李振海教授团队：基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型（《智慧农业（中英文）》2022年第4期）

Original 范承志等智慧农业期刊

来源：《智慧农业（中英文）》2022年第3期

转载请联系编辑部授权

本期支持单位

引用格式

范承志, 王梓文, 杨兴超, 罗永开, 徐学欣, 郭斌, 李振海. 基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型[J]. 智慧农业(中英文), 2022, 4(4): 61-73.

FAN Chengzhi, WANG Ziwen, YANG Xingchao, LUO Yongkai, XU Xuexin, GUO Bin, LI Zhenhai. Machine learning inversion model of soil salinity in the yellow river delta based on field hyperspectral and UAV multispectral data[J]. Smart Agriculture, 2022, 4(4): 61-73.

知网阅读

官网阅读（全文，免费）

基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型

范承志¹，王梓文¹，杨兴超¹，罗永开²，徐学欣³，郭斌¹，李振海^1*

（1.山东科技大学测绘与空间信息学院，山东青岛 266590；2.滨州学院山东省黄河三角洲生态环境重点实验室，山东滨州 256603；3.青岛农业大学农学院，山东青岛 266109）

摘要： 土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素，进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况，以黄河三角洲典型区域为研究区，获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量，通过优选敏感光谱参量，使用偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）两种机器学习算法建立土壤盐分含量反演模型，实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR，且稳定性更好。（3）基于地物高光谱的RF模型（R2=0.54，RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R2=0.54，验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演，研究区总体以轻、中度盐渍化土壤为主，对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型，并结合各自数据源的优势进行优化，探索了地表无植被覆盖情况下的土壤盐分含量反演方法，对更精准反演土地盐渍化程度提供了参考。

关键词：土壤盐分含量；遥感；地物高光谱；无人机多光谱；偏最小二乘回归；随机森林；机器学习

文章图片

注：图中A、B、C为研究区

图1　山东省东营市黄河三角洲试验研究区分布图

Fig. 1 Distribution map of Yellow River Delta experimental study area in Dongying city，Shandong province

图2　土壤盐分含量估测技术流程图

Fig.2 Technical flow chart of soil salt content estimation

图3　各光谱段与土壤含盐量间的相关性分析

Fig. 3 Correlation analysis between spectral bands and soil salt content

注：**表示在0.01水平（双侧）上显著相关；*表示在0.05水平（双侧）上显著相关

图4　高光谱指数与土壤盐分相关性分析

Fig. 4 Correlation analysis between hyperspectral indices and soil salinity

注：**表示在0.01水平（双侧）上显著相关；*表示在0.05水平（双侧）上显著相关

图5　无人机多光谱指数与土壤盐分相关性分析

Fig. 5 Correlation analysis between multi-spectral indices of UAV and soil salinity

图6　波段优化后偏最小二乘回归模型（PLSR-SWIR）和随机森林模型（RF-SWIR）土壤盐分估测结果

Fig. 6 Soil salinity estimation results of band optimized spectral indices for PLSR model（PLSR-SWIR）and RF model（RF-SWIR）

图7　结合纹理特征与无人机多光谱指数的偏最小二乘回归模型（PLSR-T）和随机森林模型（RF-T）土壤盐分估测结果

Fig. 7 Soil salinity estimation results of PLSR（PLSR-T）and RF（RF-T）models combining texture features and UAV based spectral indices

图8　研究区土壤盐分反演图

Fig. 8 Inversion map of soil salinity in the study area

通信作者简介

李振海教授

李振海，山东科技大学，教授，硕士生导师，山东省教育厅天空地农情遥感监测及预警研究创新团队负责人，先后入选北京市优秀人才、北京市青年托举人才、山东科技大学菁英计划A类人才。在作物产量品质遥感预测、作物氮素定量遥感机理与应用、农业生长模型、智慧农业等方面具有一定的创新研究及应用，在Remote Sensing of Environment、Field Crops Research、Frontiers in Plant Science、Computers and Electronics in Agriculture、Remote Sensing等期刊发表论文SCI论文70篇，以第一/通讯作者论文19篇，出版专著1部，授权国家发明专利2项；主持省部级以上项目9项；研究成果获省部级以上科技奖励3项；兼任《Remote Sensing》专刊、《Frontiers in Plant Science》期刊、《Water》期刊、《智慧农业（中英文）》期刊编委，中国仿真学会农业建模与仿真专业委员会委员、中国地理地信协会农业农村地理信息委员会委员等。

来源：《智慧农业（中英文）》2022年第4期

转载请联系编辑部授权

本期支持单位

潍柴雷沃智慧农业科技股份有限公司