基于特征优选与机器学习的农田土壤含盐量估算研究.pdfVIP

2023年月农业机械学报第54卷第3期

doi:10.6041/j.issn.1000-1298.2023.03.033

基于特征优选与机器学习的农田土壤含盐量估算研究

崔家伟2.3李广1,2

韩文霆1.2崔欣12马伟童2.3

（1.西北农林科技大学机械与电子工程学院，陕西杨凌712100；

2.西北农林科技大学中国旱区节水农业研究院，陕西杨凌712100；

3.西北农林科技大学水利与建筑工程学院，陕西杨凌712100）

摘要：土壤盐渍化是影响农业可持续发展的重要制约因素，为准确及时地获取土壤中盐分含量，实现盐渍化精准监

测，以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象，探讨无人机多光谱遥感平台结合机器学习模

型估测不同深度土壤含盐量的可行性。首先，利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感

图像数据，并同步采集地面不同深度处土壤盐分数据，使用皮尔逊相关系数法（PCC）、极端梯度提升（XCBoost）和

灰色关联分析法（CRA）对构建的光谱指数进行优选；然后，采用决策树（DT）、反向传播神经网络（BPNN）、支持向

量机（SVM）和随机森林（RF）4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明，

使用方案3（XCBoost-CRA）变量优选方法可以有效地筛选出敏感光谱指数，且基于此方法优选后的光谱指数建立

含盐量估算模型的精度高于仅使用PCC或XCBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的

反演精度，可知随机森林RF模型整体表现最优，同时另外3种反演模型也取得了较好的预测效果，0~20cm土壤

深度处的预测效果是3个土壤深度中最优的，其中精度最高模型的决定系数R²、均方根误差（RMSE）和四分位数

间距性能比（RPIQ）分别为0.820、0.044%和2.273，且本文基于最佳反演模型绘制的0~20cm土壤盐分空间分布

图可以较为真实地反映研究区内的土壤盐渍化程度。本研究表明特征变量优选结合机器学习模型能够较好地基

于无人机遥感平台来估算覆被农田的土壤含盐量。

关键词：无人机遥感；盐分监测；光谱指数；变量筛选；预测模型

文献标识码：AOSID:

中图分类号：S127文章编号：1000-1298（2023）03-0328-10

EstimationofFarmlandSoilSalinityContentBasedonFeature

OptimizationandMachineLearningAlgorithms

12.2.32.31.2

HANWentingCUIJiawei?CUIXinl.2MAWeitongLIGuang

(1.CollegeofMechanicalandElectronicEngineering,NorthwestAFUniversity,Yangling,Shaanxi712100,China

2.InstituteofWater-savingAgricultureinAridRegionsofChina,NorthwestAFUniversity,Yangling,Shaanxi712100,China

3.CollegeofWaterResourcesandArchitecturalEngineering,NorthwestAF