基于多光谱与热红外的玉米农田土壤墒情反演方法OA

土壤墒情是调控作物生长发育与农田水分管理的关键因子,实现其空间分布的高精度、高效率监测对精准农业实践与水资源高效利用具有重要意义。本研究基于无人机多光谱与热红外平台,系统开展了玉米不同生育阶段及不同土层深度土壤水分的反演研究。通过提取多光谱影像中NDVI、EVI、GNDVI、SAVI在内的20种典型植被指数,并结合热红外数据衍生的冠层温度差(D)、归一化冠层温度指数(NRCT)、冠层相对温度差指数(CRTD)、温度比差指数(SRTD)及作物水分胁迫指数(CWSI),构建多源遥感特征集。采用RFE-XGBoost算法筛选各生育期的关键特征变量,进而构建随机森林(RF)、支持向量机(SVM)、极限学习机(ELM)、BP神经网络(BPNN)和XGBoost等机器学习模型,并引入鲸鱼优化算法(WOA)、粒子群算法(PSO)和布谷鸟搜索算法(CS)对模型超参数进行全局调优。结果表明,WOA-XGBoost模型在所有试验场景中均表现出最优的反演精度,尤其在苗期0~10 cm深度的土壤墒情反演中决定系数R2达到0.82。整体上,模型对浅层土壤水分的反演能力优于深层,且反演精度随生育期推进呈递减趋势,灌浆期表现相对最弱。实验结果表明,融合多光谱与热红外特征并耦合智能优化算法,可显著提升土壤墒情的反演精度,为实现作物根区水分精准监测提供了有效的技术途径。