基于无人机超光谱数据的耕地土壤盐度的最佳反转模型.

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 环境监测 环境监测

背景情况:

• 土壤化严重影响农业生产率和粮食安全.
• 准确的土壤盐度数据对于有效的土地管理和修复战略至关重要.
• 超光谱遥感为大规模的土壤盐度评估提供了一个有希望的非侵入性方法.

研究的目的:

• 开发和验证一个最佳模型,使用无人机的高光谱数据准确地逆转耕地中的土壤盐度.
• 为了比较不同机器学习模型 (SVR,BPNN,RFR) 对土壤盐度逆转的性能.
• 评估各种光谱转换技术和特征带选择策略的有效性.

主要方法:

• 使用无人机 (UAV) 获取超谱遥感数据.
• 应用光谱转换技术 (例如,一阶微分) 对超光谱数据的应用.
• 根据不同土地使用状态量身定制的特征频段子集选择.
• 支持矢量机 (SVR),逆向传播神经网络 (BPNN) 和随机森林回归 (RFR) 模型的比较.
• 使用统计指标 (R2,RMSE,RPD) 验证模型准确性.

主要成果:

• 最优的土壤盐度逆转模型结合了第一阶微分光谱转换数据和随机森林回归 (RFR).
• 这种模型实现了0.885.5的高确定系数 (R2).
• 单独提取不同土地使用状态的特征带显著改善了整体模型准确性 (RMSE = 0.413,RPD = 4.208).

结论:

• 基于无人机的超频谱遥感,再加上优化的光谱转换和机器学习 (RFR),为区域土壤盐度逆转提供了高度准确的方法.
• 这种方法为预防和控制耕地土壤盐化提供了有价值的科学支持.
• 这些发现是使用先进的遥感技术进行高精度土壤盐度监测的参考.