基于深度学习的土壤盐化反转棉花田扩张的空间异质性反应
Jinming Zhang1,2, Jianli Ding2,3, Jinjie Wang1,2
1College of Geography and Remote Sensing Sciences, Xinjiang University, Urumqi, China.
Frontiers in plant science
|November 27, 2024
概括
卷积神经网络 (CNN) 擅长绘制土壤盐化及其对棉花田的影响. 棉花种植有效地减少了新开发地区的土壤盐化,有利于粮食安全.
科学领域:
- 环境科学 环境科学
- 农业学是一种农业学.
- 遥感 遥感 遥感 遥感
背景情况:
- 土壤化是干旱地区的主要环境问题,影响粮食安全,需要有效的管理策略.
- 现有的机器学习模型很难捕捉局部盐度数据和盐度对作物的影响的空间变化.
研究的目的:
- 开发和比较卷积神经网络 (CNN),长期短期记忆网络 (LSTM) 和随机森林 (RF) 模型,用于土壤盐化逆转.
- 准确地绘制土壤盐度图,并分析其与棉花田扩张的关系.
- 确定土壤盐度易受影响的地区进行有针对性的管理.
主要方法:
- 利用97个现场样本和Landsat-8图像进行特征提取.
- 开发和评估CNN,LSTM和RF模型用于土壤盐化预测.
- 在2013年和2022年为高分辨率 (30米) 土壤盐度测绘选择了表现最好的模型 (CNN).
主要成果:
- 在捕获局部盐度信息方面,CNN模型表现出卓越的性能 (R2=0.84训练,R2=0.73测试).
- 棉花田的扩张显著减少了土壤盐化,减少了新田的严重盐化和盐土面积.
- 长期种植棉花的地区和新回收的田地对土壤盐度的敏感性和脆弱性很高.
结论:
- 深度学习模型,特别是CNN,为精确地绘制土壤盐化地图提供了出色的性能.
- 棉花种植可以减轻土壤盐化,为可持续农业和粮食安全做出贡献.
- 了解土壤盐度和作物分布之间的空间相关性对于有效的土地和盐度管理至关重要.
