应用生态学报2023，Vol.34Issue(11) ：3045-3052.DOI:10.13287/j.1001-9332.202311.012

基于无人机高光谱遥感和机器学习的土壤水盐信息反演

Inversion of soil water and salt information based on UAV hyperspectral remote sensing and machine lear-ning

王怡婧 丁启东 张俊华 陈睿华 贾科利 李小林
应用生态学报2023，Vol.34Issue(11) ：3045-3052.DOI:10.13287/j.1001-9332.202311.012
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于无人机高光谱遥感和机器学习的土壤水盐信息反演

Inversion of soil water and salt information based on UAV hyperspectral remote sensing and machine lear-ning

王怡婧 1丁启东 2张俊华 2陈睿华 3贾科利 1李小林2
扫码查看

作者信息

  • 1. 宁夏大学地理科学与规划学院,银川 750021
  • 2. 宁夏大学生态环境学院,西北土地退化与生态恢复国家重点实验室培育基地/西北退化生态系统恢复与重建教育部重点实验室,银川 750021
  • 3. 西安煤航遥感信息有限公司,西安 710199
  • 折叠

摘要

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.

关键词

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

Key words

UAV remote sensing/hyperspectrum/competitive adaptive reweighted sampling/random forest/extreme gradient boosting

引用本文复制引用

基金项目

国家重点研发计划(2021YFD1900602)

国家自然科学基金(42067003)

国家自然科学基金(42061047)

清华大学-宁夏银川水联网数字治水联合研究院联合开放基金(SKLHSE-2022-IOW11)

宁夏回族自治区科技创新领军人才项目(2022GKLRLX02)

出版年

2023
应用生态学报
中国生态学学会 中国科学院沈阳应用生态研究所

应用生态学报

CSTPCDCSCD北大核心
影响因子：2.114
ISSN：1001-9332
浏览量4
被引量2
参考文献量19
段落导航相关论文