基于XGBoost模型的湟水流域耕地土壤养分遥感反演

湟水流域是河湟谷地重要的组成部分,协同环境因素预测土壤养分空间分布对农业土壤养分管理尤为重要。土壤养分反演研究中对于参数对模型结果的影响和模型适用性的研究较少。选取研究区地形因子、土壤pH及光谱反射率共28个因子,结合贝叶斯优化算法构建人工神经网络(ANN)、支持向量机(SVM)和极端梯度提升(XGBoost)3种机器学习模型预测耕地土壤养分空间分布,计算决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)评价3种模型的精度。结果表明:(1)基于贝叶斯优化超参数的XGBoost模型对全氮(TN)含量预测精度优于其他模型(R2=0.893,RMSE=0.359,RPD=2.470),预测土壤有机质(SOM)、速效磷(AP)和速效钾(AK)含量时,XGBoost模型验证集R2分别为0.801、0.509、0.442。(2)对比3种模型的寻优次数和误差发现,BOA-XGBoost模型参数优化次数少、效率高,具有更好的鲁棒性。对于不同的养分,ANN和SVM模型预测精度存在差异,SVM模型预测SOM含量时精度更高(RPD=1.580),而ANN模型预测TN时精度最佳(RPD=2.460)。基于贝叶斯算法进行超参数优化构建的XGBoost模型预测精度高,可以达到良好的预测效果,可为湟水流域精准农业施肥提供参考。

湟水流域土壤有机质和速效磷空间布局分析

为分析青海省湟水流域土壤有机质(soil organic matter,SOM)和速效磷(available phosphorus,AP)含量空间分布特征及其影响因子,运用地统计学方法分析其空间分布特征,选取高程、坡向、坡度、土壤类型、土壤pH、归一化植被指数(normalized difference vegetation index,NDVI)、气温、降水量和土地利用方式共9种影响因子,借助地理探测器研究各因子对SOM和AP的影响。研究表明SOM平均值为28.26 g/kg,AP平均值为54.30 mg/kg;SOM和AP的变异系数为39.54%和58.47%,属于中等变异程度。空间插值结果显示SOM含量在空间上呈现西北高,东南低的趋势,SOM由北向南逐渐降低;AP含量呈现中部高于两端的趋势。因子探测及Pearson相关性分析结果表明:造成SOM空间变异的三大因子顺序为:高程>气温>土壤类型;对AP含量解释程度顺序是:土壤pH>高程>土壤类型。SOM含量与高程和土壤pH两种因子呈现正相关关系,AP则相反,呈现负相关,SOM和AP空间分布都与高程有关;气温均对两种土壤养分有影响;高程因子是决定湟水流域SOM含量的主导因子,而影响AP空间分布的主导因子是土壤pH。影响因子相互作用时,呈现双线性增强或者双因子增强。两因子交互作用对SOM和AP解释力均高于单因子,说明导致SOM和AP空间分布差异的因子具有复杂性。研究得到湟水流域空间尺度上SOM和AP含量分布,并结合湟水流域9种影响因子对其含量进行分析,为湟水流域的数字农业管理和精准施肥以及耕地土壤改良和质量的提升提供了有利基础。

基于Landsat 5影像的青海省大通县土壤表层全氮空间格局反演

为了提高土壤全氮含量的反演精度,为大通县土壤全氮研究及土壤肥力调控提供理论数据,文中以大通县Landsat 5遥感影像和采样地数据为基础,通过建立偏最小二乘回归及BP神经网络模型,建立土壤全氮含量与光谱反射率的反演模型,并对采样点的地表真实反射率值与其土壤全氮含量进行分析。结果表明:BP神经网络模型的回归决定系数R2为0.792,均方根误差RMSE为0.246,预测精度优于偏最小二乘回归模型。Landsat 5影像和采样地数据相结合可以实现大范围快速反演土壤全氮含量,提高反演精度,为土壤质量评价、粮食估产等提供数据支撑。本研究可为大通县的土地质量建设提供数据支撑和理论参考。