1 / 2025-08-17 18:10:33

基于特征变量优选和机器学习的无人机遥感土壤含水量反演

土壤含水量；无人机；XGBoost特征筛选；最优子集选择；偏最小二乘回归；随机森林回归

土壤含水量是影响农作物生长的重要因素之一，对作物估产和旱情监测具有重要作用。在土壤含水量计算时，一般是提取多个光谱变量进行反演，但变量之间包含的光谱信息可能存在冗余重叠，为提取有效特征变量，使其相互独立，论文研究特征变量筛选方法，并验证在土壤含水量反演中的适用性。研究基于无人机多光谱影像计算归一化植被指数(Normalized Difference Vegetation Index, NDVI)等12种植被指数，结合无人机热红外数据计算地表温度LST和对应TVDI，以及miniSAR数据处理得到的四种后向散射系数，采用XGBoost特征变量和最优子集选择算法(Best Subset Selection, BSS)筛选最优变量组合，然后利用偏最小二乘回归(Partial Least Squares Regression, PLSR)和随机森林回归(Random Forest Regression, RFR)算法反演实验区冬小麦抽穗期的土壤含水量。研究结果表明：(1)0-20cm深度的反演结果均优于0-10cm深度；(2)对比XGBoost-PLSR、XGBoost-RFR、BSS-PLSR以及BSS-RFR四种土壤含水量反演模型，BSS-RFR模型不同深度下的反演精度最高；(3)0-10cm土壤深度下XGBoost-PLSR模型的反演精度优于XGBoost-RFR，0-20cm深度下则两者相反，0-20cm深度下，BSS-RFR模型的反演精度均高于BSS-PLSR。研究成果可为无人机多光谱遥感反演土壤含水量提供理论和技术支撑，为卫星遥感大范围土壤水分监测提供检验依据。