在野生果树林中逆转和验证土壤的水容量,使用高频谱技术与机器学习相结合
Tingwei Song1, Liang Guo2, Qian Sun3
1College of Forestry and Landscape Architecture, Xinjiang Agricultural University, Urumqi, 830052, People's Republic of China.
Scientific reports
|July 19, 2025
概括
这项研究使用超光谱数据和机器学习量化了新疆野生水果森林的土壤持水能力 (SWHC). 增强的光谱分析提高了SWHC估计的准确性和稳定性,有助于节水工作.
科学领域:
- 生态生态学 生态生态学
- 遥感 遥感 遥感 遥感
- 土壤科学 土壤科学
背景情况:
- 土壤保留水对于节水至关重要.
- 在野生果树林中评估土壤的水容量 (SWHC) 对区域水资源管理至关重要.
- 超频谱技术为详细的SWHC评估提供了潜力.
研究的目的:
- 在新疆野生水果森林中量化评估SWHC.
- 通过使用光谱特征来提高SWHC和植被指数之间的灵敏度.
- 使用机器学习和光谱衍生物开发和验证一个最佳的SWHC估计模型.
主要方法:
- 集成的超频谱技术与机器学习算法 (随机森林).
- 利用数学统计方法分析光谱特征和植被指数.
- 采用高阶光谱导数 (第三阶,对数二阶) 来改善与SWHC的相关性.
- 进行不确定性分析以评估模型稳定性.
主要成果:
- 在SWHC和光滑叶子光谱反射率 (r = -0.59) 之间发现了显著的负相关性.
- 高阶光谱衍生品增强了这种相关性 (r = -0.78和r = -0.72).
- 随机森林模型表现出高稳定性 (R2 = 0.73,RMSE = 0.158,RPD = 1.90). 随机森林模型表现出高稳定性 (R2 = 0.73,RMSE = 0.158,RPD = 1.90). 随机森林模型表现出高稳定性 (R2 = 0.73,RMSE = 0.158,RPD = 1.90). 随机森林模型表现出高稳定性.
- 在森林覆盖密集的地区和山谷地形中观察到较高的SWHC值.
结论:
- 超光谱数据与先进的光谱分析和机器学习相结合,有效地估计了野生果树林中的SWHC.
- 频谱特征增强和不确定性分析显著提高了模型的稳定性和准确性.
- 研究结果为类似生态系统的生态恢复和水资源管理提供了宝贵的见解.
