基于LEW-DWT融合多时相Landsat 8影像与时序NDVI特征的耕地土壤有机质预测

发布者：董晓亮发布时间：2026-10-09浏览次数：16

一、获奖论文题目

Enhanced Cropland SOM Prediction via LEW-DWT Fusion of Multi-Temporal Landsat 8 Images and Time-Series NDVI Features

二、研究单位

山东农业大学信息科学与工程学院

山东农业大学农业大数据研究中心

合作单位：山东省气候中心

三、研究成果

在方法上，本研究主要开展了三个方面的工作：一是提出LEW-DWT融合方法，采用Haar小波基进行二级分解，基于3×3滑动窗口的局部能量加权自适应融合规则融合多时相多光谱影像，在保持光谱信息的同时增强空间纹理与边缘细节；二是基于Savitzky—Golay滤波和傅里叶谐波分析提取时序NDVI特征（最小值、最大值、标准差、生长季长度、振幅、相位等）；三是构建环境变量（Ev）、时序NDVI特征（Tn）与多时相多光谱信息（Mm）复合的Ev–Tn–Mm特征集，分别采用随机森林（RF）与卷积神经网络（CNN）建模，并通过变量重要性分析定量解析SOM空间分布的主要驱动因子。

研究认为：多源数据融合显著提升预测精度。在Ev–Tn–Mm复合特征下，CNN模型取得最优预测性能（R²=0.62，RMSE=1.29 g/kg，相对RMSE约6.4%），优于RF模型（R²=0.53）；与仅使用环境变量（Ev）相比，CNN的R²由0.54提升至0.62，相对提升14.8%。在有限样本（N=198）条件下，本研究通过优化浅层CNN结构（3个卷积层、3×3小卷积核、Dropout正则化）有效抑制了过拟合，验证了深度学习方法在区域SOM制图中的适用性。

基于最优模型生成了禹城市耕地30 m分辨率SOM空间分布图，预测值范围为14.49—28.62 g/kg（图1）。不确定性分析表明，融合时序NDVI与多时相多光谱信息后，预测不确定性由仅用环境变量时的0.03—2.35降至0.07—1.90，模型稳定性显著提升。该成果可为禹城市及黄泛平原区精准农业和土壤碳管理提供高精度数据支撑。

图1 不同输入条件下耕地SOM预测结果空间分布

四、计算情况

本研究的主要计算任务依托山东农业大学超级计算中心完成。平台为多时相遥感影像的批量处理、机器学习与深度学习模型训练以及区域尺度制图提供了稳定、高效的计算支撑，主要计算工作包括：特征工程与模型训练；区域尺度制图等。

超算平台的应用显著缩短了多时相影像融合、超参数寻优与交叉验证的整体计算时间，为本研究的高效开展和论文成果的产出提供了重要保障。

五、相关产出