基于无人机超光谱遥感和机器学习的土壤水和盐信息的反转

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 土壤科学 土壤科学

背景情况:

• 准确的土壤水和盐信息对于盐水农业用地管理和保护至关重要.
• 基于无人机的超频谱遥感为现场规模的土壤监测提供了可扩展的解决方案.

研究的目的:

• 使用无人机的高光谱数据提取和逆转土壤水含量 (SWC),土壤pH和土壤盐含量 (SSC).
• 为了确定最佳的光谱变换和特征带,以准确地估计土壤参数.
• 评估不同的机器学习模型用于土壤属性反转.

主要方法:

• 使用无人机进行超谱数据采集.
• 频谱转换包括标准正常变量 (SNV),乘法散射校正 (MSC),第一导数 (FDR) 和第二导数 (SDR).
• 使用竞争性适应性重权抽样 (CARS) 选择特征频段.
• 使用部分最小平方回归 (PLSR),随机森林 (RF) 和极端梯度增强 (XGBoost) 的模型开发.

主要成果:

• 反射率 (R),FDR和MSC分别是SWC,pH和SSC的最佳转换,最大绝对相关系数 (MACC) 为0.730,0.472和0.654.
• 汽车有效地从150个功能中选择了16-17个功能频段.
• XGBoost模型在SWC (Rp2=0.927,RPD=3.93) 和pH (Rp2=0.743,RPD=2.45) 方面取得了最高的精度.
• 射频模型显示SSC的最佳性能 (Rp2=0.427,RPD=1.64).

结论:

• 无人机超光谱遥感,结合优化的光谱转换和机器学习,为监测土壤水和盐信息提供了一种有效的方法.
• 这项研究提供了一个科学指南,用于可持续管理和改善盐水农田.