关键词:
GF-5高光谱数据
土壤总氮
偏最小二乘回归法
反向神经网络
多元散射校正
机器学习
摘要:
[目的/意义]大范围快速检测土壤养分并实现基于GF-5影像对土壤总氮量精准填图。[方法]基于实测土壤光谱和GF-5星载高光谱数据,引入偏最小二乘回归(Partial Least Squares Regression,PLSR)、反向神经网络(Back Propagation Neural Network,BPNN)和以核函数Poly为驱动支持向量机(Support Vector Machine,SVM)的机器学习算法,构建3种土壤总氮(Total Nitrogen,TN)反演模型,并以十折交叉验证方法确定各模型的最优解。采用多元散射校正(Multiple Scattering Correction,MSC)获取的波段特征值使模型表现更佳。[结果和讨论]MSCPoly-SVM模型经测试集样本检验,其决定系数(R2)、均方根误差(Root Mean Squared Error,RMSE)和相对分析误差(Residual Prediction Deviation,RPD)分别是0.863、0.203和2.147。将该模型用于星载GF-5号影像数据进行土壤总氮含量的反演填图。由填图结果可见,黑龙江省富锦市建三江垦区86.1%的土地总氮量均在2.0 g/kg以上,土地氮含量以一等地块和二等地块为主,而三等地块和四等级地块仅占总面积的11.83%。研究区内土壤氮要素储备充足,总氮高背景值主要集中在中部靠近河流两岸、呈北东东向分布。本研究土壤总氮预测成图结果与前人1∶25万地球化学插值和航空高光谱影像(Compact Airborne Spectrographic Imager,CASI)和(Shortwave Infrared Airborne Spectrographic Imager,SASI)填图效果具有很好的一致性。[结论]研究表明星载GF-5高光谱数据在土壤全氮含量监测填图和可视化分析上具有极高的潜力,本研究提出方法可为今后大范围开展定量检测土壤养分状况以及合理施肥提供技术支撑。