融合多源遥感数据与机器学习的冬小麦拔节期土壤含水量估算研究
《Agronomy》:Estimation of Soil Water Content in Winter Wheat Field at Jointing Stage Using Multi-Source Features and Machine Learning
【字体:
大
中
小
】
时间:2026年10月22日
来源:Agronomy 4.1
摘要
对土壤含水量(SWC)的准确、及时监测在作物灌溉管理和智慧农业实践中起着重要的支撑作用。遥感技术为大规模农田土壤含水量的估算或反演提供了快速便捷的方法。然而,现有的机理建模方法受限于参数的地域性和本地地表异质性,而机器学习数据驱动方法则缺乏良好的物理可解释性。为解决单一数据驱动方法和单一植被微波散射模型的不足,并探究机器学习中不同特征变量的估算效果,本研究提出了一种结合机器学习策略和多源特征的估算模型,其中特征包括光谱指数以及基于经典水云模型(WCM)提取的特征。该模型的创新之处在于平衡了物理可解释性与数据驱动的准确性,即通过WCM提取相关的土壤后向散射参数,并将其作为机器学习的输入特征。在冬小麦拔节期同步获取了田间实测数据与无人机(UAV)多源遥感数据,包括多光谱数据和合成孔径雷达(SAR)数据。通过提取SAR微波后向散射系数和光学植被指数等变量,并开展特征筛选和参数敏感性分析,优化了基于反向传播(BP)神经网络、支持向量回归(SVR)和随机森林(RF)算法的模型输入变量集。研究结果表明,所建立的估算模型具有优异的估算性能,尤其是随机森林算法,其R2最高达0.855,平均绝对误差(MAE)最低为0.0212 cm3/cm3,均方根误差(RMSE)最低为0.0253 cm3/cm3。此外,不同特征输入方案对土壤含水量估算性能也有明显影响。总体而言,随机森林的估算精度最高,其次为支持向量回归,反向传播神经网络最低。本研究证明,融合多源遥感数据与机器学习的模型能够提升冬小麦田土壤含水量的估算能力,也可作为华北平原冬小麦田土壤含水量监测的潜在应用方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号