You Position: Home > Paper
Inversion of soil water and salt information based on UAV hyperspectral remote sensing and machine lear-ning
( views:1, downloads:0 )
- Author:
- No author available
- Journal Title:
- Chinese Journal of Applied Ecology
- Issue:
- 11
- DOI:
- 10.13287/j.1001-9332.202311.012
- Key Word:
- 无人机遥感;高光谱;竞争性自适应重加权采样法;随机森林;极端梯度提升;UAV remote sensing;hyperspectrum;competitive adaptive reweighted sampling;random forest;extreme gradient boosting
Abstract： 精准诊断盐碱农田水盐信息有助于保护耕地面积、长效提升土壤地力.本研究基于无人机高光谱数据提取田块尺度植被冠层光谱信息,利用标准正态变量(SNV)、多元散射校正(MSC)、一阶微分(FDR)和二阶微分(SDR)分别对原始光谱反射率(R)进行数学变换,通过最大相关系数绝对值(MACC)确定土壤含水量(SWC)、pH值和含盐量(SSC)的最优光谱变换形式,并采用竞争性自适应重加权采样法(CARS)对其进行特征波段提取,基于偏最小二乘回归(PLSR)、随机森林(RF)和极端梯度提升(XGBoost)建立土壤水盐信息反演模型.结果表明:土壤含水量、pH值和含盐量分别以R、FDR和MSC为最佳光谱变换形式,所对应的MACC分别为0.730、0.472和0.654o CARS算法能有效剔除无关变量,从150个光谱波段中优选出16～17个特征波段.土壤含水量和pH值均以XGBoost模型表现最佳,模型验证决定系数(Rp2)分别达0.927和0.743,相对分析误差(RPD)分别达3.93和2.45;土壤含盐量以RF模型为最优反演方法,Rp2和RPD分别为0.427和1.64.本研究结果可为土壤水盐信息空天地一体化遥感监测提供参考方案,为盐碱地改良和保护性耕作提供科学依据.
- [1]张东辉,赵英俊,秦凯,等.光谱变换方法对黑土养分含量高光谱遥感反演精度的影响[J].2018,(20).
- [2]王瑾杰,丁建丽,葛翔宇,等.分数阶微分技术在机载高光谱数据估算土壤含水量中的应用[J].2022,42(11).
- [3]纪景纯,赵原,邹晓娟,等.无人机遥感在农田信息监测中的应用进展[J].2019,(4).
- [4]许童羽,白驹驰,郭忠辉,等.基于无人机高光谱遥感的水稻氮营养诊断方法[J].2023,54(2).
- [5]蔡亮红,丁建丽.小波变换耦合CARS算法提高土壤水分含量高光谱反演精度[J].2017,(16).
- [6]张瑞鸿,魏鑫,卢占会,等.基于机器学习训练金属离子吸附能预测模型的研究[J].2021,(11).
- [7]王梦迪,何莉,刘潜,等.基于小麦冠层无人机高光谱影像的农田土壤含水率估算[J].2023,39(6).
- [8]于雷,洪永胜,周勇,等.高光谱估算土壤有机质含量的波长变量筛选方法[J].2016,(13).
- [9]葛翔宇,丁建丽,王敬哲,等.一种基于无人机高光谱影像的土壤墒情检测新方法[J].2020,40(2).
- [10]唐海涛,孟祥添,苏循新,等.基于CARS算法的不同类型土壤有机质高光谱预测[J].2021,(2).
- [11]刘兰军,翟永庆,郑俊俊,等.基于PSO-CNN的土壤氮含量可见/近红外光谱建模[J].2021,(4).
- [12]Hong, Yongsheng,Chen, Yiyun,Yu, Lei,etc.Combining Fractional Order Derivative and Spectral Variable Selection for Organic Matter Estimation of Homogeneous Soil Samples by VIS–NIR Spectroscopy[J].2018,10(3).
- [13]张俊华,贾科利.典型龟裂碱土土壤水分光谱特征及预测[J].2015,(3).
- [14]Chong Luo,Wenqi Zhang,Xinle Zhang,etc.Mapping soil organic matter content using Sentinel-2 synthetic images at different time intervals in Northeast China[J].2023,(1).
- [15]Fei Wang,Zhou Shi,Asim Biswas,etc.Multi-algorithm comparison for predicting soil salinity[J].2020,365.
- [16]田美玲,葛翔宇,丁建丽,等.耦合机器学习和机载高光谱数据的土壤含水量估算[J].2020,(9).
- [17]陈睿华,尚天浩,张俊华,等.不同光谱类型对银川平原土壤含盐量反演精度的影响与校正[J].2022,33(4).
- [18]葛翔宇,丁建丽,王敬哲,等.基于竞争适应重加权采样算法耦合机器学习的土壤含水量估算[J].2018,(10).
- [19]尚天浩,陈睿华,张俊华,等.基于实测高光谱与Sentinel-2B数据的银北土壤Na+含量估测[J].2021,(3).
- [20].Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring[J].2019,7.
- [21]鲍士旦.土壤农化分析[M].2000.
- [22]Ning Yang,Shuai Yang,Wenxuan Cui,etc.Effect of spring irrigation on soil salinity monitoring with UAV-borne multispectral sensor[J].2021,42(23).
- [23]Zhonghai He.Selection of a calibration sample subset by a semi-supervised method[J].2018,26(2).
- [24]张晓华,常庆瑞,章曼,等.基于高光谱植被指数的西北玉米不同时期叶绿素含量估测[J].2015,(4).