Modelo de inversión del contenido de sal en suelo cubierto de alfalfa basado en una combinación de información espectral y de textura de UAV
Autores: Zhao, Wenju; Ma, Fangfang; Yu, Haiying; Li, Zhaozhao
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de inversión del contenido de sal en suelo cubierto de alfalfa basado en una combinación de información espectral y de textura de UAV
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Estudio
Información de textura
índice espectral
Salinidad del suelo
Modelo de inversión
Cobertura de alfalfa
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Este estudio tuvo como objetivo investigar cómo la combinación de información de textura e índice espectral afecta la precisión del modelo de inversión de salinidad del suelo. Tomando la Granja Bianwan en la Ciudad de Jiuquan, Provincia de Gansu, China como área de investigación, se recopilaron datos multiespectrales y datos de salinidad del suelo a profundidades de 0-15 cm, 15-30 cm y 30-50 cm en el área de muestreo bajo cobertura de alfalfa, y se obtuvieron reflectancia espectral y características de textura de una imagen multiespectral. Además, se introdujo la banda de borde rojo para mejorar el índice espectral, y se utilizó análisis de correlación gris para seleccionar características sensibles. Se construyeron cinco tipos de modelos de inversión de salinidad del suelo en suelos cubiertos de alfalfa basados en aprendizaje automático de bosque aleatorio (RF) y máquina de aprendizaje extremo (ELM), utilizando el índice de salinidad (SIs), índice de vegetación (VIs), índice de salinidad + índice de vegetación (SIs + VIs), índice de vegetación + característica de textura (VIs + TFs) e índice de vegetación + índice de textura (VIs + TIs). El coeficiente de determinación R, el error cuadrático medio (RMSE) y el error absoluto medio (MAE) se utilizaron para evaluar el rendimiento de cada modelo. Los resultados muestran que el modelo de VIs es más preciso que los modelos de SIs y SIs + VIs. La combinación de información de textura con VIs mejora la precisión de la inversión, y el modelo de VIs + TIs tiene el mejor efecto de inversión. Desde la perspectiva de la profundidad de inversión, el efecto de inversión para la salinidad del suelo de 0-15 cm fue significativamente mejor que para otras profundidades, y fue la mejor profundidad de inversión bajo la cobertura de alfalfa. El R promedio del modelo de RF fue un 10% más alto que el de ELM. El algoritmo de RF tiene una alta precisión y estabilidad de inversión y funciona mejor que ELM. Estos hallazgos pueden servir como base teórica para la inversión eficiente de la salinidad del suelo y la gestión de tierras salinas- alcalinas.
Descripción
Este estudio tuvo como objetivo investigar cómo la combinación de información de textura e índice espectral afecta la precisión del modelo de inversión de salinidad del suelo. Tomando la Granja Bianwan en la Ciudad de Jiuquan, Provincia de Gansu, China como área de investigación, se recopilaron datos multiespectrales y datos de salinidad del suelo a profundidades de 0-15 cm, 15-30 cm y 30-50 cm en el área de muestreo bajo cobertura de alfalfa, y se obtuvieron reflectancia espectral y características de textura de una imagen multiespectral. Además, se introdujo la banda de borde rojo para mejorar el índice espectral, y se utilizó análisis de correlación gris para seleccionar características sensibles. Se construyeron cinco tipos de modelos de inversión de salinidad del suelo en suelos cubiertos de alfalfa basados en aprendizaje automático de bosque aleatorio (RF) y máquina de aprendizaje extremo (ELM), utilizando el índice de salinidad (SIs), índice de vegetación (VIs), índice de salinidad + índice de vegetación (SIs + VIs), índice de vegetación + característica de textura (VIs + TFs) e índice de vegetación + índice de textura (VIs + TIs). El coeficiente de determinación R, el error cuadrático medio (RMSE) y el error absoluto medio (MAE) se utilizaron para evaluar el rendimiento de cada modelo. Los resultados muestran que el modelo de VIs es más preciso que los modelos de SIs y SIs + VIs. La combinación de información de textura con VIs mejora la precisión de la inversión, y el modelo de VIs + TIs tiene el mejor efecto de inversión. Desde la perspectiva de la profundidad de inversión, el efecto de inversión para la salinidad del suelo de 0-15 cm fue significativamente mejor que para otras profundidades, y fue la mejor profundidad de inversión bajo la cobertura de alfalfa. El R promedio del modelo de RF fue un 10% más alto que el de ELM. El algoritmo de RF tiene una alta precisión y estabilidad de inversión y funciona mejor que ELM. Estos hallazgos pueden servir como base teórica para la inversión eficiente de la salinidad del suelo y la gestión de tierras salinas- alcalinas.