基于无人机高光谱影像的黑土区玉米农田土壤有机质估算

作者：夏晨真; 姜艳艳; 张星宇; 沙野; 崔帅; 米国华; 高强; 张月^*

来源：光谱学与光谱分析, 2023, 43(08): 2617-2626.

• 无人机
• 高光谱
• 土壤有机质
• 多元逐步线性回归
• 机器学习

土壤有机质(SOM)作为土壤的重要组成部分，其含量高低能够反映土壤的肥力和质量状况。相较于传统SOM的测定方法，利用无人机高光谱影像可快速、精准获取田块尺度的SOM含量。为探究基于高光谱数据建立的线性和非线性模型对作物覆盖下土壤有机质估算精度的差异，以东北黑土区的玉米试验田为研究区，分别采集了拔节期和吐丝期的土壤样本及同时期无人机高光谱影像作为数据源，分析作物覆盖条件下土壤光谱反射率与有机质含量的相关关系，并根据其响应波段构建光谱指数。以施肥量和光谱指数作为自变量，通过特征变量的筛选分别建立多元逐步线性回归模型(SMLR)、支持向量机(SVM)、随机森林(RF)和eXtreme gradient boosting(XGBoost)模型，并验证比较各模型的精度(选用R2和RMSE为评价指标)。结果表明，作物覆盖条件下土壤有机质含量的响应波段为450～640 nm。多年长期施用化肥对SOM含量有着显著影响，将其作为协变量引入模型明显提高了对SOM的估算精度。4种模型检验精度的对比结果为：XGBoost>RF>SMLR>SVM,其中以拔节期XGBoost的估算结果最好(建模集和验证集的R2、 RMSE分别为0.516、 0.253和0.590、 0.222)。可以利用无人机高光谱技术快速估算田块尺度玉米农田的土壤有机质含量，且XGBoost模型是估算作物覆盖条件下土壤有机质含量的较优选择。

• 单位
  吉林农业大学; 中国农业大学