使用机器学习算法和卫星图像识别土壤质地和颜色
1School of Artificial Intelligence, Shenyang University of Technology, Shenyang, 110870, Liaoning, China. wangjiyang@sut.edu.cn.
Scientific reports
|August 22, 2025
概括
使用卫星数据准确估计土壤纹理和颜色的支持向量回归 (SVR),性能优于决策树回归 (DTR). 这为精准农业和土地利用规划提供了成本高效的方法.
科学领域:
- * 远程传感
- * 土壤科学
- * 机器学习
背景情况:
- 准确的土壤信息对于有效的土地利用规划和精准农业至关重要.
- 传统的土壤采样方法可能耗时且昂贵.
- 卫星图像提供了具有成本效益和大规模的土壤属性估计的潜力.
研究的目的:
- 使用卫星图像估计土壤质地 (粘土,泥土,沙子) 和颜色 (色彩,颜值,色彩).
- * 为了比较支持向量回归 (SVR) 和决策树回归 (DTR) 模型的性能.
- * 评估来自MODIS传感器图像作为输入变量的各种指数的实用性.
主要方法:
- * 土壤特性 (质地,颜色) 在现场测量.
- * MODIS 卫星图像指数被计算并用作输入变量.
- 使用支持向量回归 (SVR) 和决策树回归 (DTR) 模型进行预测.
- * 用错误指标 (RMSE,AMAPE,MAE,MSE,RPD) 来进行模型评估.
主要成果:
- * SVR模型在所有评估的土壤属性上显示出优异的性能.
- * 颜色预测的准确度最高 (RMSE最低),而沙子含量预测的误差最高.
- * 在测量和SVR预测的土壤质地数据之间发现了良好的一致性.
- 在卫星指数中观察到显著的时间差异,但与土壤质地变化不一致.
结论:
- 通过卫星图像估计土壤质地和颜色的SVR是一种非常有效的方法.
- 通过卫星获得的土壤信息可以支持土地利用规划和精准农业计划.
- 未来的研究应该探索将SVR与优化技术 (如遗传算法) 整合起来,以进一步提高预测准确性.
