| 基于无人机成像光谱技术的农田土壤养分估测及制图 |
| |
| 引用本文： | 杨晓宇,包妮沙,曹粤,刘善军.基于无人机成像光谱技术的农田土壤养分估测及制图[J].地理与地理信息科学,2021,37(5):38-45. |
| |
| 作者姓名： | 杨晓宇 包妮沙 曹粤 刘善军 |
| |
| 作者单位： | 东北大学资源与土木工程学院 ,辽宁 沈阳 110819;煤炭科学研究总院矿山大数据研究院/煤炭资源高效开采与洁净利用国家重点实验室 ,北京 100013;东北大学资源与土木工程学院 ,辽宁 沈阳 110819 |
| |
| 摘 要： | 成像光谱技术是精准农业中土壤理化特性快速获取和实时监测的重要技术支撑.该文以松辽平原农田土壤为研究对象,通过对比标准正态变量变换(SNV)、多元散射校正(MSC)、光谱一阶微分(FD)和二阶微分(SD)4种方法对无人机高光谱图像进行预处理,引入竞争自适应重加权采样—连续投影组合算法(CARS-SPA)进行特征波段筛选,然后利用粒子群算法(PSO)对极限学习机算法(ELM)进行改进,从而构建土壤有机质(SOM)和土壤全氮(STN)的高光谱反演模型.结果表明:4种预处理方法中MSC去噪效果最优,可有效降低散射效应噪声;CARS方法筛选出53个SOM、33个STN特征波段,进一步利用CARS-SPA筛选出24个SOM和22个STN特征波段,将SOM和STN的平均相对误差分别降低了12.3％ 和6.6％;利用PSO优化ELM的输入权值和阈值,有效弥补了极限学习机模型泛化性能低这一不足,将SOM和STN的平均相对误差分别降低了2.9％ 和3.2％,同时模型精度高于偏最小二乘回归(PLSR)和支持向量机(SVM);利用CARS-SPA筛选的特征波段建立的PSO-ELM模型效果最佳,其预测SOM的决定系数R2为0.73、相对分析误差RPD为1.91,预测STN的决定系数R2为0.63、相对分析误差RPD为1.53,将模型应用于高光谱图像,获取SOM和STN空间分布图,玉米种植区的SOM和STN均高于花生种植区.该研究可为无人机高光谱图像应用于田间尺度的土壤养分估测和数字制图提供参考.
|
| 关 键 词： | 无人机 高光谱图像 土壤养分估测 光谱去噪 光谱特征选择 |
Estimation and Mapping of Soil Nutrient in Farmland Based on UAV Imaging Spectrometry |
| |
| YANG Xiao-yu,BAO Ni-sha,CAO Yue,LIU Shan-jun.Estimation and Mapping of Soil Nutrient in Farmland Based on UAV Imaging Spectrometry[J].Geography and Geo-Information Science,2021,37(5):38-45. |
| |
| Authors: | YANG Xiao-yu BAO Ni-sha CAO Yue LIU Shan-jun |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
