用机器学习模型对基于Sentinel-2和无人机的图像进行土壤有机碳估计的比较评估

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 土壤科学 土壤科学

背景情况:

• 土壤有机碳 (SOC) 是陆地生态系统的关键组成部分,对全球碳循环和气候变化缓解努力产生重大影响.
• 准确且空间明确的SOC数据对于有效的土地管理,精准农业和气候监测至关重要.
• 基于无人机 (UAV) 的多谱图像 (局部规模) 与Sentinel-2卫星图像 (区域规模) 的整合为SOC评估提供了一个有希望的方法.

研究的目的:

• 评估和比较无人机和Sentinel-2多光谱图像在预测土壤有机碳 (SOC) 在地方和区域规模的性能.
• 评估四种机器学习模型的有效性:多线性回归 (MLR),支持向量回归 (SVR),随机森林 (RF) 和人工神经网络 (ANN) 在使用不同图像来源的SOC预测中.
• 确定图像类型和机器学习模型的最佳组合,以准确的SOC估计和空间映射.

主要方法:

• 采集和处理基于无人机的高分辨率多光谱图像 (5-10厘米空间分辨率) 和哨戒-2卫星图像 (10-20米空间分辨率).
• 应用四种机器学习算法 (MLR,SVR,RF,ANN) 来预测SOC内容,使用来自UAV和Sentinel-2图像的光谱数据.
• 使用R-squared (R²),根平均平方误差 (RMSE),平方误差之和 (SSE),平均平方误差 (MSE) 和纳什-萨特克利夫效率 (NSE) 等指标对模型性能进行统计评估.

主要成果:

• 在所有测试的机器学习模型中,基于无人机的图像在预测SOC方面始终优于Sentinel-2的图像,这是由于其空间分辨率明显更好.
• 随机森林 (RF) 算法展示了最高的预测准确性,在无人机数据中达到高达0.85的R2和在Sentinel-2数据中达到0.65,以及低RMSE值.
• 与Sentinel-2相比,来自无人机图像的空间SOC地图显示了与Sentinel-2相比,局部变量的细节更大,尽管在某些情况下的预测准确性略低,成本更高.

结论:

• 高分辨率的无人机图像,特别是用随机森林算法分析时,提供了最可靠和详细的土壤有机碳 (SOC) 估计在本地规模.
• 由于其成本效益和广泛覆盖范围,Sentinel-2图像仍然是更广泛的区域到全球SOC评估的宝贵工具.
• 该研究建议采用双重方法:利用无人机数据进行精确的,特定地点的SOC估计,以及用于大规模绘图工作的Sentinel-2数据.