农业机械学报

作者：侯轶，张霞，郑海光，王一博，王为昊，肖青

单位：中国科学院空天信息创新研究院;中国科学院大学,中国科学院空天信息创新研究院,张家口市农业信息中心,中国科学院空天信息创新研究院;中国科学院大学,中国科学院空天信息创新研究院;中国科学院大学,中国科学院空天信息创新研究院,

关键词：土壤分类;光谱特征;机器学习;反射率光谱

基金：国家自然科学基金项目（42371360）和中国科学院战略性先导科技专项（XDA28080500）

土壤遥感分类对土壤快速调查及农业区划至关重要。针对单一类型光谱特征无法充分利用高光谱数据中丰富信息、土壤样本不平衡等问题，本文提出一种综合多种光谱特征与极端梯度提升算法（eXtreme gradient boosting，XGBoost）的土壤高光谱遥感分类方法。采用自适应合成过采样技术（Adaptive synthetic sampling，ADASYN）平衡土壤样本数量，提取光谱主成分、光谱吸收特征、有机质敏感波段及土壤质地敏感的光谱指数等4种光谱特征，并利用XGBoost算法构建土壤分类模型。将所建模型应用于我国北方暗棕壤、栗钙土、黑土和黑钙土4种典型土壤分类中。结果表明：与仅利用原始反射率光谱、光谱主成分以及光谱吸收特征相比，综合多特征的XGBoost模型分类精度分别提升22.22、20.44、9.25个百分点，表明综合多种光谱特征可显著增强土壤差异和可分性。XGBoost模型分类结果优于支持向量机（Support vector machine，SVM）和随机森林（Random forest，RF）机器学习模型，总体分类精度和Kappa系数分别达74.44%和0.62，其中黑钙土分类精度达87.18%。特征重要性排名前5的光谱特征分别为：1900nm处吸收谷深度（DP1900nm）、700nm附近吸收谷中心波长（L700nm）、700nm处吸收谷深度（DP700nm）、1340~1360nm去包络线斜率（S1340nm_1360nm）和1895nm的一阶微分（R′〖KG-*3〗1895nm），这些特征与土壤中粘土矿物、有机质含量及含水量密切相关。在4个土壤质地敏感光谱指数中，NDI665nm_490nm贡献率最高。研究结果可为土壤快速分类及精细制图提供参考。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期