使用遥感和机器学习模型预测伊朗中部干旱地区的土壤化学特征
Azita Molaeinasab1, Hossein Bashari2, Mostafa Tarkesh Esfahani1
1Department of Natural Resources, Isfahan University of Technology, Isfahan, 84156-83111, Iran.
Scientific reports
|July 1, 2025
概括
数字土壤绘图 (DSM) 通过遥感有效地绘制了伊朗干旱地区的土壤盐度. 一个整体模型整合了Landsat 8数据和机器学习,为,碳酸盐和硫酸盐提供了准确的预测.
科学领域:
- 数字土壤绘图 (DSM) 是指土壤的数字地图.
- 遥感 遥感 遥感 遥感
- 土壤科学 土壤科学
- 机器学习应用 机器学习应用
背景情况:
- 干旱地区,如Gavkhouni亚盆地,由于盐度和水资源短缺,面临着可持续土地管理的挑战.
- 准确的土壤属性数据对于有效的土地管理至关重要,但在数据有限的环境中往往很少.
- 数字土壤绘图 (DSM) 提供了先进的技术来弥合土壤数据缺口.
研究的目的:
- 评估六个机器学习模型的性能,用于绘制伊朗一个干旱地区四个与盐度相关的土壤特性 (Ca,CaCO3,CaSO4,SO4) 的地图.
- 通过使用遥感数据和数字海拔模型,确定影响土壤盐度的关键环境预测因素.
- 评估一种综合方法,同时绘制多种土壤属性的地图.
主要方法:
- 采用来自Landsat 8图像和数字海拔模型的34个环境共变量.
- 采集了96个表面土壤样本 (0-20厘米深) 用于分析Ca,CaCO3,CaSO4和SO4.
- 通过十倍交叉验证评估六个机器学习模型 (RF,CART,SVR,GAM,GLM,ensemble),并通过VIF和Boruta算法进行预测器选择.
主要成果:
- 整体模型表现出卓越的性能,实现了高的R2值:Ca为0.89,CaCO3为0.84,SO4为0.79和CaSO4为0.73.
- 根据土壤属性变化的关键预测指标:Ca的海拔和TVDI;CaCO3的TCB和TCW;CaSO4的5波段 (B5) 和TCB;SO4的TCB,B5和SO4的7波段.
- 该研究成功地以综合的方式绘制了多种与盐度相关的土壤特性.
结论:
- 基于遥感的DSM,特别是使用Landsat数据,显示出在数据稀缺的干旱环境中加强土壤监测的巨大潜力.
- 开发的模型和确定的预测因素可以改善土壤评估,并支持资源有限的地区的可持续土地管理.
- 免费卫星数据的可用性为全球推进土壤科学和管理提供了宝贵的机会.
更多相关视频
08:57Improving Infrared Spectroscopy Characterization of Soil Organic Matter with Spectral Subtractions
Published on: January 10, 2019
12.6K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.7K
