耦合无人机高光谱与机器学习的辣椒田土壤水分动态监测研究OA

【目的】基于无人机高光谱遥感和机器学习算法构建辣椒田土壤含水率动态反演模型。【方法】以贵州省典型山地的辣椒田为研究对象,基于田间小区试验,采集9期高光谱影像数据及地面土壤含水率样本,在筛选土壤含水率敏感光谱特征的基础上,结合光谱特征空间优化,采用机器学习构建辣椒田土壤含水率动态反演模型。【结果】以筛选得到的增强植被指数(EVI)、差值植被指数(DVI)、比值植被指数2(RVI2)及波段5(B5,400.878 nm)、波段128(B128,926.664 nm)等36个敏感波段作为反演模型的输入特征时,辣椒田土壤含水率反演效果最优;对比分析偏最小二乘回归(PLSR)、L2正则化回归(L2)、决策树(DT)、随机森林(RF)与类别提升(CatBoost)算法的反演表现,发现Cat Boost模型的反演精度最高,其测试集决定系数(R^(2))为0.758、均方根误差(RMSE)为2.897、平均绝对百分比误差(MAPE)为5.902%。【结论】筛选出对辣椒田土壤水分敏感的有效光谱特征组合,通过模型比选与精度评估验证了CatBoost模型的非线性拟合能力及对山地零散灌片辣椒田土壤水分动态反演的适用性。