从多光谱的Sentinel-3图像和使用机器学习的DEM衍生物估计土壤特征
Flavio Piccoli1, Mirko Paolo Barbato1, Marco Peracchi1
1Department of Informatics, Systems and Communications, Università degli Studi di Milano-Bicocca, 20126 Milano, Italy.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
机器学习使用Sentinel-3卫星数据准确估计了欧洲的土壤特性. 整合数字海拔模型 (DEM) 衍生品显著提高了土壤纹理和阴离子交换能力 (CEC) 的预测.
科学领域:
- 地球科学 地球科学 地球科学
- 遥感 遥感 遥感 遥感
- 土壤科学 土壤科学
背景情况:
- 准确地绘制土壤特征地图对于各种应用至关重要.
- 卫星图像和数字海拔模型 (DEM) 提供了大规模土壤属性估计的潜力.
研究的目的:
- 评估机器学习方法来估计欧洲各地的多种土壤特征.
- 评估Sentinel-3多谱图像和DEM衍生品对预测准确性的贡献.
主要方法:
- 利用各种机器学习算法进行土壤属性估计.
- 集成的Sentinel-3多光谱卫星图像和DEM衍生品作为输入数据.
- 分析的特征的重要性,以确定每个数据源的贡献.
主要成果:
- 多光谱图像对于估计土壤性质至关重要.
- DEM衍生品提高了估计准确性 (R2) 平均19%.
- 使用DEM衍生品,土壤纹理估计提高了43%和阴离子交换能力 (CEC) 提高了65%.
结论:
- 机器学习与卫星和海拔数据相结合,可以有效估计土壤特性.
- DEM衍生物显著提高了对特定土壤特征的预测,如纹理和CEC.
- 在这些估计中,多光谱特征通常比DEM衍生品 (40%) 更重要 (60%).
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.2K
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.3K
