通过基于无人机的高光谱成像和PCA驱动的机器学习来精确地监测土壤水分

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 数据科学数据科学数据科学

背景情况:

• 准确的土壤湿度估计对于可持续农业至关重要,影响灌,作物产量和节水.
• 根区土壤湿度是影响植物健康和作物生产率的关键因素.

研究的目的:

• 将基于无人机的高光谱传感与机器学习相结合,用于在10厘米和30厘米深处估计土壤水分.
• 为了确定根区水含量和树冠反射率之间的显著关系,精确定位信息波长.
• 开发和比较用于玉米田的土壤湿度估计的机器学习模型.

主要方法:

• 利用无人机上的超光谱传感器收集了天花板反射率数据.
• 应用主要组件分析 (PCA) 用于确定土壤湿度估计的关键变量.
• 训练并评估了人工神经网络 (ANN),随机森林 (RF),支持向量回归 (SVR) 和梯度增强 (XGBoost) 模型.

主要成果:

• 与RF,SVR和XGBoost相比,ANN模型在土壤湿度估计方面表现优越.
• 在未灌的土地上,土壤湿度估计的准确性更高,这归因于水应激下光谱变异性增加.
• 树冠光谱和根区土壤湿度之间的相关性随着玉米成熟和叶绿素含量增加而下降.

结论:

• 基于无人机的高光谱传感和机器学习为估计多个深度的土壤水分提供了强大的方法.
• 植物水应激显著影响光谱反应,提高了土壤湿度估计的准确性.
• 在30厘米深的非灌地块中观察到最佳的估计准确性,特别是在高水压时期.