用高光谱遥感和机器学习算法对土壤氧化铁含量的定量逆转进行研究,在中国云南省卢峰年状结构区域,中国

科学领域:

• 地质科学是地球科学.
• 遥感 遥感 遥感 遥感
• 土壤科学 土壤科学

背景情况:

• 土壤中氧化铁含量是土壤特性和农业生产率的关键因素.
• 准确有效的测定土壤氧化铁的方法对于土地管理至关重要.

研究的目的:

• 开发一种快速,经济和非破坏性的方法,使用高频谱遥感测定土壤中氧化铁含量.
• 为此应用评估各种光谱转换和机器学习算法的有效性.

主要方法:

• 收集了138个土壤样本,来自恐龙谷环状构造区域,云南省卢峰市.
• 应用了Savizky-Golay光滑和四种光谱转换到原来的光谱反射率 (OR) 数据.
• 利用相关系数 (CC),竞争性自适应重量,以及Boruta算法进行特征波长选.
• 构建线性 (部分最小平方回归) 和非线性 (随机森林,XGBoost) 机器学习模型.

主要成果:

• 频谱转换增强了信号与噪声的比率,并突出了频谱特征.
• CC-Boruta方法有效选特征波长,提高了模型的准确性和稳定性.
• XGBoost非线性机器学习模型在捕捉光谱数据和氧化铁含量之间的复杂关系方面表现出卓越的性能.

结论:

• 超光谱遥感,结合先进的数据处理和机器学习,为准确的土壤氧化铁逆转提供了可行的方法.
• 在XGBoost算法显示了重要的潜力,精确预测土壤氧化铁含量.
• 这项研究为使用高光谱数据快速准确地评估土壤氧化铁提供了宝贵的参考资料.