土壤盐分机器学习反演模型科研进展.docx

农业科研新进展：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土壤是植物赖以生存的主要物质基础，可以给农作物提供生长中必要的水、肥、热、气，这主要是因为土壤的组成物质包括有机质、矿物质、土壤空气和土壤水分、微生物等等，矿物质是最基本的物质，能给植物提供多种养分。有机质不仅可以给植物提供养分,对改善土壤的团粒结构和理化性质以及供水、保水、稳温、通风等都有非常重要的作用。由于传统农业生产方式粗放，水肥用量或多或少存在过多过少的情况，造成了一定程度的土壤盐渍化、土壤板结等土壤问题。对此，山东科技大学联手滨州学院、青岛农业大学，跨测绘与空间信息与黄河三角洲生态环境等学院，针对黄河三角洲土壤盐渍化问题，基于地物高光谱和无人机多光谱技术展开了研究。研究以黄河三角洲典型区域为研究区，针对地表无植被覆盖条件下的土壤盐分含量情况，以无人机影像获取地物高光谱，和无人机多光谱两种样点土壤盐分含量数据，通过优选敏感光谱参量，使用偏最小二乘回归和随机森林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。波长nm结果表明：高光谱1972nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。两种不同数据源优化后的RF模型均优于P1SR,且稳定性更好。基于地物高光谱的RF模型(R2=0.54,RMSEV=3.30gkg)优于基于无人机多光谱的RF模型(R2=0.54,验证RMSRv=3.35g/kg)。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。该项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，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，为精确获取土壤详情提供了一种可能性。土壤作为农业之本，土壤问题不可忽视，感谢科研机构为农业作出的贡献，同时希望科研成果能早日学以致用，应用到农业生产中。