相关实验视频
Updated: Sep 16, 2025
07:12
A Colorimetric Method for Measuring Iron Content in Plants
Published on: September 7, 2018
22.3K
使用光谱反射率和机器学习算法的土壤自由铁含量估计
Wanzhu Ma1, Hongkui Zhou1, Hao Hu2,3
1Institute of Digital Agriculture, Zhejiang Academy of Agricultural Sciences, 298 Desheng Middle Road, Hangzhou, 310021, Zhejiang, China.
Scientific reports
|July 4, 2025
概括
光谱反射率与机器学习相结合,准确估计了土壤中自由铁的含量. 这种快速,非破坏性的方法有助于土壤绘图和作物管理.
科学领域:
- 土壤科学 土壤科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 自由铁是一种关键的土壤特性,影响土壤的演变和特性.
- 传统的测定土壤自由铁的方法往往具有破坏性和耗时性.
- 光谱反射率为土壤属性估计提供了一个快速,非破坏性和成本有效的替代方案.
研究的目的:
- 评估使用光谱反射率和机器学习 (ML) 来估计土壤自由铁含量的可行性.
- 为了比较不同的光谱变换,变量选择技术和ML算法,以获得最佳的模型性能.
主要方法:
- 从135个地点的540个土壤样本收集了光谱反射率数据.
- 应用的光谱变换:原始,第一个导数 (FD),标准正常变量 (SNV) 和连续移除 (CR).
- 利用主要组件分析 (PCA) 进行变量选择,并使用了ML算法:部分最小平方 (PLS),支向量机 (SVM),随机森林 (RF) 和深度神经网络 (DNN).
主要成果:
- 第一个导数 (FD) 变换显示了高效的训练性能 (R2=0.797).
- 用于选择变量的主要组件分析 (PCA) 提高了模型准确性 (训练R2=0.821,测试R2=0.692).
- 最优的模型组合 (FD + PCA + SVM) 在训练 (R2=0.876) 和测试 (R2=0.803) 两方面都实现了高精度,RMSE和RRMSE.低.
结论:
- 光谱反射率与机器学习相结合,为估计土壤自由铁含量提供了一种可靠的方法.
- 这种方法提供了快速,非破坏性和经济的土壤分析.
- 这些发现支持在土壤属性测绘,作物营养管理和环境监测方面的应用.
