开发新的光谱指数,用高光谱数据和机器学习精确估计土壤pH值和有机碳

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pH值和土壤有机碳 (SOC) 对可持续农业和土壤健康至关重要.
• 超光谱成像为传统的土壤测试方法提供了一种非破坏性且具有成本效益的替代方案.
• 使用光谱指数的现有机器学习 (ML) 方法通常仅限于多光谱数据,而高维的超光谱波段可能是计算密集的.

研究的目的:

• 为了比较ML模型对土壤pH和SOC的预测准确度,使用现有的光谱指数与单个超光谱波段进行比较.
• 开发和验证专门为高光谱数据设计的新型光谱指数,以提高土壤pH和SOC预测.
• 解决光谱数据中多线性和高维性的挑战,以改进土壤参数估计.

主要方法:

• 利用了来自非洲土壤信息服务 (AfSIS) 和卢卡斯-2009数据集的高光谱成像数据.
• 使用现有的光谱指数和单个超光谱波段进行土壤pH和SOC预测的ML模型进行比较.
• 使用主要成分分析 (PCA) 和人工神经网络 (ANN) 开发了新的土壤pH指数 (SPI) 和土壤有机碳指数 (SOCI).

主要成果:

• 个别的高光谱波段显示出比土壤pH和SOC的现有光谱指数更高的预测准确度 (R2:0.80.94).
• 拟议的SPI和SOCI指数显著提高了预测准确度,达到R2值高达0.963.
• SPI和SOCI在不同数据集 (AfSIS和LUCA-2009) 中证明了土壤pH和SOC估计的有效性.

结论:

• 超频谱波段通常在预测土壤pH和SOC时优于现有的光谱指数.
• 新的SPI和SOCI指数为精准农业中准确地估计土壤pH和SOC提供了强大而实用的解决方案.
• 这些新指数有效地处理多线性和高维度,提高了土壤分析超谱数据的实用性.