Schätzung und Kartierung des Bodentexturgehalts basierend auf der hyperspektralen Bildgebung unbemannter Luftfahrzeuge

Jun 22, 2024

Scientific Reports Band 13, Artikelnummer: 14097 (2023) Diesen Artikel zitieren

Details zu den Metriken

Die Bodenbeschaffenheit ist eine der wichtigen physikalischen und natürlichen Eigenschaften des Bodens. Ein Großteil der aktuellen Forschung konzentriert sich auf die Überwachung der Bodentextur mithilfe nicht bildgebender geophysikalischer Spektrometer. Es gibt jedoch weniger Studien, die hyperspektrale Daten unbemannter Luftfahrzeuge (UAV) zur Überwachung der Bodentextur nutzen. UAV-montierte Hyperspektralkameras können verwendet werden, um schnell und genau hochauflösende räumliche Informationen über die Bodentextur zu erhalten. Es wurde der Grundstein für die Durchführung schneller Bodentexturuntersuchungen unter Verwendung unbemannter hyperspektraler Luftdaten ohne Feldbeprobung gelegt. Diese Studie wählte drei typische Ackerlandgebiete im Huangshui-Becken von Qinghai als Untersuchungsgebiet aus und es wurden insgesamt 296 Bodenproben gesammelt. Datenkalibrierung von UAV-Spektren unter Verwendung von Laborspektren und Feld-in-situ-Spektren, um die Machbarkeit der direkten Anwendung von Labor-Bodentexturmodellen auf Feldbedingungen zu untersuchen. Diese Ergebnisse zeigen, dass hyperspektrale UAV-Bilder in Kombination mit maschinellem Lernen eine Reihe idealer Verarbeitungsmethoden erzielen können. Durch die Vorverarbeitung der Spektraldaten können eine hohe Genauigkeit der Bodentexturschätzung und ein guter Kartierungseffekt erzielt werden. Die Ergebnisse dieser Studie können wirksame technische Unterstützung und Entscheidungshilfe für die zukünftige landwirtschaftliche Flächenplanung auf dem tibetischen Plateau bieten. Die Hauptinnovation dieser Studie besteht darin, eine Reihe von Verarbeitungsverfahren und -methoden zu etablieren, die auf UAV-Hyperspektralbilder anwendbar sind, um Datenreferenzen für die Überwachung der Bodentextur auf landwirtschaftlichen Feldern auf dem tibetischen Plateau bereitzustellen.

Die Bodenbeschaffenheit ist eine wichtige physikalische und natürliche Eigenschaft des Bodens. Es stellt die Kombination von Bodenpartikeln dar und steht in engem Zusammenhang mit der Durchlässigkeit der Bodenbelüftung sowie der Wasser- und Fruchtbarkeitsretention. Je nach Größe der Bodenpartikel kann die Bodentextur in Tonpartikel (< 0,002 mm), Schluffpartikel (0,002–0,05 mm) und Sandpartikel (0,05–2 mm) unterteilt werden1,2. Die Bodenbeschaffenheit hat einen erheblichen Einfluss auf die Struktur und Vielfalt der Bodenbakteriengemeinschaft und damit auf die Bodenfruchtbarkeit3. Es ist ein wichtiger Index im Bereich der Qualität von Kulturland und bei der Bewertung der Nutzpflanzeneignung4. Die Schätzung und Kartierung der räumlichen Verteilung der Bodentextur kann nicht nur die digitale Bodendatenbank bereichern und verbessern, sondern auch eine Grundlage und Datenunterstützung für die Forschung zur räumlichen Verteilung von Bodenattributen und zur landwirtschaftlichen Produktionsplanung bereitstellen5. Daher ist ein präzises landwirtschaftliches Management für die hochauflösende und hochpräzise Quantifizierung und Überwachung der räumlichen und zeitlichen Verteilungseigenschaften der Bodentextur auf der Feldebene dringend erforderlich.

Herkömmliche Methoden zur Messung der Bodentextur basieren auf Bodenproben vor Ort und chemischen Laboranalysen, die zeitaufwändig, mühsam und kostspielig sind und es schwierig machen, eine groß angelegte und mehrfrequente Überwachung des Bodentexturgehalts durchzuführen6,7. In den letzten Jahren wurde die sich schnell entwickelnde hyperspektrale Vision-Nahinfrarot-Technologie in großem Umfang bei der Schätzung des Bodentexturgehalts eingesetzt, um den Widerspruch zwischen der Nachfrage nach großen Datenmengen zur Bodentextur und den hohen Kosten zu beseitigen8. Abhängig von der spektralen Antwortbeziehung zwischen dem spektralen Reflexionsvermögen des Bodens und der Bodentextur haben viele Forscher die Bodenobjektspektrometrie verwendet, um die Hyperspektraltechnologie des Bodens als herkömmliches Mittel zur Quantifizierung der Bodentextur zu entwickeln9,10,11. Die auf einem Bodenobjektspektrometer basierende Bodentexturinversion liefert jedoch normalerweise punktförmige Daten mit geringer Dichte. Dies macht es schwierig, die Anforderungen einer schnellen Visualisierung der räumlichen Verteilung im Kontext der Präzisionslandwirtschaft zu erfüllen12. UAV-Plattformen zeichnen sich durch Mobilität und Flexibilität aus und wurden in den letzten Jahren häufig bei Landressourcen-Weltraumuntersuchungen eingesetzt13. Durch die organische Kombination von UAV und Hyperspektraltechnologie wurden die Überwachung des Vegetationswachstums, die genaue Klassifizierung und Identifizierung von Bodenobjekten, die Schädlingsüberwachung, die Produktions- und Ertragsschätzung sowie andere vielfältige Anwendungen durchgeführt. Allerdings haben relativ wenige Anwendungen diese Technologie zur Überwachung von Bodeneigenschaften, insbesondere der Bodentextur, genutzt14.

Der Großteil der aktuellen Forschung zur Kartierung von Bodentexturinhalten konzentriert sich auf Feldprobenentnahmen und die Erfassung von Bodenspektralinformationen mithilfe nicht bildgebender Spektrometer15. Die Kartierung des Bodentexturinhalts wurde schließlich mittels Interpolation durchgeführt. Mit der Entwicklung der UAV-Hyperspektraltechnologie ist es möglich, Bilder mit hoher räumlicher Auflösung und hoher spektraler Auflösung bereitzustellen, aus denen genauere Ergebnisse zur Kartierung des Bodentexturgehalts gewonnen werden können16. Daher werden in dieser Studie hyperspektrale UAV-Bilder zur Kartierung von Bodentexturinhalten verwendet.

Als neue Werkzeuge bieten UAVs die Vorteile von Tragbarkeit, hoher räumlicher Auflösung, hoher Flexibilität, unabhängiger Auswahl der Flugzeit und der Möglichkeit, eine Vielzahl von Spektralkameras zu transportieren17. Dadurch kann eine Fernerkundungsbilderfassung in einem bestimmten Bereich schnell und effizient erfolgen18. Ein UAV-Hyperspektralsystem ist ein wirksames Werkzeug zur Überwachung und Kartierung der räumlichen Verteilung von Bodentexturen. Die von UAV mitgeführte Hyperspektralkamera kann nicht nur Bilder mit ultrahoher räumlicher Auflösung, sondern auch zentimetergenaue Fernerkundungsbilder von Ackerland schnell und in Echtzeit erhalten19. Damit können sie landwirtschaftliche Betreiber effektiv bei der Betriebsführung und -regulierung unterstützen20. Selige et al.21 verwendeten hyperspektrale Flugbilder, um die räumliche Variabilität der Bodentextur und der organischen Substanz im Feld zu untersuchen, und stellten fest, dass die organische Substanz des Bodens und die Bodentextur mit den spektralen Eigenschaften des luftgestützten Spektrographen zusammenhängen. Die Modellierungsgenauigkeit R2 (R-Quadrat) erreichte 0,9. Aldana-Jague et al.22 verwendeten Multispektralkameras, die von einem kleinen UAV getragen wurden, und kombinierten sie mit einem Struktur-aus-Bewegungs-Algorithmus, um die SOC-Inversion von nacktem Ackerland an der Versuchsstation in Lausanne in England zu testen. Die organische Kombination von UAV-Plattformen und Bodenspektraldaten bietet weitreichende Aussichten für die Vorhersage des organischen Kohlenstoffs im Boden. Ge et al.23 verwendeten UAV-Hyperspektralbilder und kombinierten einen vorverarbeiteten Spektralindex mit dem Extreme Learning Machine (ELM)-Algorithmus, um ein hochpräzises Modell zur Schätzung des Bodenfeuchtigkeitsgehalts auf regionaler Ebene (R2 = 0,907) zu erhalten. UAVs in geringer Höhe, die mit Hyperspektralkameras zur Bilderfassung ausgestattet sind, können problemlos Multiband-Fernerkundungsdaten mit hoher räumlicher Auflösung vom sichtbaren Licht bis zum nahen Infrarot erhalten, um ein Gleichgewicht zwischen Kosten und Verfügbarkeit zu erreichen. Derzeit wird der Einsatz von UAV-Fernerkundungsbildern zur Untersuchung der Bodentextur im Feld relativ selten genutzt.

Die Erfassung hyperspektraler UAV-Daten in der Feldumgebung wird durch die Bodenfeuchtigkeit beeinflusst. Als einer der Hauptgründe für den Rückgang der Genauigkeit von Bodenattributschätzungen wurde die Bodenfeuchtigkeit identifiziert24. Bei der spektralen Schätzung der Bodentextur hat eine Änderung der Feuchtigkeit, die sich auf die Änderung des Bodentexturgehalts auswirkt, einen größeren Einfluss auf das Spektrum25,26. Daher ist es notwendig, die spektralen Auswirkungen der Bodenfeuchtigkeit und deren Entfernungsmethoden zu untersuchen. Es wurden mehrere Methoden vorgeschlagen, um die Vorhersagegenauigkeit von Bodeneigenschaften unter Feldbedingungen zu verbessern und den Einfluss der Bodenfeuchtigkeit auf die Vorhersage der Bodentextur mithilfe von Spektroskopie im sichtbaren und nahen Infrarot zu überwinden. Ji et al.27 führten Feld-In-situ- bzw. Indoor-Spektralmessungen von Reisböden in der Provinz Zhejiang durch. Die Genauigkeit R2 und die Erkennung wiederkehrender Muster (RPD) des Feld-in-situ-Modells der partiellen kleinsten Quadrate-Regression (PLSR), korrigiert durch die direkte Spektralkonvertierungsmethode (DS), stiegen von 0,25 auf 0,69 und von 0,35 auf 1,61. Die Ergebnisse haben gezeigt, dass DS den Einfluss von Wasser und Umweltfaktoren auf das Bodenspektrum wirksam eliminieren und die Vorhersagegenauigkeit der Bodentextur verbessern kann. Hu et al.28 wendeten direkte und stückweise direkte Standardisierung, allgemeine Gewichtung nach der Methode der kleinsten Quadrate und orthogonale Signalkorrektur an, um Bodenwasser aus hyperspektralen Feldern zu eliminieren. Die Ergebnisse zeigten, dass die Korrekturergebnisse der direkten Standardisierung am genauesten waren. Minasny et al.29 untersuchten die Auswirkung der Eliminierung einer bestimmten Menge an Bodenfeuchtigkeit auf die hyperspektrale Schätzung des organischen Kohlenstoffs anhand eines Laborwasserdesigns für Böden im Süden von New South Wales, Australien. Dor et al.30 standardisierten und korrigierten Bodenspektraldaten, die unter verschiedenen Bodenwasserumgebungen mithilfe eines internen Bodenstandards in Australien gewonnen wurden, und verbesserten so die Vergleichbarkeit und Übertragbarkeit verschiedener Spektraldaten. Derzeit wird die Universitätsmethode jedoch hauptsächlich auf Feldspektraldaten angewendet, die auf der Grundlage des Bodenobjektspektrometers der Analytical Spectral Devices (ASD)-Serie gewonnen wurden. Bisher gab es keine Untersuchungen zur Korrektur der vom hochauflösenden UAV-Spektrometer erhaltenen Spektraldaten. Studien zum Einfluss der Bodenfeuchtigkeit auf die spektrale Schätzung der Gehalte an Bodenattributen basierten hauptsächlich auf dem Wassertestdesign von luftgetrockneten Bodenproben in Innenräumen. Bei der Kontrolle des Bodenfeuchtigkeitsgehalts mangelt es an der realen Situation eines ungestörten Bodens und einer eingehenden Analyse, und die Praktikabilität und Anwendbarkeit von Beseitigungsmethoden ist begrenzt. Daher ist es notwendig, die Entfernung von Bodenfeuchtigkeitsfaktoren zu untersuchen und die Bodentextur quantitativ zu erfassen. Die Lösung des Problems, dass Feuchtigkeit die Umkehrgenauigkeit der Bodentextur beeinflusst, ist auch hilfreich für den kollaborativen Betrieb von Spektrometern und landwirtschaftlichen Maschinen, um die Online-Erkennung des Bodentexturgehalts durch intelligente landwirtschaftliche Maschinen zu realisieren.

Basierend auf den Bilddaten, die vom auf der UAV-Plattform montierten Hyperspektralsensor erhalten wurden, testete diese Studie daher die Anwendbarkeit der vom UAV bereitgestellten hochauflösenden Spektraldaten zur Umkehrung des Bodentexturgehalts in drei typischen Ackerlandgebieten des Huangshui-Wassereinzugsgebiets in Qinghai Provinz. UAV-Daten wurden durch Kalibrierung von Labor- und Feld-In-situ-Daten korrigiert. Durchführung der ersten Erkundung von der spektralen Inversionsmodellierung der Bodentextur im Labor bis hin zu Feldanwendungen. Einrichtung eines schnellen, genauen und detaillierten technischen Systems zur Beurteilung räumlicher und zeitlicher Veränderungen der Bodentextur auf landwirtschaftlichen Flächen.

Forschungsinnovation: (1) Festlegung einer Reihe von Verarbeitungsverfahren und -methoden, die auf UAV-Hyperspektralbilder anwendbar sind; (2) die Wirksamkeit verschiedener spektraler Vorverarbeitungsmethoden bei der Extraktion geeigneter Merkmalsinformationen für die Bodentexturinversion bewerten; (3) Analyse der räumlichen Verteilungseigenschaften der Bodentextur, die durch verschiedene Algorithmen des maschinellen Lernens geschätzt wurden, mit dem Ziel, Datenreferenzen für die Überwachung des Bodentexturgehalts in Ackerland und die Entwicklung des agrarökologischen Gleichgewichts im Qinghai-Tibetischen Plateau bereitzustellen. Entwicklung.

Das Untersuchungsgebiet befand sich im Huangshui-Wassereinzugsgebiet, Provinz Qinghai, China (36° 02′–37° 28′ N, 100° 42′–103° 04′ E; Abb. 1), das Teil der Übergangszone von ist Löss-Plateau zum Qinghai-Tibet-Plateau. Das gesamte Gelände ist im Nordwesten hoch, im Südosten niedrig, von Osten nach Westen lang und von Norden nach Süden schmal. Die Höhenlage lag zwischen 1655 und 4860 m. Die Bodentypen waren Kastanien-, Schwarzerde-, Kalkasche- und Almwiesenböden. Das Plateauklima war ein trockenes, halbtrockenes Kontinentalklima mit langer Sonnenscheindauer und nächtlichen und täglichen Temperaturunterschieden. Als Forschungsobjekte wurden drei Ackerlandflächen im Huangshui-Wassereinzugsgebiet ausgewählt. Ackerland A mit einer Fläche von 2 ha (200 m × 100 m) befand sich in der Nanmen-Schlucht von Huzhu, China, und der Bodentyp war Tschernozem. Das Ackerland befand sich in Zhuozhatan, Huzhu, mit einer Fläche von 4 ha (400 × 100 m) und der Bodentyp war Tschernozem. Das Ackerland befand sich in Huangzhong mit einer Fläche von 3,36 ha (240 × 140 m) und der Bodentyp war Kastanie.

Verteilungskarte der Probenahmestellen.

Das technische Flussdiagramm dieser Studie ist in Abb. 2 dargestellt. Am 21. September 2021, 23.–25. März 2022 und März wurden insgesamt 66, 126 und 104 Bodenproben aus den Ackerlandgebieten A, B und C entnommen 27–28, 2022 (Abb. 1). Die Oberfläche von 0–20 cm des Bodens wurde mithilfe einer Fünf-Punkte-Probenahmemethode entnommen und die Bodenproben nacheinander in versiegelte Beutel verpackt und nummeriert. Für die Feldspektralerfassung wurde ein amerikanisches FieldSpec4-Bodenmerkmalsspektrometer (350–2500 nm) verwendet. Die Aufnahmezeit betrug 11:00–15:30 Uhr bei wolkenlosem Himmel und Windstärken von weniger als 3. Vor der Spektrumerfassung wurden die Ablagerungen auf der Bodenoberfläche gereinigt, die Bodenoberfläche organisiert und nivelliert und der Glasfasergriff vertikal platziert ca. 15 cm über dem Boden. Für jeden Probenpunkt wurden fünf Spektren aus den vier Richtungen Ost, West, Norden und Süden gesammelt, und das arithmetische Mittel der 20 Spektren wurde als Feld-In-situ-Spektraldaten für den Probenpunkt verwendet.

Technik-Flussdiagramm.

Unter Verwendung des M600 Pro UAV von DJI als Plattform werden die Hyperspektralkameras Resonon Pika L Vis-Near (400–1000 nm Modell: Resonon Pika L) und NIR (Nahinfrarotspektrum 900–1700 nm Modell: Pika NIR-640 Resonon PIKA Us) verwendet ( Abb. 3). Am 21. September 2021, 23. März 2022 und 27. März 2022 wurden jeweils hyperspektrale Bilder im Flug in den Ackerlandgebieten A, B und C aufgenommen. Die Flugzeit betrug 11:00–15:30 Uhr, das Wetter war klar und wolkenlos, der Wind wehte weniger als drei Grad, die Flughöhe betrug 150 m und die Geschwindigkeit betrug 4,3 m/s.

Hyperspektralkameras, Feldarbeit und vorverarbeitete Hyperspektralbilder.

Zur Vorverarbeitung wurde der Flugweg des UAV in der Sbgcenter-Software angezeigt und die Flugwegdaten exportiert. Anschließend wurde die Omap-Software verwendet, um die Grenzen der exportierten Flugroutendaten zu segmentieren und ungültige Routen zu entfernen. Die Software der Airline Division wurde verwendet, um das Hyperspektralbild entsprechend den Bedingungen der Fluggesellschaft vorzuschneiden und so ein vollständiges Hyperspektralbild zu erhalten. Mit der MegaCube-Software wurden am Schnittbild eine radiometrische Kalibrierung und eine atmosphärische Korrektur durchgeführt. Das korrigierte Bild wurde dann zur geografischen Registrierung in die ArcGIS-Software importiert. Als Referenzdaten dienten die vom UAV gelieferte Remote Procedure Call-Datei und die erstellte orthografische Basiskarte. Nach der Registrierung wurden die Bilder mit der ENVI-Software zusammengefügt. Mithilfe der MegaCube-Software wurde ein Bild-Hyperwürfel erstellt, der dann in ein hyperspektrales Bild umgewandelt wurde. Daher wurden vorverarbeitete Vis-Near- und NIR-Bilder erhalten (Abb. 3). Die Koordinaten der tatsächlichen Probenahmepunkte wurden in das Hyperspektralbild importiert, um die UAV-Spektralreflexionsdaten aller Probenahmepunkte zu erhalten, und verrauschte Bänder (975–1033 nm und 1323–1479 nm) wurden entfernt.

Bodenproben werden im Labor auf natürliche Weise luftgetrocknet, von Verunreinigungen befreit und anschließend gemahlen und gesiebt. Wiegen Sie 0,5 g Probe in ein kleines Becherglas, geben Sie 10 ml 10 %iges H2O2 hinzu, erhitzen Sie und rühren Sie um, um zu reagieren und organische Stoffe zu entfernen. Dann wurden 10 ml 10 %ige HCl zugegeben, erhitzt und gerührt, um Carbonate zu entfernen. Nehmen Sie das Becherglas heraus und lassen Sie es 24 Stunden lang abkühlen. Entfernen Sie den Überstand und geben Sie eine entsprechende Menge (NaPO3)6 hinzu. Gut umrühren und mit dem Laser-Partikelgrößenanalysator Master Sizer 2000 den Texturgehalt der Probe bestimmen.

Für die Laborspektrumerfassung wurde das American FieldSpec4-Bodenmerkmalsspektrometer (350–2500 nm) verwendet. Die Bodenprobe wurde in einen schwarzen Behälter mit einem Durchmesser von 10 cm und einer Tiefe von 1,5 cm gegeben. Die unterstützende High-Density-Reflexionssonde wurde verwendet, um das Spektrum nahe an der Bodenprobe zu messen. An jedem Probenpunkt wurden 20 Spektren gemessen.

Da sich der Wellenlängenbereich und die spektrale Auflösung der mit dem FieldSpec 4-Bodenobjektspektrometer ASD (Analytical Spectral Devices) gemessenen Bodenspektraldaten von den Hyperspektraldaten des UAV unterschieden, wurden zur Wahrung der Konsistenz des Spektraldatenbereichs Labor- und Feldspektraldaten erneut abgetastet und Nur das Spektralband mit dem gleichen Spektrum wie das UAV-Spektrum wurde beibehalten. Drei Vorbehandlungsmethoden: SG + FDR (Savitzky-Golay + erste Ableitungsreflexion), SG + MSC + FDR (Savitzky-Golay + multiplikative Streuungskorrektur + erste Ableitungsreflexion) und MSC + MF + FDR (multiplikative Streuungskorrektur + Medianfilter + erste). Derivative Reflectance) wurden jeweils zur Vorbehandlung der drei Spektren verwendet. Die Vorbehandlungsmethoden und -formeln sind in Tabelle 1 aufgeführt.

Die direkte Spektrumumwandlung (DS) kann den Einfluss der Bodenfeuchtigkeit auf das UAV-Spektrum charakterisieren, indem das Änderungsgesetz zwischen Laborspektrum und UAV-Spektrum gemessen wird. Die DS-Konvertierung hat eine Beziehung, wie in Gleichung gezeigt. (1).

Dabei sind \({X}_{L(m\times p)}\) die Laborspektraldaten der umgewandelten Proben, \(m\) die Anzahl der umgewandelten Proben und die Kennard-Stone-Methode wird zur Auswahl verwendet Die am besten geeignete Anzahl konvertierter Abtastwerte und \(p\) ist die Anzahl der Spektralbänder. \({X}_{U(m\times p)}\) sind die UAV-Spektraldaten der konvertierten Probe, \(B\) ist die Transformationsmatrix, die die Differenz zwischen \({X}_{L( m\times p)}\) und \({X}_{U(m\times p)}\); \(k{d}_{s}^{t}\) ist die Restmatrix, die zur Korrektur der Basislinienabweichung verwendet wird, die durch den Unterschied zwischen dem UAV-Spektrum und dem Laborspektrum verursacht wird. Dies war die Kalibrierung des UAV-Spektrums anhand des Laborspektrums. Wenn das UAV-Spektrum durch das Feld-in-situ-Spektrum korrigiert werden muss, wird der Unterschied zwischen dem Feld-in-situ-Spektrum und dem UAV-Spektrum analysiert und eine funktionale Beziehung hergestellt, um die spektrale Korrektur zu realisieren.

Zur Verbesserung der Genauigkeit der UAV-Spektralmodellierung wurde eine optimale Spektralkorrekturmethode ermittelt. In dieser Studie wurde Feld-in-situ-Spektroskopie zur Kalibrierung, Feld-in-situ-Spektroskopie, Laborspektroskopie zur Überlagerungskalibrierung und Laborspektroskopie zur Kalibrierung verwendet. Die Modellierungsgenauigkeiten dieser drei Korrekturmethoden wurden verglichen und die am besten geeignete Korrekturmethode für nachfolgende Analysen verwendet.

Zur Eliminierung inhaltlicher und spektraler Ausreißer der Proben wurden Methoden der linearen Analyse und der Hauptkomponentenanalyse eingesetzt. Siebzehn Proben wurden ausgeschlossen, sodass 279 Proben übrig blieben. Die Konzentrationsgradientenmethode wurde verwendet, um den Texturgehalt von niedrig nach hoch einzustufen, und die Modellierungs- (186) und Verifizierungsprobensätze (93) wurden im Verhältnis 2:1 bestimmt. Zur Modellierung wurden PLSR (partielle Regression der kleinsten Quadrate), RF (Random Forest) und XGBoost (extreme Gradient Boosting) verwendet. Mit PLSR, einer klassischen Modellierungsmethode, kann eine detaillierte Analyse von Spektraldaten durchgeführt werden. Der Schlüssel zu diesem Modell liegt in der Bestimmung der optimalen Anzahl von Hauptkomponenten im Regressionsmodell, die mithilfe der Leave-One-Kreuzvalidierungsmethode ermittelt wird. Der PLSR-Algorithmus ist in der R-Software implementiert. RF kann effektive Entscheidungen treffen, indem es einen Regressionsbaum erstellt, der eine hohe Stabilität, eine starke Antirauschfähigkeit und eine starke Datenanpassungsfähigkeit aufweist und nicht leicht zu einer Überanpassung führen kann. Der RF-Algorithmus ist in der R-Software implementiert. XGBoost ist ein integriertes Lernmodell, das auf Entscheidungsbaumlernen basiert, mit nichtlinearen Problemen umgehen kann und eine hohe Trainingseffizienz aufweist. Das Modell lässt sich gut erklären, indem man die Wichtigkeit der Merkmale in eine Rangfolge bringt. Der XGBoost-Algorithmus ist in der Python-Software implementiert.

Die Genauigkeit jedes Modells wurde anhand von \({R}^{2}\), dem quadratischen Mittelfehler (RMSE), dem relativen Analysefehler (RPD) und dem Quartilfehler (RPIQ) bewertet. Je näher \({R}^{2}\) an 1 liegt, desto höher ist die Genauigkeit des Modells. Je näher der RMSE bei 0 liegt, desto stärker ist die Vorhersagefähigkeit des Modells. Wenn RPD < 1,4 ist, verfügt das Modell über keine Schätzfähigkeit. Wenn 1,4 ≤ RPD < 2, kann das Modell eine Näherungsschätzung durchführen. Wenn RPD ≥ 2 ist, kann das Modell eine genauere Schätzung durchführen. Wenn RPIQ < 1,7 ist, kann das Modell die Stichproben nicht vorhersagen. Wenn 1,7 ≤ RPIQ < 2,5, kann das Modell eine ungefähre Schätzung durchführen. Wenn RPIQ ≥ 2,5 ist, verfügt das Modell über eine starke Vorhersagefähigkeit.

Die Ergebnisse der Bestimmung des Texturgehalts der Bodenproben sind in Abb. 4 dargestellt. Die Gehalte an Sand, Schluff und Ton lagen im Bereich von 97,87 bis 51,76 %, 2,1 bis 44,79 % bzw. 1,54 bis 10,13 %, mit einem durchschnittlichen Gehalt von 74,55 %, 20,15 % und 5,39 %. Dies deutete darauf hin, dass die Bodenbeschaffenheit im Untersuchungsgebiet hauptsächlich aus Lehm bestand. Die Standardabweichung und der Variationskoeffizient von Sand, Schluff und Ton lagen zwischen 1,59 und 7,96 und zwischen 9,68 und 39,5 %, was einer mittleren Variation entspricht. Die Schiefe und Kurtosis lagen im Bereich von –0,13 bis 0,25 und von –0,63 bis –0,16, was darauf hindeutet, dass der Bodentexturgehalt im Untersuchungsgebiet die Anforderung einer Normalverteilung erfüllte.

Beschreibende Statistik der Bodentextur. SD: Standardabweichung, CV: Variationskoeffizient.

Abbildung 5 zeigt die Sand-, Schluff- und Tongehalte aller Bodenproben, aufgeteilt in fünf Klassen in aufsteigender Reihenfolge. Die Reflexionskurven des Laborspektrums, des Feld-In-situ-Spektrums und des UAV-Spektrums wurden entsprechend dem durchschnittlichen Reflexionsgrad jeder Klasse ermittelt. Die Gesamttrends der drei Spektralkurven für die unterschiedlichen Bodentexturgehalte waren konsistent. Das spektrale Reflexionsvermögen nimmt mit zunehmendem Sand- und Tongehalt ab, was eine negative Korrelation zeigt, und nimmt mit zunehmendem Schluffgehalt zu, was eine positive Korrelation zeigt. Der Reflexionswert des Laborspektrums war höher als der des Feld-in-situ-Spektrums und des gesamten UAV-Spektrums. Die drei Spektren zeigten den gleichen Trend und der Reflexionswert nahm mit zunehmender Wellenlänge zu.

Spektrale Reflexionseigenschaften verschiedener Bodentexturinhalte.

Das vorbehandelte Laborspektrum, das Feld-in-situ-Spektrum und die UAV-Spektrumskurven sind in Abb. 6 dargestellt. Nach der SG + FDR-Transformation der drei Originalspektren R ändert sich das Reflexionsvermögen der Spektralkurven, der Reflexionswert nimmt ab, das Spektral Die Eigenschaften werden verbessert und die Anzahl der Absorptionspeaks nimmt zu. Dies weist darauf hin, dass die SG + FDR-Transformation die detaillierten Eigenschaften der Spektralkurven hervorheben kann. Nach der SG + MSC + FDR-Transformation des ursprünglichen Spektrums R (Reflexion) war die Spektralkurve relativ konzentriert. Der Absorptionspeak war ausgeprägter als der des ursprünglichen Spektrums R. Nach der MSC + MF + FDR-Transformation des ursprünglichen Spektrums R erscheint das spektrale Kreuzphänomen im Nahinfrarotband, was darauf hinweist, dass diese Vorbehandlungsmethode den Gradunterschied von abschwächt Die Spektralkurven verstärken die Spektralmerkmale, verstärken den Unterschied zwischen den Spitzen und Tälern der Spektralkurve und vergrößern den Unterschied in der Breite des Absorptionspeaks.

Originalspektrum und spektrale Eigenschaften nach der Vorbehandlung.

Es wurde eine Korrelationsanalyse zwischen dem Laborspektrum, dem Feld-in-situ-Spektrum, dem UAV-Spektrum und dem Bodentexturgehalt durchgeführt (Abb. 7). Die Korrelationsschwankung des Laborspektrums war am geringsten, gefolgt von den Feld-in-situ- und UAV-Spektren. Die Korrelation zwischen dem Laborspektrum und dem Feld-in-situ-Spektrum und dem Sand- und Tongehalt nahm im Allgemeinen zunächst zu und dann ab, und die Korrelation mit dem Schlickgehalt nahm zunächst ab und nahm dann zu. Die Korrelation zwischen dem UAV-Spektrum und der Bodentextur schwankte bei etwa 0.

Hyperspektrale Korrelation mit der Bodentextur.

Charakteristische Bänder, die dem Sand-, Schluff- und Tongehalt entsprechen, wurden aus den Labor-, Feld-in-situ- und UAV-Spektren extrahiert (Abb. 8). Insgesamt konzentrierten sich die charakteristischen Banden der drei Spektren hauptsächlich im NIR-Band (1000–1700 nm), während die charakteristischen Banden im sichtbaren Band (400–1000 nm) niedriger waren. Unter den vier Spektraltransformationsmethoden war die Anzahl der durch R + MSC + MF + FDR ausgewählten charakteristischen Bänder am größten, gefolgt von R + SG + MSC + FDR und R + SG + FDR. Die Anzahl der durch das ursprüngliche Spektrum R ausgewählten charakteristischen Bänder war am geringsten und lag zwischen 42 und 65.

Feature-Band-Verteilungskarte.

Die PLSR-, RF- und Es gibt das gleiche Muster der Veränderung. Für die Laborspektroskopie ist PLSR nahezu nicht in der Lage, Sand vorherzusagen, RF hat die Fähigkeit, Sand grob abzuschätzen, und XGBoost hat eine bessere Fähigkeit, Sand abzuschätzen. In den Feld-in-situ-Spektren kann PLSR durch keine der Transformationen geschätzt werden, mit Ausnahme von R + MSC + MF + FDR, mit dem Sand (RPD = 1,416) grob geschätzt werden kann. In der UAV-Spektroskopie nimmt die Gesamtgenauigkeit der drei Modellierungsmethoden erneut ab, wobei weder PLSR noch RF über Schätzfähigkeiten verfügen und XGBoost nur teilweise bessere Ergebnisse liefert.

Unter den drei Spektralmodellierungsergebnissen war die Modellierungsgenauigkeit des Laborspektrums am höchsten, gefolgt von der des Feld-in-situ-Spektrums, und die Modellierungsgenauigkeit des UAV-Spektrums war am niedrigsten. Unter den drei Modellierungsmethoden wies XGBoost die höchste Modellierungsgenauigkeit auf, gefolgt von RF, während PLSR die niedrigste aufwies. Unter den vier Transformationsmethoden ist die Modellierungsgenauigkeit von R + MSC + MF + FDR insgesamt am höchsten, gefolgt von R + SG + MSC + FDR und R + SG + FDR, und die Modellierungsgenauigkeit des Originalspektrums R ist am niedrigsten. Unter den Modellierungsergebnissen für den Sand-, Schluff- und Tongehalt des Bodens wies Ton die höchste Gesamtmodellierungsgenauigkeit auf, gefolgt von Schluff und Sand.

Feld-in-situ-Spektren und Laborspektren wurden als Referenzspektren zur Kalibrierung des UAV-Spektrums verwendet. Die korrigierten Ergebnisse sind in Abb. 9 dargestellt. Das korrigierte Spektrum in Abbildung (a) ähnelt dem Feld-in-situ-Spektrum, ist jedoch spektral Das Reflexionsvermögen ist niedriger als das Laborspektrum. (b) Die Differenz zwischen den Maximal- und Minimalwerten des korrigierten Spektrums nahm zu, was die Differenzeigenschaften der Spektralkurve vergrößerte, was darauf hindeutet, dass es sich um einen kumulativen Fehler handelt, der durch die Überlagerungskorrektur verursacht wird. (c) Das korrigierte Spektrum in der Abbildung ähnelt dem Laborspektrum und der Reflexionsunterschied zwischen den maximalen und minimalen Spektralwerten wurde verringert, was darauf hinweist, dass das Laborspektrum den stärksten Korrektureffekt auf das UAV-Spektrum hat.

Vergleich der UAV-Spektralkorrektur.

Um die Korrektureffekte dieser drei Methoden weiter zu verifizieren, wurden die drei Arten korrigierter Spektren mit R + MSC + MF + FDR vorbehandelt und die Schluff- und Tongehalte wurden einzeln einer XGBoost-Modellierung unterzogen. Die Modellierungsergebnisse sind in Abb. 10 dargestellt. Die Gesamtgenauigkeit der Labor-Spektrumkorrektur war am höchsten, die Genauigkeit des Feld-in-situ-Spektrums und der Labor-Spektrum-Überlagerungskorrektur war an zweiter Stelle und die Genauigkeit der Feld-in-situ-Spektrumkorrektur am höchsten am niedrigsten.

Spektralmodellierungs-Streudiagramm nach jeder Korrektur.

Da das mit einem Spektrum von 400–1700 nm erstellte Modell nicht für ein einphasiges Mechanismusdiagramm verwendet werden kann, wurde R + MSC + MF + FDR für die Spektraldaten der Kamera im sichtbaren Nahbereich und der NIR-Kamera separat vorverarbeitet und nach Korrektur mit Im Laborspektrum wurde es für die XGBoost-Modellierung mit Sand-, Schluff- und Tonanteil nacheinander verwendet. Die Modellierungsergebnisse sind in Abb. 11 dargestellt. Die von vis-Near erstellten Modelle mit Sand-, Schluff- und Tonanteil waren nicht abschätzbar (RPD < 1,4). Die mithilfe von NIR und Sand-, Schluff- und Tongehalt erstellten Modelle können geschätzt werden (RPD > 1,4).

Modellierung des Streudiagramms von Vis-Near- und NIR-Spektren.

Die Bodentextur (Sand, Schluff und Ton) wurde in dieser Studie wie folgt kartiert. Zunächst wurden die tatsächlichen Probenahmepunkte im Feld in die UAV-Hyperspektralbilder importiert und die entsprechenden UAV-Hyperspektraldaten für jeden Probenahmepunkt extrahiert. Zweitens wurde eine XGBoost-Modellierung auf der Grundlage hyperspektraler UAV-Daten durchgeführt, um Regressionsgleichungen für die Bodentextur (Sand, Schluff und Ton) im Vergleich zu den Spektralbändern für jede Ackerlandzone zu erstellen. Schließlich wurde die Kartierung der Bodentextur (Sand, Schluff und Ton) durchgeführt, indem die Regressionsgleichungen in die hyperspektralen UAV-Bilder im Bandrechner der ENVI-Software eingesetzt wurden. Bei der Kartierung der Bodentextur (Sand, Schluff und Ton) sind die für die drei Komponenten verwendeten geostatistischen Modelle allesamt sphärische Modelle.

In der ENVI-Software wurde die im vorherigen Schritt erstellte Modellformel in die von der NIR-Kamera aufgenommenen Hyperspektralbilder eingesetzt, um eine Kartierung des Sand-, Schluff- und Tongehalts durchzuführen, und es wurden die Kartierungsergebnisse der drei landwirtschaftlichen Flächen erhalten (Abb. 12). ). In den Kartierungsergebnissen des Sandgehalts war Grad IV der Hauptsandgehalt in Ackerland A und B und Grad III der Hauptsandgehalt in Ackerland C. In den kartografischen Ergebnissen des Schlickgehalts hatten die Feldbezirke A und B hauptsächlich Grad II, wohingegen Field District C hauptsächlich Grad IV hatte. In den Kartierungsergebnissen war der Tongehalt hauptsächlich Grad III in den Ackerlandgebieten A, III und IV im Ackerlandgebiet B und Grad II im Ackerlandgebiet C.

Ergebnisse der Bodentexturkartierung.

Auf den Kartierungsergebnissen wurden Inhaltsstatistiken durchgeführt, um die Fläche und den Prozentsatz jeder Klasse sowie den durchschnittlichen Inhaltswert jeder Ackerlandfläche zu ermitteln (Tabelle 5). In der Statistik zum Sandgehalt war der durchschnittliche Sandgehalt in Ackerland A am höchsten (80,15 %), gefolgt von dem von Ackerland B (77,03 %) und dem von Ackerland C (67,71 %). In der Schlammgehaltsstatistik war der durchschnittliche Gehalt von Feld C am höchsten (28,47 %), gefolgt von Feld B (16,64 %) und Feld A hat den niedrigsten (13,79 %). In der Statistik zum Tongehalt ist der durchschnittliche Tongehalt in Ackerland B am höchsten (6,33 %), gefolgt von Ackerland A (6,06 %) und Ackerland C (3,82 %).

Basierend auf vier Spektraltransformationen, drei Modellierungsmethoden und drei Arten von Spektren wurden Bodentexturinversionsmodelle für Sand, Schluff und Ton erstellt. Es wurde festgestellt, dass geeignete Modellregressionsmethoden auf der Grundlage der UAV-Fernerkundung zur quantitativen Umkehrung des Bodentexturgehalts verwendet werden können, was mit der Forschung von Gholizadeh et al.31 übereinstimmt.

Yang et al.32 zeigten, dass die Anwendung von maschinellem Lernen für die Spektralmodellierung und Bodenkartierung ein idealeres Spektralmodellierungsschema lieferte, das die Vorhersagegenauigkeit und Robustheit des Schätzmodells erheblich verbesserte. Ye et al.33 weisen darauf hin, dass integriertes Lernen als wichtiger Bereich des maschinellen Lernens in der maschinellen Lern- und Data-Mining-Forschung große Aufmerksamkeit erhalten hat. Es gibt eine Menge Bodenmodellierung und -kartierung, die durch Deep Learning repräsentiert wird, es gibt jedoch weniger Forschung zur Bodenkartierung mit integrierten Lernalgorithmen34. Daher wird in dieser Studie versucht, die Bodentextur von UAV-Hyperspektralbildern mithilfe von integriertem Lernen abzubilden.

Die PLSR-Methode hatte eine relativ geringe Fähigkeit, mit Nichtlinearität umzugehen, und war anfällig für Zufälligkeiten, die sich auf die nichtlineare Beziehung zwischen Bodentextur und spektralem Reflexionsvermögen auswirkten, was zu einem schlechteren Modellierungseffekt als die RF-Methode führte. Dies stand im Einklang mit den Ergebnissen von Chagas et al.35 Chagas nutzte die RF- und PLSR-Modelle, um die räumliche Verteilung der Bodentextur in semiariden Gebieten vorherzusagen, und stellte fest, dass das RF-Modell eine höhere Genauigkeit aufwies. Im Vergleich zum herkömmlichen Regressionsmodell verfügt das in dieser Studie vorgestellte XGBoost-Regressionsalgorithmusmodell über eine starke Lernfähigkeit, die Fähigkeit, die meisten nichtlinearen Beziehungen anzunähern, eine starke Generalisierungsfähigkeit, eine starke Robustheit und Fehlertoleranz und kann nichtlineare und hochdimensionale Probleme effektiv behandeln um eine lokale Optimierung zu erreichen. Im Allgemeinen war dies effektiver als das traditionelle Regressionsmodell36,37. Ge et al.38 verwendeten UAV-Hyperspektralbilder, um den Feuchtigkeitsgehalt des landwirtschaftlichen Bodens vorherzusagen, indem sie die XGBoost- und RF-Modellierungsmethoden in Kombination mit dem Spektralindex der Bodenfeuchtigkeit verglichen. Die Ergebnisse zeigten, dass das XGBoost-Modell mit R2 von 0,926 und einem RPD-Wert von 2,556 den stärksten Einfluss auf die Schätzung des Bodenfeuchtigkeitsgehalts und die höchste Modellierungsgenauigkeit hatte. Dies entspricht der in dieser Studie verwendeten optimalen Modellierungsmethode.

Bilgili et al.39 führten eine Vorhersage des Sand-, Schluff- und Tongehalts in Bodenproben derselben Bodenklasse in einem einzigen Feld in der Türkei im sichtbaren Nahinfrarotspektrum durch. Hier hatte der Tongehalt die höchste Vorhersagegenauigkeit (R2 = 0,90, RPD = 3,08) und der Sandgehalt die niedrigste Genauigkeit (R2 = 0,35, RPD = 1,28). Awiti et al.40 verwendeten Vis-NIR-Spektraltechnologie zur Vorhersage von Bodenattributen und zur Klassifizierung tropischer Böden in Afrika südlich der Sahara, wo die Vorhersagegenauigkeiten des Sand-, Schluff- und Tongehalts R2 = 0,82, 0,83 und 0,87 betrugen. jeweils. Dies deutete darauf hin, dass der Tongehalt die höchste Schätzgenauigkeit aufwies. Der Sandgehalt wurde mit der geringsten Genauigkeit geschätzt, was mit den Ergebnissen dieser Studie übereinstimmt.

Um das Problem der Schwingungen während des Fluges der Drohne zu lösen. In Zusammenarbeit mit Shu et al.12 Zunächst wurde für den Drohnenflug ein sonniger, wolkenloser Tag mit weniger als drei Windstärken ausgewählt. Zweitens wurde die Flugroute rechtzeitig nach Abschluss des Fluges mit der Sbgcenter-Software überprüft. Treten während des Fluges starke Schwingungen auf, wurde der Flug wiederholt. Abschließend werden die UAV-Bilder orthorektifiziert, um schwerwiegende spektrale Fehler zu vermeiden.

Das auf der Ackerland-Skala erstellte Bodentextur-Inversionsmodell erreichte ein relativ hohes Maß an Genauigkeit, und die Inversionsergebnisse stimmten mit den gemessenen Ergebnissen überein. Im Vergleich zu Sankey et al.41, die den Bodennährstoffgehalt von Weideland und Ackerland in Sevilla, New Mexico, mithilfe von Sentinel-Luftsatelliten- und UAV-Hyperspektralbildern untersuchten, wurden die UAV-Daten weniger durch atmosphärische Absorption, Streuung und Wolkendecke beeinflusst. Der Flugtest kann durchgeführt werden, indem künstlich eine geeignetere äußere Umgebung und die am besten geeignete Flugzeit ausgewählt werden, um Bilddaten mit höherer Bildqualität zu erhalten. Dies kann die tatsächliche Situation der Qualitätsunterschiede im Bodentexturgehalt in landwirtschaftlichen Flächen klarer und genauer widerspiegeln. Daher können UAV-Bilder den Bodennährstoffgehalt in Ackerland erfolgreich abschätzen, was mit dem Ergebnis der Bodentexturschätzung mithilfe der UAV-Hyperspektralmethode in dieser Studie übereinstimmt.

Im Vergleich zu den unter Laborbedingungen gewonnenen Spektraldaten ist das Signal-Rausch-Verhältnis von UAV-Spektraldaten, die unter natürlichen Feldlichtbedingungen gewonnen wurden, aufgrund des Einflusses der Bodenfeuchtigkeit im Feld in der Regel geringer. Wenn solche Spektraldaten zur Schätzung des Bodentexturgehalts verwendet werden, muss daher die Genauigkeit des Modells weiter verbessert werden. Im Vergleich zu den Originaldaten verbesserte das mithilfe von UAV-Daten nach der Entfernung und Korrektur der Bodenfeuchtigkeit erstellte Texturinversionsmodell die Modellstabilität und den Inversionseffekt insgesamt. Ji et al.42 verwendeten eine direkte Konvertierungsmethode zur Spektralkorrektur von Reisböden in der Provinz Zhejiang, und die Genauigkeit des Modellierungsmodells wurde deutlich verbessert. Die Ergebnisse haben gezeigt, dass die Entfernung von Wasser aus den Bodenspektren die Vorhersagegenauigkeit der Bodentextur verbessern kann, was mit den Ergebnissen dieser Studie übereinstimmt. Die Kombination aus korrigierten UAV-Daten und der Einführung von Algorithmen für maschinelles Lernen verbesserte effektiv die Genauigkeit und Zuverlässigkeit des UAV-Fernerkundungsinversionsmodells und bestätigte die Notwendigkeit, den entsprechenden Interferenzhintergrund im Bereich der UAV-Fernerkundungsüberwachung zu beseitigen.

Die korrigierten Spektraldaten sind hochgradig vergleichbar und transitiv, wodurch der Einfluss der Feldumgebung auf das Feldspektrum effektiv reduziert wird. Mit Unterstützung der positiven Methode der Universität wird erwartet, dass die künftige Schätzung des Bodentexturgehalts auf der Grundlage hyperspektraler Daten die zusätzlichen Kosten für die Sammlung von Bodenproben, die durch die Erstellung eines unabhängigen Bodentexturmodells entstehen, eliminiert, was die Nutzungseffizienz von UAV-Spektraldaten erheblich verbessert Daten und überprüft das Potenzial der Labormodellmigration für Feldanwendungen. Diese Studie lieferte eine technische Referenz für die breite Anwendung von UAV-Hyperspektraldaten in der Bodenumweltüberwachung, der digitalen Bodenkartierung, der Präzisionslandwirtschaft und anderen Bereichen.

Die Anwendbarkeit des UAV-kompatiblen hochauflösenden Spektrographen zur schnellen Schätzung des Bodentexturgehalts in landwirtschaftlichen Flächen wurde untersucht. Basierend auf drei Ackerlandgebieten des Huangshui-Wassereinzugsgebiets in der Provinz Qinghai wurden Hyperspektraldaten mit einer UAV-montierten Hyperspektralkamera unter Feldbedingungen gesammelt und ein Modell zur Schätzung der Bodentextur erstellt. Die Ergebnisse zeigen, dass hyperspektrale UAV-Bilder in Kombination mit maschinellem Lernen eine Reihe idealer Verarbeitungsmethoden erzielen können. Durch die Vorverarbeitung der Spektraldaten können eine hohe Genauigkeit der Bodentexturschätzung und ein guter Kartierungseffekt erzielt werden. Die Ergebnisse dieser Studie können wirksame technische Unterstützung und Entscheidungshilfe für die landwirtschaftliche Flächenplanung auf dem tibetischen Plateau bieten. Die Hauptinnovation dieser Studie besteht darin, eine Reihe von Verarbeitungsverfahren und -methoden zu etablieren, die auf UAV-Hyperspektralbilder anwendbar sind, um Datenreferenzen für die Überwachung der Bodentextur auf landwirtschaftlichen Feldern auf dem tibetischen Plateau bereitzustellen.

Die im Rahmen der aktuellen Studie generierten und analysierten Datensätze sind nicht öffentlich zugänglich, da Fondsprojekte der Vertraulichkeit unterliegen, aber auf begründete Anfrage beim entsprechenden Autor erhältlich sind.

Liu, Y. et al. Vorhersage des Salzgehalts im Boden auf teilweise bewachsenen Flächen mithilfe der nicht-negativen Matrixfaktorisierung. IEEE J. Sel. Spitze. Appl. Erdbeobachtung. Remote Sens. 8(11), 5305–5316 (2016).

Artikel ADS Google Scholar

Castaldi, F. et al. Bewertung des Potenzials aktueller und künftiger multispektraler und hyperspektraler Bildgeber zur Schätzung der Bodentextur und des organischen Kohlenstoffs. Fernerkundung. Umwelt. 179(15), 54–65 (2016).

Artikel ADS Google Scholar

Duan, MQ, Song, XY, Liu, XW, Cui, DJ & Zhang, XG Kartierung der Bodentypen durch Kombination multitemporaler Fernerkundungsdaten mit Texturmerkmalen. Berechnen. Elektron. Landwirtschaft. 200, 107230 (2022).

Artikel Google Scholar

Siqueira, RG, Moquedace, CM, Francelino, MR, Schaefer, CEGR & Fernandes-Fiho, EI Maschinelles Lernen für die Bodenkartierung in der Antarktis: räumliche Vorhersage der Bodentextur für die maritime Antarktis und die nördliche Antarktische Halbinsel. Geoderma 432, 116405 (2023).

Artikel ADS CAS Google Scholar

Swain, SR et al. Schätzung der Bodentextur mithilfe multispektraler Bilddaten von Sentinel-2: ein Ensemble-Modellierungsansatz. Bodenbearbeitung Res 213, 105134 (2021).

Artikel Google Scholar

Lagacherie, P., Baret, F., Féret, JB, Netto, JM & Robbez-Masson, JM Schätzung von Bodenton und Kalziumkarbonat mithilfe von hyperspektralen Messungen im Labor, vor Ort und in der Luft. Fernerkundung. Umwelt. 112(3), 825–835 (2008).

Artikel ADS Google Scholar

Pu, YL et al. Reaktion der organischen Kohlenstoffanteile und Stabilität des Bodens auf die Degradierung alpiner Sumpfgebiete in Zoige, Ost-Qinghai-Tibet-Plateau. J. Bodenwissenschaft. Pflanzennähr. 20, 2145–2155 (2020).

Artikel CAS Google Scholar

Stenberg, B., Rossel, RAV, Mouazen, AM & Wetterlind, J. Spektroskopie im sichtbaren und nahen Infrarot in der Bodenkunde. Adv. Agron. 107, 163–215 (2010).

Artikel CAS Google Scholar

Azizi, K., Garosi, Y., Ayoubi, S. & Tajik, S. Integration von Sentinel-1/2 und topografischen Attributen zur Vorhersage der räumlichen Verteilung von Bodentexturfraktionen in einigen landwirtschaftlichen Böden im Westen des Iran. Bodenbearbeitung Res. 229, 105681 (2023).

Artikel Google Scholar

Kaya, F., Başayiğit, L., Keshavarzi, A. & Francaviglia, R. Digitale Kartierung zur Vorhersage der Bodentexturklasse im Nordwesten Türkiyes durch verschiedene maschinelle Lernalgorithmen. Geoderma Reg. 31, e00584 (2022).

Artikel Google Scholar

Omondiagbe, OP, Lilburne, L., Licorish, SA & MacDonell, SG Bodentexturvorhersage mit automatisierten tiefen Faltungs-Neuronalen Netzen und bevölkerungsbasiertem Lernen. Geoderma 436, 116521 (2023).

Artikel ADS Google Scholar

Shu, MY et al. Verbesserte Schätzung des Kronenwasserstatus in Mais mithilfe UAV-basierter digitaler und hyperspektraler Bilder. Berechnen. Elektron. Landwirtschaft. 197, 106982 (2022).

Artikel Google Scholar

Gu, Berechnen. Elektron. Landwirtschaft. 167, 105053 (2019).

Artikel Google Scholar

Gao, CR et al. Multivariate Vorhersage des mit Bodenaggregaten verbundenen organischen Kohlenstoffs durch Simulation von Satellitensensorbändern. Berechnen. Elektron. Landwirtschaft. 209, 107859 (2023).

Artikel Google Scholar

Aviña-Hernández, J. et al. Räumliche Verteilung des organischen Kohlenstoffs im Boden in Mangroven trockener Umgebung, geschätzt anhand von In-situ-Daten und Luftbildern. J. Bodenwissenschaft. Pflanzennähr. 22, 4928–4942 (2022).

Artikel Google Scholar

Shahriari, M., Delbari, M., Afrasiab, P. & Pahlavan-Rad, MR Vorhersage der regionalen räumlichen Verteilung der Bodentextur in Überschwemmungsgebieten mithilfe von Fernerkundungsdaten: Ein Fall aus dem Südosten des Iran. CATENA 182, 104149 (2019).

Artikel Google Scholar

Ma, SL, He, BZ, Ge, XY & Luo, XF Räumliche Vorhersage des Bodensalzgehalts basierend auf der Google Earth Engine-Plattform mit multitemporalen synthetischen Fernerkundungsbildern. Ökologisch. Informieren. 75, 102111 (2023).

Artikel Google Scholar

Ge, XY, Wang, JZ, Ding, JL, Cao, X. & Li, X. Kombination von UAV-basierten hyperspektralen Bildern und maschinellen Lernalgorithmen zur Überwachung des Bodenfeuchtigkeitsgehalts. PeerJ 7, e6926 (2019).

Artikel PubMed PubMed Central Google Scholar

Chen, SM et al. Vorhersage des Stickstoff-, Phosphor- und Kaliumgehalts in Apfelbaumblättern basierend auf der hyperspektralen In-situ-Reflexion des Blätterdachs unter Verwendung eines Stacked-Ensemble-Extreme-Learning-Machine-Modells. J. Bodenwissenschaft. Pflanzennähr. 22, 10–24 (2021).

Artikel Google Scholar

Hu, J., Peng, J., Zhou, Y., Xu, D. & Shi, Z. Quantitative Schätzung des Bodensalzgehalts mithilfe von UAV-gestützten Hyperspektral- und Satelliten-Multispektralbildern. Fernerkundung. 11(7), 736 (2019).

Artikel ADS Google Scholar

Selige, T., Jürgen, B. & Schmidhalter, U. Hochauflösende Oberbodenkartierung unter Verwendung hyperspektraler Bild- und Felddaten in multivariaten Regressionsmodellierungsverfahren. Geoderma 136, 235–244 (2006).

Artikel ADS CAS Google Scholar

Aldana-Jague, E., Heckrath, G., Macdonald, Y., Wesemael, BV & Oost, KV UAS-basierte Bodenkohlenstoffkartierung mithilfe der multispektralen VIS-NIR-Bildgebung (480–1000 nm): Potenzial und Einschränkungen. Geoderma 275, 55–66 (2016).

Artikel ADS CAS Google Scholar

Ge, XY et al. Schätzung des Feuchtigkeitsgehalts landwirtschaftlicher Böden durch UAV-basierte Hyperspektralbilder in der Trockenregion. Remote Sens. 13(8), 1562 (2021).

Artikel ADS Google Scholar

Fabio, C. et al. Reduzierung des Einflusses der Bodenfeuchtigkeit auf die Tonschätzung aus hyperspektralen Daten: Eine Fallstudie mit simulierten PRISMA-Daten. Remote Sens. 7(11), 15561–15582 (2015).

Artikel Google Scholar

Ren, JH, Xie, RF, Zhao, Y. & Zhang, ZP Fraktaler Ansatz zur Messung der elektrischen Leitfähigkeitswerte von Soda-Salz-Alkali-Böden mit Austrocknungsrissen in der Songnen-Ebene, China. J. Bodenwissenschaft. Pflanzennähr. 23, 1953–1966 (2023).

Artikel CAS Google Scholar

Abdoli, P., Khanmirzaei, A., Hamzeh, S., Rezaei, S. & Moghimi, S. Verwendung von Fernerkundungsdaten zur Vorhersage des organischen Bodenkohlenstoffs in einigen landwirtschaftlichen Böden des Iran. Remote Sens. Appl. Soc. Umgebung. 30, 100969 (2023).

Google Scholar

Ji, WJ, Shi, Z., Huang, JY & Li, S. In-situ-Messung einiger Bodeneigenschaften in Reisböden mittels sichtbarer und Nahinfrarotspektroskopie. PLoS ONE 9(8), 1–11 (2014).

Google Scholar

Hu, YN, Gao, Fresenius Umgebung. Stier. 31(1), 1561–1575 (2022).

CAS Google Scholar

Minasny, B. et al. Entfernen des Einflusses der Bodenfeuchtigkeit aus diffusen NIR-Reflexionsspektren zur Vorhersage des organischen Kohlenstoffs im Boden. Geoderma 167(168), 118–124 (2011).

Artikel ADS Google Scholar

Dor, B., Ong, C. & Lau, IC Reflexionsmessungen von Böden im Labor: Standards und Protokolle. Geoderma 245(246), 112–124 (2015).

ADS Google Scholar

Gholizadeh, A., Žižala, D., Saberioon, M. & Borůvka, L. Ermittlung und Kartierung von organischem Kohlenstoff und Textur im Boden mittels proximaler, luftgestützter und Sentinel-2-Spektralbildgebung. Fernerkundung. Umwelt. 218, 89–103 (2018).

Artikel ADS Google Scholar

Yang, Y., Cui, Q., Jia, P. & Bai, H. Schätzung der Schwermetallkonzentrationen im Oberboden im Bergbaugebiet Daxigou, China, mithilfe multispektraler Satellitenbilder. Wissenschaft. Rep. 11(1), 1–9 (2021).

Google Scholar

Ye, M. et al. Schätzung der Arsenkonzentration im Boden mithilfe eines geografisch gewichteten XGBoost-Modells basierend auf hyperspektralen Daten. Wissenschaft. Gesamtumgebung. 858(1), 159798 (2023).

Artikel ADS CAS PubMed Google Scholar

Ren, YG, Lv, ZQ, Xu, ZQ, Wang, Q. & Wang, Z. Mathematische Modellierung der Schlammfähigkeit von mikrowellenmodifizierter Braunkohle: Eine vergleichende Analyse des multivariaten nichtlinearen Regressionsmodells und des XGBoost-Algorithmusmodells. Energie 281(15), 128143 (2023).

Artikel CAS Google Scholar

Chagas, CDS, Junior, WDC, Bhering, SB & Filho, BC Räumliche Vorhersage der Bodenoberflächentextur in einer semiariden Region unter Verwendung von Zufallswäldern und mehreren linearen Regressionen. CATENA 139, 232–240 (2016).

Artikel Google Scholar

Ivushkin, K. et al. UAV-basierte Bewertung des Bodensalzgehalts von Ackerland. Geoderma 38, 502–512 (2018).

Google Scholar

Chen, DS et al. Verbesserte Na+-Schätzung aus hyperspektralen Daten der Salzvegetation durch maschinelles Lernen. Berechnen. Elektron. Landwirtschaft. 196, 106862 (2022).

Artikel Google Scholar

Ge, XY, Ding, JL, Wang, JZ, Sun, HL & Zhu, ZQ Eine neue Methode zur Vorhersage der Bodenfeuchtigkeit basierend auf UAV-Hyperspektralbildern. Spektroskopie Spektral Anal. 40(2), 602–609 (2020).

CAS Google Scholar

Bilgili, AV, Es, HMV, Akbas, F., Durak, A. & Hively, WD Reflexionsspektroskopie im sichtbaren Nahinfrarot zur Beurteilung der Bodeneigenschaften in einem halbtrockenen Gebiet der Türkei. J. Arid Environ. 74(2), 229–238 (2010).

Artikel Google Scholar

Awiti, AO, Walsh, MG, Shepherd, KD & Kinyamario, J. Bodenzustandsklassifizierung mittels Infrarotspektroskopie: Ein Vorschlag zur Bewertung des Bodenzustands entlang einer tropischen Wald-Ackerland-Chronosequenz. Geoderma 143(1–2), 73–84 (2008).

Artikel ADS CAS Google Scholar

Sankey, JB et al. Quantifizierung der Pflanzen-Boden-Nährstoff-Dynamik in Weideland: Fusion von UAV-Hyperspektral-LiDAR, UAV-Multispektral-Photogrammetrie und bodengestützter LiDAR-Digitalfotografie in einem mit Sträuchern bewachsenen Wüstengrasland. Fernerkundung. Umwelt. 253, 112223 (2021).

Artikel ADS Google Scholar

Ji, WJ et al. Vorhersage von Bodeneigenschaften mithilfe der chinesischen Bodenspektrenbibliothek und standardisierten, unter Feldbedingungen aufgezeichneten Spektren. Bodenbearbeitung Res. 155, 492–500 (2016).

Artikel Google Scholar

Referenzen herunterladen

Diese Forschung wurde von der National Natural Science Foundation of China mit der Fördernummer „42161061“ finanziert.

Fakultät für Geographische Wissenschaften, Qinghai Normal University, Xining, 810008, China

Qi Song, Xiaohong Gao, Yuting Song, Qiaoli Li, Zhen Chen, Runxiang Li, Hao Zhang und Sangjie Cai

Schlüssellabor für Physische Geographie und Umweltprozesse der Provinz Qinghai, Xining, 810008, China

Qi Song, Xiaohong Gao, Yuting Song, Qiaoli Li, Zhen Chen, Runxiang Li, Hao Zhang und Sangjie Cai

Schlüssellabor des Bildungsministeriums für Landoberflächenprozesse auf dem tibetischen Plateau und ökologischen Schutz. Schlüssellabor für Bildung auf dem tibetischen Plateau für Landoberflächenprozesse und ökologischen Schutz, Xining, 810008, China

Qi Song, Xiaohong Gao, Yuting Song, Qiaoli Li, Zhen Chen, Runxiang Li, Hao Zhang und Sangjie Cai

Akademie für Plateau-Wissenschaft und Nachhaltigkeit, Xining, 810008, China

Xiaohong Gao

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben wesentlich zu diesem Manuskript beigetragen. Konzeptualisierung, QS und XG; Datenkuration, QS, XG, YS, QL, ZC und SC; formale Analyse, QS und XG; Finanzierungsakquise, XG; Methodik, QS, ZC und SC; Software, QS und XG; Aufsicht, QS und XG; Visualisierung, QS und XG; und Schreiben – Originalentwurf, QS und XG Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Xiaohong Gao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Song, Q., Gao, X., Song, Y. et al. Schätzung und Kartierung des Bodentexturgehalts basierend auf der hyperspektralen Bildgebung unbemannter Luftfahrzeuge. Sci Rep 13, 14097 (2023). https://doi.org/10.1038/s41598-023-40384-2

Zitat herunterladen

Eingegangen: 23. Juni 2023

Angenommen: 09. August 2023

Veröffentlicht: 29. August 2023

DOI: https://doi.org/10.1038/s41598-023-40384-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.