农业机械学报

作者：张智韬,魏广飞,姚志华,谭丞轩,王新涛,韩佳

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：土壤含盐量; 无人机; 多光谱遥感; 变量组; 机器学习; 多元线性回归

基金：国家重点研发计划项目（2017YFC0403302）、杨凌示范区科技计划项目（2018GY-03）和国家自然科学基金项目（41502225）

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题，以内蒙古河套灌区沙壕渠灌域内4块?不同盐分梯度的耕地为研究区域，利用无人机搭载多光谱传感器获取2018年8月遥感影像数据，并对0~40?cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量，采用支持向量机（Support vector machine，SVM）、BP神经网络（Back propagation neural network，BPNN）、随机森林（Random forest，RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法，建立基于3组输入变量下的土壤盐分反演模型，并进行精度评价，比较不同输入变量、不同回归方法对模型精度的影响，评价并优选出最佳盐分反演模型。结果表明，通过分析3个变量组的?R2?和RMSE，光谱指数组在4种回归方法中均取得了最佳的反演效果，敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中，3种机器学习算法反演精度明显高于MLR模型，且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象，RF算法在3种机器学习算法中表现最优，SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果，?R2c和?R2v分别达到了0.72和0.67，RMSEv?仅为0.112%。

来源：2019年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2019年第12期