农业机械学报

作者：赵文举，李钊钊，马芳芳，段威成，马宏

单位：兰州理工大学,兰州理工大学,兰州理工大学,兰州理工大学,兰州理工大学,

关键词：多光谱;苜蓿地;土壤含盐量;XGBoost;变量筛选;反演模型

基金：国家自然科学基金面上项目（52379042）、甘肃省重点研发计划项目（23YFFA0019）和甘肃省东西协作专项（23CXNA0025）

为探究苜蓿地不同生育期不同深度的土壤含盐量快速反演模型，采集苜蓿地分枝期、现蕾期、初花期深度0~15cm、15~30cm、30~50cm土壤含盐量，基于无人机多光谱影像数据，提取采样点光谱反射率，在此基础上引入红边波段代替红波段与近红外波段计算光谱指数，采用皮尔逊相关系数法（Pearson correlation corfficient,PCCs）、灰色关联度（Gray relational analysis, GRA）分析法进行指数筛选，构建54个基于极端梯度提升（Extreme gradient boosting，XGBoost）算法、反向传播神经网络（Back propagation neural network，BPNN）和随机森林（Random forest，RF）的机器学习模型，确定苜蓿地不同生育期不同深度土层的土壤含盐量最佳反演模型。结果表明：XGBoost模型反演效果整体优于BPNN模型和RF模型，反演结果能真实反映不同生育期苜蓿地的土壤含盐量。从不同生育期反演来看，分枝期和初花期XGBoost模型反演效果优于其他模型，验证集决定系数（R2p）分别为0.835、0.709，均方根误差（RMSE）分别为0.042%、0.047%，平均绝对误差（MAE）分别为0.046%、0.037%；现蕾期RF模型反演效果优于其他模型，R2p为0.717，RMSE为0.034%，MAE为0.042%。从不同深度反演来看，0~15cm土层XGBoost模型反演效果优于其他模型，R2p为0.835，RMSE为0.053%，MAE为0.043%；15~30cm和30~50cm土层XGBoost和RF模型均优于BPNN模型，R2p分别为0.717、0.739，RMSE分别为0.034%、0.038%，MAE分别为0.042%、0.031%。分枝期为最佳反演生育期，0~15cm深度为最佳含盐量反演深度，且PCCs变量筛选方法与XGBoost机器学习算法的耦合模型精度最佳，建模集和验证集的R2分别为0.856、0.835，R2p/R2c为0.975，具有良好的鲁棒性。研究结果可为土壤含盐量的快速精确反演提供理论依据。

来源：2024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2024年第12期