农业机械学报

作者：靳亚红，吴鑫淼，甄文超，崔晓彤，陈丽，郄志红

单位：河北农业大学,河北农业大学,河北农业大学,河北农业大学,保定市灌溉试验站,河北农业大学,

关键词：土壤含水率;窗口尺度;无人机多光谱遥感;机器学习;特征变量;反演

基金：河北省重点研发计划项目（22327002D、21327001D）和国家重点研发计划项目（2018YFD0300503-15）

针对空间异质性导致的土壤含水率反演误差较大的问题，分别以玉米灌浆期和小麦苗期的土壤含水率反演为例，利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值，通过极端梯度提升（Extreme gradient boosting，XGBoost）、支持向量机回归（Support vector machine regression，SVR）以及偏最小二乘回归（Partial least squares regression，PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度；然后，采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method，R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选，选取与土壤含水率敏感的特征变量；最后，估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小，其最优窗口尺度范围分别为11×11~21×21和15×15~29×29；采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度；5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优，在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83，均方根误差（Root mean square error，RMSE）分别为1.27%和0.98%，小麦苗期R2分别为0.76、0.79，RMSE分别为1.68%和0.85%；土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。

来源：2024年第1期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第1期