改进土壤盐度绘图在数据稀缺环境中使用Sentinel-2图像在机器学习模型中的改进

科学领域:

• 遥感 遥感 遥感 遥感
• 土壤科学 土壤科学
• 机器学习 机器学习

背景情况:

• 土壤盐度监测至关重要,但由于昂贵且耗时的电导率 (EC) 测量,具有挑战性.
• 现有的用于土壤盐度测绘的机器学习模型经常受到有限的训练数据的影响,这会影响一致性.
• 卫星Sentinel-2的反射率数据为土壤盐度绘制提供了可行的输入.

研究的目的:

• 增强机器学习模型,用于在数据稀缺的环境中绘制土壤盐度图.
• 评估一种用于扩大有限的土壤盐度数据集的新方法.
• 使用增强数据集,比较随机森林 (RF) 和支持矢量机 (SVM) 模型的性能.

主要方法:

• 开发了一种方法来扩展原始数据集 (OD),通过将采样像素的EC值分配给它们的八个邻居,从而创建一个增强的数据集 (ED).
• 两种机器学习模型,即随机森林 (RF) 和支持矢量机 (SVM),使用OD和ED进行训练.
• 通过将预测与独立的EC观测进行比较来评估模型性能,并应用特征选择技术 (VIF,GA).

主要成果:

• 增强的数据集 (ED) 显著改善了模型的一致性,整体准确性从OD的0.25 (0.26) 增加到RF (SVM) 模型中的ED的0.77 (0.55).
• 与支持矢量机模型相比,随机森林模型在土壤盐度估计方面表现优越.
• 特性选择,特别是使用遗传算法 (GA),进一步提高了模型可靠性.

结论:

• 扩大学习数据库的拟议方法在数据稀缺的情况下有效提高土壤盐度绘图的准确性.
• 将机器学习与Sentinel-2数据相结合,对于土壤盐度监测具有重大潜力.
• 最佳的机器学习设置需要仔细考虑模型选择和功能选择方法.