遥感反射率；
30、band9表示sentinel-2卫星msi波段9遥感反射率；
31、band10表示sentinel-2卫星msi波段10遥感反射率；
32、band11表示sentinel-2卫星msi波段11遥感反射率；
33、所述随机森林回归模型输入变量，即msi遥感反射率的不同波段反射率、13种光谱指数、环境变量是基于实测土壤ph反演模型构建，构建过程如下：
34、a.采集松嫩平原耕地表层0.1-20cm土壤样本土，采样时考虑不同地形条件和土壤类型差异，将土壤样本和水按照1:5的质量比溶解，然后使用ph仪(phs-3c)进行测量；
35、b.在usgs上下载sentinel-2号卫星msi传感器裸土期无云影像，下载产品为level-2a，波段被重采样到10m空间分辨率；
36、c.获取msi遥感反射率的不同波段反射率，计算13种光谱指数；
37、d.获取土壤1km年均降雨量栅格数据、目标区域30m数字高程数据和1km土壤容重栅格数据；
38、e.基于ph值实测数据和遥感反射率数据，建立耕地表层土壤ph值随机森林回归模型，相关分析在spss16.0软件平台实现，皮尔逊相关系数r表达如下：
39、
40、其中，x、y是变量ph值和遥感反射率，n是样本数；
41、f.耕地表层土壤ph值随机森林回归模型是基于rmse和mae进行评估，具体计算如下：
42、
43、其中，rmse是均方根误差，mae是平均绝对百分比误差，n是样本数，yi是耕地表层土壤ph实测值，yi'是耕地表层土壤ph预测值；
44、(3)随机森林回归模型输出为耕地表层土壤ph预测值，实现耕地表层土壤ph值快速制图。
45、步骤(2)所述1km年均降雨量栅格数据在国家气象中心下载。
46、步骤(2)所述目标区域30m数字高程数据在usgs上获取。
47、步骤(2)所述1km土壤容重栅格数据在国家青藏高原科学数据中心获取。
48、步骤(2)所述随机森林回归模型使用random forest包，决策树的数量(ntree)为500，分割节点的随机变量的数量(mtry)为输入量的1/3，此时数值较小且模型内误差基本稳定。
49、遥感技术凭借低成本、高时效、空间展示以及非接触的优势，应用于土壤理化参数定量预测分析中，指导农业生产，即只需处理卫星影像光谱数据，便能够获取目标区域耕地表层土壤ph含量空间分布图，为农田耕地土壤改良、耕地质量提升和精准农业发展提供技术支撑。
50、基于本发明可借助于snap、gee地理计算云平台和在线数据访问功能，通过自主编程搭建随机森林回归模型，输入本发明所述的输入变量，可进行耕地表层土壤ph估算，并结果以规范化快速制图。
51、本发明使用了覆盖东北地区松嫩平原161个耕地表层土壤ph实测样本训练随机森林回归算法输入变量(附图1)，实测样本覆盖多种耕地土壤类型，能够较好地代表不同土壤类型耕地，保证研发的反演算法具有较好的适用性(附图2)，r2＝0.94，rmse和mae分别为0.29和0.23。有助于快速、动态监测裸土期土壤酸碱情况，进行土壤碱化改良成效评估。
1.基于msi的耕地表层土壤ph值估算方法，其特征在于所述基于msi的耕地表层土壤ph值估算方法按以下步骤进行：
2.根据权利要求1所述基于msi的耕地表层土壤ph值估算方法，其特征在于步骤(2)所述1km年均降雨量栅格数据在国家气象中心下载。
3.根据权利要求1所述基于msi的耕地表层土壤ph值估算方法，其特征在于步骤(2)所述目标区域30m数字高程数据在usgs上获取。
4.根据权利要求1所述基于msi的耕地表层土壤ph值估算方法，其特征在于步骤(2)所述1km土壤容重栅格数据在国家青藏高原科学数据中心获取。
5.根据权利要求1所述基于msi的耕地表层土壤ph值估算方法，其特征在于步骤(2)所述随机森林回归模型使用random forest包，决策树的数量为500，分割节点的随机变量的数量为输入量的1/3。
