基于机器学习的干旱区土壤盐渍化定量估算

  目的  探讨对土壤盐渍化进行快速、准确监测技术与方法。  方法  利用353个地面表观电导率数据,以及从Worldview-2影像获取对应采样点的波段反射率值,结合两波段组合植被指数和三波段组合植被指数,筛选最佳二维、三维波段组合方式,引入人工神经网络、K近邻和支持向量回归来构建区域土壤盐渍化定量反演模型。  结果  ① WV-2影像的红边和近红外波段与ECa呈现显著相关（P < 0.01）。② 二维植被指数（RVI_(B5-B2)、NDVI_(B6-B2)、DVI_(B2-B6)）和三维植被指数（3DVI_(B2-B6-B6)、3DVI_(B3-B5-B6)、3DVI_(B5-B2-B1)、3DVI_(B2-B1-B6)、3DVI_(B2-B1-B6)、3DVI_(B6-B1-B2)、3DVI_(B5-B3-B7)）的波段组合计算提高了其对土壤盐渍化的敏感性。③ 基于不同维度数据的机器学习估算模型中,3DVI和KNN算法结合对土壤盐渍化估算效果最为突出,且模型精度为R2 = 0.773,RMSE = 1.659 dS m?1,RPD = 2.216。  结论  所构建的多维植被指数可应用于类似环境条件下盐渍土地监测和评价研究。