Estimación y mapeo del contenido de textura del suelo basado en imágenes hiperespectrales de vehículos aéreos no tripulados

Scientific Reports volumen 13, número de artículo: 14097 (2023) Citar este artículo

115 Accesos

Detalles de métricas

La textura del suelo es una de las propiedades físicas y naturales importantes del suelo. Gran parte de la investigación actual se centra en el monitoreo de la textura del suelo utilizando espectrómetros geofísicos sin imágenes. Sin embargo, hay menos estudios que utilizan datos hiperespectrales de vehículos aéreos no tripulados (UAV) para monitorear la textura del suelo. Las cámaras hiperespectrales montadas en vehículos aéreos no tripulados se pueden utilizar para obtener de forma rápida y precisa información espacial de alta resolución sobre la textura del suelo. Se han sentado las bases para la realización de estudios rápidos de la textura del suelo utilizando datos hiperespectrales aéreos no tripulados sin muestreo de campo. Este estudio seleccionó tres áreas de tierras de cultivo típicas en la cuenca Huangshui de Qinghai como área de estudio y se recolectaron un total de 296 muestras de suelo. Calibración de datos de espectros de UAV utilizando espectros de laboratorio y espectros de campo in situ para explorar la viabilidad de aplicar modelos de textura del suelo de laboratorio directamente a las condiciones de campo. Estos resultados muestran que las imágenes hiperespectrales de vehículos aéreos no tripulados combinadas con el aprendizaje automático pueden obtener un conjunto de métodos de procesamiento ideales. El preprocesamiento de los datos espectrales puede obtener una alta precisión en la estimación de la textura del suelo y un buen efecto cartográfico. Los resultados de este estudio pueden proporcionar apoyo técnico eficaz y asistencia para la toma de decisiones para la futura planificación de tierras agrícolas en la meseta tibetana. La principal innovación de este estudio es establecer un conjunto de procedimientos y métodos de procesamiento aplicables a imágenes hiperespectrales de vehículos aéreos no tripulados para proporcionar datos de referencia para monitorear la textura del suelo en campos agrícolas en la meseta tibetana.

La textura del suelo es una propiedad física y natural importante del suelo. Representa la combinación de partículas del suelo y está estrechamente relacionado con la permeabilidad a la ventilación del suelo y la retención de agua y fertilidad. Según el tamaño de las partículas del suelo, la textura del suelo se puede dividir en partículas de arcilla (< 0,002 mm), partículas de limo (0,002–0,05 mm) y partículas de arena (0,05–2 mm)1,2. La textura del suelo afecta significativamente la estructura y diversidad de la comunidad bacteriana del suelo y, por lo tanto, afecta la fertilidad del suelo3. Es un índice importante en el ámbito de la calidad de las tierras cultivadas y en la evaluación de la idoneidad de los cultivos4. La estimación y el mapeo de la distribución espacial de la textura del suelo no solo pueden enriquecer y mejorar la base de datos digital del suelo, sino que también proporcionan una base y soporte de datos para la investigación sobre la distribución espacial de los atributos del suelo y la planificación de la producción agrícola5. Por lo tanto, se requiere urgentemente una gestión agrícola de precisión para la cuantificación y el seguimiento de alta resolución y precisión de las características de distribución espacial y temporal de la textura del suelo a escala de campo.

Los métodos tradicionales de medición de la textura del suelo se basan en el muestreo del suelo en el campo y en análisis químicos de laboratorio, que consumen mucho tiempo, son laboriosos y costosos, lo que dificulta la realización de un monitoreo del contenido de la textura del suelo a gran escala y con múltiples frecuencias6,7. En los últimos años, la tecnología hiperespectral de visión infrarroja cercana en rápido desarrollo se ha utilizado ampliamente en la estimación del contenido de la textura del suelo para abordar la contradicción entre la demanda de grandes datos sobre la textura del suelo y el alto costo8. Dependiendo de la relación de respuesta espectral entre la reflectancia espectral del suelo y la textura del suelo, muchos investigadores han utilizado la espectrometría de objetos terrestres para desarrollar tecnología hiperespectral del suelo como un medio convencional para cuantificar la textura del suelo9,10,11. Sin embargo, la inversión de la textura del suelo basada en un espectrómetro de objetos terrestres generalmente obtiene datos puntuales con baja densidad. Esto dificulta cumplir con los requisitos de visualización rápida de la distribución espacial en el contexto de la agricultura de precisión12. Las plataformas UAV tienen las ventajas de movilidad y flexibilidad y se han utilizado ampliamente en estudios espaciales de recursos terrestres en los últimos años13. A través de la combinación orgánica de UAV y tecnología hiperespectral, se han llevado a cabo monitoreo del crecimiento de la vegetación, clasificación precisa e identificación de objetos terrestres, monitoreo de plagas, estimación de producción y rendimiento, y otras aplicaciones diversas. Sin embargo, relativamente pocas aplicaciones han utilizado esta tecnología para monitorear las propiedades del suelo, particularmente la textura del suelo14.

La mayor parte de la investigación actual sobre el mapeo del contenido de textura del suelo se centra en el muestreo de campo y la recopilación de información espectral del suelo utilizando espectrómetros sin imágenes15. Finalmente, el mapeo del contenido de textura del suelo se llevó a cabo mediante interpolación. Con el desarrollo de la tecnología hiperespectral de los UAV, es capaz de proporcionar imágenes de alta resolución espacial y alta resolución espectral, a partir de las cuales se pueden obtener resultados más precisos del mapeo del contenido de la textura del suelo16. Por lo tanto, este estudio utilizará imágenes hiperespectrales de vehículos aéreos no tripulados para mapear el contenido de la textura del suelo.

Como herramientas emergentes, los UAV tienen las ventajas de portabilidad, alta resolución espacial, alta flexibilidad, selección independiente del tiempo de vuelo y la capacidad de transportar una variedad de cámaras espectrales17. Esto puede lograr de manera rápida y eficiente la adquisición de imágenes de teledetección en un área específica18. Un sistema hiperespectral UAV es una herramienta eficaz para monitorear y mapear la distribución espacial de las texturas del suelo. La cámara hiperespectral llevada por el UAV no sólo puede obtener imágenes de resolución espacial ultra alta, sino también imágenes de sensores remotos a nivel de centímetros de tierras de cultivo rápidamente y en tiempo real19. Esto significa que pueden utilizarse para ayudar eficazmente a los operadores agrícolas en la gestión y regulación de operaciones20. Selige et al.21 utilizaron imágenes hiperespectrales aéreas para estudiar la variabilidad espacial de la textura del suelo y la materia orgánica en el campo y descubrieron que la materia orgánica y la textura del suelo estaban relacionadas con las características espectrales del espectrógrafo aéreo. La precisión del modelado R2 (R cuadrado) alcanzó 0,9. Aldana-Jague et al.22 utilizaron cámaras multiespectrales transportadas por un pequeño UAV y las combinaron con un algoritmo de estructura a partir del movimiento para probar la inversión del SOC del suelo desnudo de tierras de cultivo en la estación experimental de Lausana en Inglaterra. La combinación orgánica de plataformas UAV y datos espectrales del suelo tiene amplias perspectivas en la predicción del carbono orgánico del suelo. Ge et al.23 utilizaron imágenes hiperespectrales de vehículos aéreos no tripulados y combinaron un índice espectral preprocesado con el algoritmo Extreme learning machine (ELM) para obtener un modelo de estimación del contenido de humedad del suelo de alta precisión a escala regional (R2 = 0,907). Los UAV de baja altitud equipados con cámaras hiperespectrales para la adquisición de imágenes pueden obtener fácilmente datos multibanda de alta resolución espacial desde luz visible hasta datos de detección remota del infrarrojo cercano para lograr un equilibrio entre costo y disponibilidad. Actualmente, el uso de imágenes de teledetección de vehículos aéreos no tripulados para estudiar el contenido de la textura del suelo en el campo es relativamente bajo.

La adquisición de datos hiperespectrales de UAV en el entorno de campo se ve afectada por la humedad del suelo. La humedad del suelo ha sido identificada como una de las principales razones de la disminución de la precisión de las estimaciones de los atributos del suelo24. Para la estimación espectral de la textura del suelo, dado que un cambio en la humedad afecta el cambio en el contenido de la textura del suelo, tiene un mayor impacto en el espectro25,26. Por tanto, es necesario estudiar los efectos espectrales de la humedad del suelo y sus métodos de eliminación. Se han propuesto varios métodos para mejorar la precisión de la predicción de las propiedades del suelo en condiciones de campo y superar la influencia de la humedad del suelo en la predicción de la textura del suelo mediante espectroscopia visible e infrarroja cercana. Ji et al.27 realizaron, respectivamente, mediciones espectrales de campo in situ y en interiores del suelo de arroz en la provincia de Zhejiang. La precisión R2 y la detección de patrones recurrentes (RPD) del modelo de regresión de mínimos cuadrados parciales (PLSR) in situ corregido mediante el método de conversión espectral directa (DS) aumentaron de 0,25 a 0,69 y de 0,35 a 1,61. Los resultados han demostrado que DS podría eliminar eficazmente la influencia del agua y los factores ambientales en el espectro del suelo y mejorar la precisión de la predicción de la textura del suelo. Hu et al.28 aplicaron estandarización directa y directa por partes, ponderación general de mínimos cuadrados y corrección de señal ortogonal para eliminar el agua del suelo de los campos hiperespectrales. Los resultados han demostrado que los resultados de corrección de la estandarización directa fueron los más precisos. Minasny et al.29 estudiaron el efecto de eliminar una cierta cantidad de humedad del suelo en la estimación hiperespectral del carbono orgánico utilizando un diseño de agua de laboratorio para suelos en el sur de Nueva Gales del Sur, Australia. Dor et al.30 estandarizaron y corrigieron los datos espectrales del suelo obtenidos en diferentes ambientes de agua del suelo utilizando un estándar interno de suelo en Australia, mejorando así la comparabilidad y transferibilidad de varios datos espectrales. Sin embargo, en la actualidad, el método universitario se aplica predominantemente a datos espectrales de campo obtenidos con el espectrómetro de objetos terrestres de la serie Analytical Spectral Devices (ASD). Hasta la fecha, no se han realizado investigaciones sobre la corrección de los datos espectrales obtenidos por el espectrómetro de alta resolución del UAV. Los estudios sobre la influencia de la humedad del suelo en la estimación espectral del contenido de atributos del suelo se han basado principalmente en el diseño de pruebas de agua de muestras de suelo secadas al aire en interiores. El control del contenido de humedad del suelo carece de la situación real de un suelo no perturbado y de un análisis en profundidad, y la viabilidad y aplicabilidad de los métodos de eliminación son limitadas. Por tanto, es necesario estudiar la eliminación de los factores de humedad del suelo y detectar cuantitativamente la textura del suelo. Resolver el problema de la humedad que afecta la precisión de la inversión de la textura del suelo también es útil para la operación colaborativa de espectrómetros y maquinaria agrícola para realizar la detección en línea del contenido de la textura del suelo mediante maquinaria agrícola inteligente.

Por lo tanto, basándose en los datos de imagen obtenidos por el sensor hiperespectral montado en la plataforma del UAV, este estudio probó la aplicabilidad de los datos espectrales de alta resolución proporcionados por el UAV para invertir el contenido de la textura del suelo en tres áreas típicas de tierras de cultivo de la cuenca de Huangshui en Qinghai. Provincia. Los datos del UAV se corrigieron calibrando datos de laboratorio y de campo in situ. Realizar la exploración inicial desde el modelado de inversión espectral de textura del suelo en laboratorio hasta aplicaciones de campo. Establecimiento de un sistema técnico rápido, preciso y detallado para evaluar los cambios espaciales y temporales en la textura del suelo en tierras agrícolas.

Innovación en investigación: (1) establecer un conjunto de procedimientos y métodos de procesamiento aplicables a imágenes hiperespectrales de vehículos aéreos no tripulados; (2) evaluar la efectividad de diferentes métodos de preprocesamiento espectral para extraer información de características adecuadas para la inversión de la textura del suelo; (3) analizar las características de distribución espacial de la textura del suelo estimadas mediante diferentes algoritmos de aprendizaje automático, con miras a proporcionar referencias de datos para el seguimiento del contenido de la textura del suelo en tierras de cultivo y el desarrollo del equilibrio agroecológico en la meseta tibetana de Qinghai. desarrollo.

El área de estudio se ubicó en la cuenca de Huangshui, provincia de Qinghai, China (36° 02′–37° 28′ N, 100° 42′–103° 04′ E; Fig. 1), que forma parte de la zona de transición desde el Meseta de Loess hasta la meseta Qinghai-Tíbet. El terreno general es alto en el noroeste, bajo en el sureste, largo de este a oeste y estrecho de norte a sur. La altitud osciló entre 1655 y 4860 m. Los tipos de suelo fueron suelos de castaños, chernozem, cenizas cálcicas y praderas alpinas. El clima de meseta era un clima continental árido y semiárido, con una larga insolación y diferencias de temperatura nocturnas y diurnas. Se seleccionaron como objetos de investigación tres tierras de cultivo en la cuenca de Huangshui. La tierra de cultivo A, con un área de 2 ha (200 m × 100 m), estaba ubicada en el desfiladero de Nanmen de Huzhu, China, y el tipo de suelo era chernozem. El área de cultivo estaba ubicada en Zhuozhatan, Huzhu, con una superficie de 4 ha (400 × 100 m), y el tipo de suelo era chernozem. El área de cultivo estaba ubicada en Huangzhong, con una superficie de 3,36 ha (240 × 140 m), y el tipo de suelo era castaño.

Mapa de distribución de puntos de muestreo.

El diagrama de flujo técnico de este estudio se muestra en la Fig. 2. Se recolectaron un total de 66, 126 y 104 muestras de suelo de las áreas de tierras agrícolas A, B y C el 21 de septiembre de 2021, del 23 al 25 de marzo de 2022 y del 23 de marzo de 2022. 27 y 28 de 2022, respectivamente (Fig. 1). Se recogió la superficie de 0 a 20 cm del suelo mediante un método de muestreo de cinco puntos, y las muestras de suelo se empaquetaron sucesivamente en bolsas selladas y se numeraron. Para la adquisición espectral de campo se utilizó un espectrómetro de características terrestres American FieldSpec4 (350–2500 nm). El tiempo de adquisición fue de 11:00 a 15:30 bajo un cielo despejado con vientos inferiores al nivel 3. Antes de la recolección del espectro, se limpiaron los desechos de la superficie del suelo, se organizó y niveló la superficie del suelo y se colocó verticalmente el mango de fibra óptica. aproximadamente a 15 cm del suelo. Se recolectaron cinco espectros de las cuatro direcciones este, oeste, norte y sur para cada punto de muestra, y la media aritmética de los 20 espectros se utilizó como datos espectrales in situ de campo para el punto de muestra.

Diagrama de flujo de la técnica.

Utilizando el UAV M600 Pro de DJI como plataforma, la cámara hiperespectral Resonon Pika L vis-Near (modelo de 400–1000 nm: Resonon Pika L) y NIR (Espectro de infrarrojo cercano de 900–1700 nm: Pika NIR-640 Resonon PIKA Us) ( Fig. 3). El 21 de septiembre de 2021, el 23 de marzo de 2022 y el 27 de marzo de 2022, se capturaron imágenes hiperespectrales en vuelo en las áreas de tierras de cultivo A, B y C, respectivamente. El tiempo de vuelo fue de 11:00 a 15:30, el tiempo estaba despejado y sin nubes, el viento era de menos de tres grados, la altitud de vuelo era de 150 m y la velocidad era de 4,3 m/s.

Cámaras hiperespectrales, trabajo de campo e imágenes hiperespectrales preprocesadas.

Para el preprocesamiento, la trayectoria de vuelo del UAV se visualizó en el software Sbgcenter y los datos de la trayectoria de vuelo se exportaron. Luego, se utilizó el software Omap para segmentar el límite de los datos de ruta de vuelo exportados y eliminar rutas no válidas. Se utilizó el software Airline Division para precortar la imagen hiperespectral de acuerdo con las condiciones de la aerolínea, y se obtuvo una imagen hiperespectral completa. La calibración radiométrica y la corrección atmosférica se realizaron en la imagen cortada utilizando el software MegaCube. Luego, la imagen corregida se importó al software ArcGIS para su registro geográfico. Los datos de referencia fueron el archivo de llamada a procedimiento remoto entregado por el UAV y el mapa base ortográfico tomado. Después del registro, las imágenes se empalmaron utilizando el software ENVI. Se utilizó el software MegaCube para crear un hipercubo de imágenes, que luego se convirtió en una imagen hiperespectral. Por lo tanto, se obtuvieron imágenes vis-Near y NIR preprocesadas (Fig. 3). Las coordenadas de los puntos de muestreo reales se importaron a la imagen hiperespectral para obtener los datos de reflectancia espectral del UAV de todos los puntos de muestra, y se eliminaron las bandas ruidosas (975–1033 nm y 1323–1479 nm).

Las muestras de suelo se secan al aire de forma natural en el laboratorio, se eliminan las impurezas y luego se muelen y tamizan. Pesar 0,5 g de muestra en un vaso de precipitados pequeño, añadir 10 ml de H2O2 al 10%, calentar y agitar para que reaccione y eliminar la materia orgánica. Luego se añadieron 10 ml de HCl al 10%, se calentó y se agitó para eliminar los carbonatos. Retire el vaso y déjelo enfriar durante 24 h. Retire el sobrenadante y agregue una cantidad adecuada de (NaPO3)6. Revuelva bien y utilice el analizador láser de tamaño de partículas Master sizer 2000 para determinar el contenido de textura de la muestra.

Se utilizó el espectrómetro de características terrestres American FieldSpec4 (350–2500 nm) para la adquisición del espectro en el laboratorio. La muestra de suelo se colocó en un recipiente negro con un diámetro de 10 cm y una profundidad de 1,5 cm. Para medir el espectro en proximidad cercana a la muestra de suelo se utilizó la sonda de reflexión de alta densidad de soporte. Se midieron 20 espectros en cada punto de muestra.

Dado que el rango de longitud de onda y la resolución espectral de los datos espectrales del suelo medidos por el espectrómetro de objetos terrestres FieldSpec 4 de ASD (Analytical Spectral Devices) eran diferentes de los datos hiperespectrales del UAV, para mantener la coherencia del rango de datos espectrales, se volvieron a muestrear los datos espectrales de laboratorio y de campo y sólo se retuvo la banda espectral con el mismo espectro que el espectro del UAV. Tres métodos de pretratamiento, SG + FDR (Savitzky-Golay + Reflectancia de primera derivada), SG + MSC + FDR (Savitzky-Golay + Corrección de dispersión multiplicativa + Reflectancia de primera derivada) y MSC + MF + FDR (Corrección de dispersión multiplicativa + Filtro de mediana + Primera Reflectancia derivada), se utilizaron para pretratar los tres espectros respectivamente. Los métodos y fórmulas de pretratamiento se muestran en la Tabla 1.

La conversión directa de espectro (DS) puede caracterizar la influencia de la humedad del suelo en el espectro de los UAV midiendo la ley de cambio entre el espectro de laboratorio y el espectro de los UAV. La conversión de DS tiene una relación como se muestra en la ecuación. (1).

donde \({X}_{L(m\times p)}\) son los datos espectrales de laboratorio de las muestras convertidas, \(m\) es el número de muestras convertidas, se utiliza el método de Kennard-Stone para seleccionar las número más apropiado de muestras convertidas, y \(p\) es el número de bandas espectrales. \({X}_{U(m\times p)}\) son los datos espectrales del UAV de la muestra convertida, \(B\) es la matriz de transformación que mide la diferencia entre \({X}_{L( m\times p)}\) y \({X}_{U(m\times p)}\); \(k{d}_{s}^{t}\) es la matriz residual utilizada para corregir la desviación de la línea base causada por la diferencia entre el espectro del UAV y el espectro del laboratorio. Esta fue la calibración del espectro del UAV utilizando el espectro de laboratorio. Si el espectro de UAV necesita ser corregido por el espectro de campo in situ, se analiza la diferencia entre el espectro de campo in situ y el espectro de UAV y se establece una relación funcional para realizar la corrección espectral.

Se determinó un método de corrección espectral óptimo para mejorar la precisión del modelado espectral del UAV. En este estudio, se utilizó espectroscopia de campo in situ para la calibración, espectroscopia de campo in situ, espectroscopia de laboratorio para la calibración de superposición y espectroscopia de laboratorio para la calibración. Se compararon las precisiones de modelado de estos tres métodos de corrección y se utilizó el método de corrección más adecuado para análisis posteriores.

Se utilizaron métodos de análisis de componentes principales y lineales para eliminar el contenido y los valores atípicos espectrales de las muestras. Se excluyeron diecisiete muestras, quedando 279 muestras. Se utilizó el método del gradiente de concentración para clasificar el contenido de textura de menor a mayor, y los conjuntos de muestras de modelado (186) y verificación (93) se determinaron en una proporción de 2:1. Para el modelado se utilizaron PLSR (regresión de mínimos cuadrados parciales), RF (bosque aleatorio) y XGBoost (aumento de gradiente extremo). PLSR, que es un método de modelado clásico, se puede utilizar para realizar un análisis detallado de datos espectrales. La clave de este modelo es determinar el número óptimo de componentes principales en el modelo de regresión, que se determina mediante el método de validación cruzada de dejar uno. El algoritmo PLSR se implementa en el software R. RF puede tomar decisiones efectivas estableciendo un árbol de regresión, que tiene alta estabilidad, gran capacidad antiruido y gran adaptabilidad de datos, y no puede producir un sobreajuste fácilmente. El algoritmo de RF se implementa en el software R. XGBoost es un modelo de aprendizaje integrado basado en el aprendizaje de árboles de decisiones que puede abordar problemas no lineales y tiene una alta eficiencia de entrenamiento. El modelo se puede explicar bien clasificando la importancia de las características. El algoritmo XGBoost se implementa en el software Python.

La precisión de cada modelo se evaluó utilizando \({R}^{2}\), error cuadrático medio (RMSE), error de análisis relativo (RPD) y error de cuartil (RPIQ). Cuanto más cerca esté \({R}^{2}\) de 1, mayor será la precisión del modelo. Cuanto más cerca esté el RMSE de 0, mayor será la capacidad de predicción del modelo. Si RPD < 1,4, el modelo no tiene capacidad de estimación. Si 1,4 ≤ RPD <2, el modelo puede realizar una estimación aproximada. Si RPD ≥ 2, el modelo puede realizar una estimación más precisa. Si RPIQ <1,7, el modelo no puede predecir las muestras. Si 1,7 ≤ RPIQ < 2,5, el modelo puede realizar una estimación aproximada. Si RPIQ ≥ 2,5, el modelo tiene una gran capacidad de predicción.

Los resultados de la determinación del contenido de textura de las muestras de suelo se muestran en la Fig. 4. Los contenidos de arena, limo y arcilla variaron de 97,87 a 51,76%, 2,1 a 44,79% y 1,54 a 10,13%, respectivamente, con un contenido promedio de 74,55%, 20,15% y 5,39%. Esto indicó que la textura del suelo en el área de estudio era principalmente franca. La desviación estándar y el coeficiente de variación de arena, limo y arcilla oscilaron entre 1,59 y 7,96 y entre 9,68 y 39,5%, lo que representa una variación media. La asimetría y la curtosis oscilaron entre -0,13 y 0,25 y entre -0,63 y -0,16, lo que indica que el contenido de textura del suelo en el área de estudio cumplió con el requisito de distribución normal.

Estadística descriptiva de la textura del suelo. SD: desviación estándar, CV: coeficiente de variación.

La Figura 5 muestra los contenidos de arena, limo y arcilla de todas las muestras de suelo divididos en cinco grados en orden ascendente. Las curvas de reflectancia del espectro de laboratorio, espectro de campo in situ y espectro de UAV se obtuvieron de acuerdo con la reflectancia promedio de cada grado. Las tendencias generales de las tres curvas espectrales para los diferentes contenidos de textura del suelo fueron consistentes. La reflectancia espectral disminuye con un aumento en el contenido de arena y arcilla, mostrando una correlación negativa, y aumenta con un aumento en el contenido de limo, mostrando una correlación positiva. El valor de reflectancia del espectro de laboratorio fue mayor que el del espectro in situ de campo y el espectro general del UAV. Los tres espectros mostraron la misma tendencia y el valor de reflectancia aumentó al aumentar la longitud de onda.

Características espectrales de reflexión de diferentes contenidos de textura del suelo.

El espectro de laboratorio pretratado, el espectro in situ de campo y las curvas del espectro UAV se muestran en la Fig. 6. Después de la transformación SG + FDR de los tres espectros originales R, la reflectancia de las curvas espectrales cambia, el valor de reflectancia disminuye, el espectro espectral Se mejoran las características y aumenta el número de picos de absorción. Esto indica que la transformación SG + FDR puede resaltar las características detalladas de las curvas espectrales. Después de la transformación SG + MSC + FDR del espectro original R (Reflectancia), la curva espectral estaba relativamente concentrada. El pico de absorción fue más prominente que el del espectro R original. Después de la transformación MSC + MF + FDR del espectro R original, el fenómeno cruzado espectral aparece en la banda del infrarrojo cercano, lo que indica que este método de pretratamiento debilita la diferencia de grado de las curvas espectrales, hace que las características espectrales sean más prominentes, amplifica la diferencia entre los picos y valles de la curva espectral y aumenta la diferencia en el ancho del pico de absorción.

Espectro original y características espectrales después del pretratamiento.

Se realizó un análisis de correlación entre el espectro de laboratorio, el espectro in situ de campo, el espectro de UAV y el contenido de textura del suelo (Fig. 7). La fluctuación de correlación del espectro de laboratorio fue la más pequeña, seguida por los espectros de campo in situ y UAV. La correlación entre el espectro de laboratorio y el espectro in situ de campo y el contenido de arena y arcilla generalmente primero aumentó y luego disminuyó, y la correlación con el contenido de limo primero disminuyó y luego aumentó. La correlación entre el espectro del UAV y la textura del suelo fluctuó aproximadamente en 0.

Correlación hiperespectral con la textura del suelo.

Las bandas características correspondientes al contenido de arena, limo y arcilla se extrajeron de los espectros de laboratorio, campo in situ y UAV, respectivamente (Fig. 8). En general, las bandas características de los tres espectros se concentraron principalmente en la banda NIR (1000-1700 nm), y las bandas características en la banda visible (400-1000 nm) fueron más bajas. Entre los cuatro métodos de transformación espectral, el número de bandas características seleccionadas por R + MSC + MF + FDR fue el mayor, seguido de R + SG + MSC + FDR y R + SG + FDR. El número de bandas características seleccionadas por el espectro original R fue el menor, oscilando entre 42 y 65.

Mapa de distribución de bandas de características.

El modelado PLSR, RF y XGBoost con contenido de textura del suelo se realizó utilizando el espectro de laboratorio, el espectro in situ de campo y el espectro UAV, y los resultados del modelado se muestran en las Tablas 2, 3 y 4. En las Tablas 2, 3 y 4, existe el mismo patrón de cambio. Para la espectroscopía de laboratorio, PLSR es casi incapaz de predecir Sand, RF tiene la capacidad de estimar aproximadamente Sand y XGBoost tiene una mejor capacidad para estimar Sand. En los espectros in situ de campo, el PLSR no puede estimarse mediante ninguna de las transformaciones, excepto R + MSC + MF + FDR, que puede estimar aproximadamente Sand (RPD = 1,416). En la espectroscopía UAV, la precisión general de los tres métodos de modelado vuelve a disminuir: ni PLSR ni RF tienen capacidades de estimación y XGBoost solo tiene resultados parcialmente mejores.

Entre los tres resultados de modelado espectral, la precisión del modelado del espectro de laboratorio fue la más alta, seguida por la del espectro de campo in situ, y la precisión del modelado del espectro de UAV fue la más baja. Entre los tres métodos de modelado, XGBoost tuvo la mayor precisión de modelado, seguido de RF, mientras que PLSR tuvo la más baja. Entre los cuatro métodos de transformación, la precisión del modelado de R + MSC + MF + FDR es la más alta en general, seguida de R + SG + MSC + FDR y R + SG + FDR, y la precisión del modelado del espectro original R es la más baja. Entre los resultados del modelado para el contenido de arena, limo y arcilla del suelo, la arcilla tuvo la mayor precisión general de modelado, seguida del limo y la arena.

Se utilizaron espectros in situ de campo y espectros de laboratorio como espectros de referencia para calibrar el espectro del UAV, y los resultados corregidos se muestran en la Fig. 9. El espectro corregido en la figura (a) es similar al espectro in situ de campo, pero el espectro la reflectancia es menor que el espectro de laboratorio. (b) La diferencia entre los valores máximo y mínimo del espectro corregido aumentó, lo que magnificó las características diferenciales de la curva espectral, lo que indica que se trata de un error acumulativo causado por la corrección de superposición. (c) El espectro corregido en la figura es similar al espectro de laboratorio y la diferencia de reflectancia entre los valores espectrales máximo y mínimo se redujo, lo que indica que el espectro de laboratorio tiene el efecto de corrección más fuerte en el espectro del UAV.

Comparación de la corrección espectral de UAV.

Para verificar aún más los efectos de corrección de estos tres métodos, los tres tipos de espectros corregidos se trataron previamente con R + MSC + MF + FDR, y los contenidos de limo y arcilla se sometieron individualmente al modelado XGBoost. Los resultados del modelado se muestran en la Fig. 10. La precisión general de la corrección del espectro de laboratorio fue la más alta, la precisión del espectro de campo in situ y la corrección de superposición del espectro de laboratorio fue la segunda, y la precisión de la corrección del espectro de campo in situ fue la más alta. más bajo.

Gráfico de dispersión del modelado espectral después de cada corrección.

Dado que el modelo establecido con un espectro de 400–1700 nm no se puede utilizar para un diagrama de mecanismo monofásico, R + MSC + MF + FDR se preprocesó por separado para los datos espectrales de la cámara visible de cerca y la cámara NIR, y después de la corrección con espectro de laboratorio, se utilizó para el modelado XGBoost con contenido de arena, limo y arcilla uno por uno. Los resultados del modelado se muestran en la Fig. 11. Los modelos establecidos por vis-Near con contenido de arena, limo y arcilla no fueron capaces de realizar estimaciones (RPD <1,4). Se pueden estimar los modelos establecidos mediante NIR y el contenido de arena, limo y arcilla (RPD > 1,4).

Modelado de diagramas de dispersión de espectros vis-Near y NIR.

En este estudio se cartografió la textura del suelo (arena, limo y arcilla) de la siguiente manera. Primero, los puntos de muestreo reales en el campo se importaron a las imágenes hiperespectrales del UAV y se extrajeron los datos hiperespectrales del UAV correspondientes para cada punto de muestreo. En segundo lugar, se realizó un modelado XGBoost basado en datos hiperespectrales de UAV para establecer ecuaciones de regresión para la textura del suelo (arena, limo y arcilla) versus bandas espectrales para cada zona de tierras de cultivo. Finalmente, se realizó el mapeo de la textura del suelo (arena, limo y arcilla) sustituyendo las ecuaciones de regresión en las imágenes hiperespectrales del UAV en la calculadora de bandas del software ENVI. En el mapeo de textura del suelo (arena, limo y arcilla), los modelos geoestadísticos utilizados para los tres componentes son todos modelos esféricos.

En el software ENVI, la fórmula del modelo establecida en el paso anterior se sustituyó en las imágenes hiperespectrales capturadas por la cámara NIR para realizar el mapeo del contenido de arena, limo y arcilla, y se obtuvieron los resultados del mapeo de las tres áreas de tierras de cultivo (Fig. 12). ). En los resultados del mapeo del contenido de arena, el Grado IV fue el principal contenido de arena en las Tierras Agrícolas A y B, y el Grado III fue el principal contenido de arena en las Tierras Agrícolas C. En los resultados cartográficos del contenido de limo, los Distritos de Campo A y B tuvieron principalmente Grado II, mientras que el Distrito de Campo C tenía principalmente el Grado IV. En los resultados del mapeo, el contenido de arcilla fue principalmente de Grado III en las Áreas de Tierras de Cultivo A, III y IV en el Área de Tierras de Cultivo B, y de Grado II en el Área de Tierras de Cultivo C.

Resultados del mapeo de textura del suelo.

Se realizaron estadísticas de contenido sobre los resultados del mapeo para obtener el área y el porcentaje de cada grado y el valor de contenido promedio de cada área de tierra agrícola (Tabla 5). En las estadísticas de contenido de arena, el contenido medio de arena en la tierra agrícola A fue el más alto (80,15%), seguido por el de la tierra agrícola B (77,03%) y el de la tierra agrícola C (67,71%). En las estadísticas de contenido de limo, el contenido promedio del Campo C fue el más alto (28,47%), seguido del Campo B (16,64%) y el Campo A tiene el más bajo (13,79%). En las estadísticas sobre el contenido de arcilla, el contenido medio de arcilla en la tierra agrícola B es el más alto (6,33%), seguido de la tierra agrícola A (6,06%) y la tierra agrícola C (3,82%).

Con base en cuatro transformaciones espectrales, tres métodos de modelado y tres tipos de espectros, se establecieron modelos de inversión de textura del suelo para arena, limo y arcilla. Se descubrió que se podían utilizar métodos de regresión de modelos apropiados basados en la teledetección de vehículos aéreos no tripulados para la inversión cuantitativa del contenido de la textura del suelo, lo que concordaba con la investigación de Gholizadeh et al.31.

Yang et al.32 demostraron que para el modelado espectral y el mapeo de suelos, la aplicación del aprendizaje automático proporcionó un esquema de modelado espectral más ideal, lo que mejoró en gran medida la precisión de la predicción y la solidez del modelo de estimación. Ye et al.33 indican que el aprendizaje integrado, como área importante del aprendizaje automático, ha recibido mucha atención en la investigación sobre aprendizaje automático y minería de datos. Hay mucho modelado y mapeo de suelos representado por el aprendizaje profundo, sin embargo, hay menos investigación sobre mapeo de suelos con algoritmos de aprendizaje integrados34. Por lo tanto, en este estudio se intenta mapear la textura del suelo de imágenes hiperespectrales de vehículos aéreos no tripulados utilizando el aprendizaje integrado.

El método PLSR tenía una capacidad relativamente baja para lidiar con la no linealidad y era propenso a la aleatoriedad, lo que afectó la relación no lineal entre la textura del suelo y la reflectancia espectral, lo que resultó en un efecto de modelado más pobre que el método RF. Esto estaba en línea con los resultados de Chagas et al.35 Chagas utilizó los modelos RF y PLSR para predecir la distribución espacial de la textura del suelo en áreas semiáridas y encontró que el modelo RF tenía mayor precisión. En comparación con el modelo de regresión tradicional, el modelo de algoritmo de regresión XGBoost presentado en este estudio tiene una gran capacidad de aprendizaje, capacidad para aproximarse a la mayoría de las relaciones no lineales, una gran capacidad de generalización, gran robustez y tolerancia a fallas, y podría manejar problemas no lineales y de alta dimensión de manera efectiva. para lograr la optimización local. Generalmente, este fue más efectivo que el modelo de regresión tradicional36,37. Ge et al.38 utilizaron imágenes hiperespectrales de vehículos aéreos no tripulados para predecir el contenido de humedad del suelo agrícola comparando los métodos de modelado XGBoost y RF combinados con el índice espectral de humedad del suelo. Los resultados mostraron que el modelo XGBoost tuvo el efecto más fuerte en la estimación del contenido de humedad del suelo y la mayor precisión de modelado, con un R2 de 0,926 y un valor RPD de 2,556. Este es el mismo método de modelado óptimo utilizado en este estudio.

Bilgili et al.39 realizaron una predicción del espectro visible del infrarrojo cercano del contenido de arena, limo y arcilla en muestras de suelo de la misma clase de suelo en un solo campo en Turquía. Aquí, el contenido de arcilla tuvo la precisión de predicción más alta (R2 = 0,90, RPD = 3,08) y el contenido de arena tuvo la precisión más baja (R2 = 0,35, RPD = 1,28). Awiti et al.40 utilizaron tecnología espectral vis-NIR para realizar predicciones de atributos del suelo y clasificación de grados para suelos tropicales en África subsahariana, donde las precisiones de predicción del contenido de arena, limo y arcilla fueron R2 = 0,82, 0,83 y 0,87. respectivamente. Esto indicó que el contenido de arcilla tuvo la mayor precisión de estimación. Se estimó que el contenido de arena tenía la precisión más baja, lo que es consistente con los resultados de este estudio.

Para solucionar el problema de la oscilación durante el vuelo del dron. En colaboración con Shu et al.12 En primer lugar, se eligió un día soleado, sin nubes y con vientos de menos de fuerza tres para el vuelo del dron. En segundo lugar, la ruta de vuelo se verificó a tiempo después de completar el vuelo utilizando el software Sbgcenter. Si se producían oscilaciones severas durante el vuelo, el vuelo se repetía. Finalmente, las imágenes del UAV son ortorrectificadas para evitar errores espectrales graves.

El modelo de inversión de la textura del suelo establecido en base a la escala de la tierra agrícola logró un nivel relativamente alto de precisión y los resultados de la inversión fueron consistentes con los resultados medidos. En comparación con Sankey et al.41, que estudiaron el contenido de nutrientes del suelo de pastos y tierras de cultivo en Sevilla, Nuevo México, utilizando imágenes hiperespectrales del satélite aéreo Sentinel y de vehículos aéreos no tripulados, los datos de los vehículos aéreos no tripulados se vieron menos afectados por la absorción atmosférica, la dispersión y la nubosidad. La prueba de vuelo se puede realizar seleccionando artificialmente un entorno externo más adecuado y el momento más adecuado para el vuelo para obtener datos de imagen con mayor calidad de imagen. Esto puede reflejar la situación real de la diferencia de grados en el contenido de textura del suelo en las tierras de cultivo de manera más clara y precisa. Por lo tanto, las imágenes de vehículos aéreos no tripulados pueden estimar con éxito el contenido de nutrientes del suelo en tierras de cultivo, que es el mismo resultado de la estimación de la textura del suelo utilizando el método hiperespectral de vehículos aéreos no tripulados en este estudio.

En comparación con los datos espectrales obtenidos en condiciones de laboratorio, la relación señal-ruido de los datos espectrales de los UAV obtenidos en condiciones de luz natural de campo suele ser menor debido a la influencia de la humedad del suelo en el campo. Por lo tanto, cuando se utilizan dichos datos espectrales para estimar el contenido de textura del suelo, es necesario mejorar aún más la precisión del modelo. En comparación con los datos originales, el modelo de inversión de textura establecido utilizando datos de UAV después de la eliminación y corrección de la humedad del suelo mejoró la estabilidad del modelo y el efecto de inversión en general. Ji et al.42 utilizaron un método de conversión directa para la corrección espectral de suelos de arroz en la provincia de Zhejiang, y la precisión del modelo de modelado mejoró significativamente. Los resultados han demostrado que eliminar el agua de los espectros del suelo puede mejorar la precisión de la predicción de la textura del suelo, lo que concuerda con los resultados de este estudio. La combinación de datos corregidos de vehículos aéreos no tripulados y la introducción de algoritmos de aprendizaje automático mejoraron efectivamente la precisión y confiabilidad del modelo de inversión de detección remota de vehículos aéreos no tripulados, lo que confirma la necesidad de eliminar el fondo de interferencia correspondiente en el campo del monitoreo de detección remota de vehículos aéreos no tripulados.

Los datos espectrales corregidos son altamente comparables y transitivos, lo que reduce efectivamente la influencia del entorno de campo en el espectro de campo. Con el apoyo del método positivo de la universidad, se espera que la estimación futura del contenido de la textura del suelo basada en datos hiperespectrales elimine el costo adicional de la recolección de muestras de suelo causado por la construcción de un modelo de textura del suelo independiente, lo que mejora significativamente la eficiencia de uso del espectro UAV. datos y verifica el potencial de la migración de modelos de laboratorio para aplicaciones de campo. Este estudio ha proporcionado una referencia técnica para la amplia aplicación de los datos hiperespectrales de los UAV en el monitoreo ambiental del suelo, el mapeo digital del suelo, la agricultura de precisión y otros campos.

Se exploró la aplicabilidad del espectrógrafo de alta resolución compatible con vehículos aéreos no tripulados para la estimación rápida del contenido de la textura del suelo en tierras de cultivo. Con base en tres áreas de tierras de cultivo de la cuenca de Huangshui en la provincia de Qinghai, se recopilaron datos hiperespectrales utilizando una cámara hiperespectral montada en un UAV en condiciones de campo y se construyó un modelo de estimación de la textura del suelo. Los resultados muestran que las imágenes hiperespectrales de vehículos aéreos no tripulados combinadas con el aprendizaje automático pueden obtener un conjunto de métodos de procesamiento ideales. El preprocesamiento de los datos espectrales puede obtener una alta precisión en la estimación de la textura del suelo y un buen efecto cartográfico. Los resultados de este estudio pueden proporcionar apoyo técnico eficaz y asistencia para la toma de decisiones para la planificación de tierras agrícolas en la meseta tibetana. La principal innovación de este estudio es establecer un conjunto de procedimientos y métodos de procesamiento aplicables a imágenes hiperespectrales de vehículos aéreos no tripulados para proporcionar datos de referencia para monitorear la textura del suelo en campos agrícolas en la meseta tibetana.

Los conjuntos de datos generados y analizados durante el estudio actual no están disponibles públicamente debido a que los proyectos de fondos requieren confidencialidad, pero están disponibles a través del autor correspondiente a solicitud razonable.

Liu, Y. et al. Predecir el contenido de sal del suelo sobre superficies con vegetación parcial mediante factorización matricial no negativa. IEEE J. Sel. Arriba. Aplica. Observador de la Tierra. Sensores remotos 8(11), 5305–5316 (2016).

ADS del artículo Google Scholar

Castaldi, F. y col. Evaluación del potencial de los generadores de imágenes multiespectrales e hiperespectrales actuales y futuros para estimar la textura del suelo y el carbono orgánico. Sensores remotos. Medio ambiente. 179(15), 54–65 (2016).

ADS del artículo Google Scholar

Duan, MQ, Song, XY, Liu, XW, Cui, DJ & Zhang, XG Mapeo de los tipos de suelo combinando datos de teledetección multitemporal con características de textura. Computadora. Electrón. Agrícola. 200, 107230 (2022).

Artículo de Google Scholar

Siqueira, RG, Moquedace, CM, Francelino, MR, Schaefer, CEGR y Fernandes-Fiho, EI Aprendizaje automático aplicado al mapeo del suelo antártico: predicción espacial de la textura del suelo para la Antártida marítima y la Península Antártica Norte. Geoderma 432, 116405 (2023).

Artículo ADS CAS Google Scholar

Swain, SR y cols. Estimación de la textura del suelo utilizando datos de imágenes multiespectrales de Sentinel-2: un enfoque de modelado conjunto. Labranza del suelo Res 213, 105134 (2021).

Artículo de Google Scholar

Lagacherie, P., Baret, F., Féret, JB, Netto, JM y Robbez-Masson, JM Estimación de arcilla del suelo y carbonato de calcio mediante mediciones hiperespectrales de laboratorio, de campo y aéreas. Sensores remotos. Medio ambiente. 112(3), 825–835 (2008).

ADS del artículo Google Scholar

Pu, YL et al. Respuesta de las fracciones de carbono orgánico y estabilidad del suelo a la degradación de las marismas alpinas en Zoige, meseta oriental de Qinghai-Tíbet. J. Ciencia del suelo. Nutrición vegetal. 20, 2145-2155 (2020).

Artículo CAS Google Scholar

Stenberg, B., Rossel, RAV, Mouazen, AM y Wetterlind, J. Espectroscopia visible y del infrarrojo cercano en la ciencia del suelo. Adv. Agrón. 107, 163–215 (2010).

Artículo CAS Google Scholar

Azizi, K., Garosi, Y., Ayoubi, S. & Tajik, S. Integración de Sentinel-1/2 y atributos topográficos para predecir la distribución espacial de las fracciones de textura del suelo en algunos suelos agrícolas del oeste de Irán. Labranza del suelo Res. 229, 105681 (2023).

Artículo de Google Scholar

Kaya, F., Başayiğit, L., Keshavarzi, A. & Francaviglia, R. Mapeo digital para la predicción de la clase de textura del suelo en el noroeste de Türkiye mediante diferentes algoritmos de aprendizaje automático. Registro Geoderma. 31, e00584 (2022).

Artículo de Google Scholar

Omondiagbe, OP, Lilburne, L., Licorish, SA y MacDonell, SG Predicción de la textura del suelo con redes neuronales convolucionales profundas automatizadas y aprendizaje basado en poblaciones. Geoderma 436, 116521 (2023).

ADS del artículo Google Scholar

Shu, MI y col. Estimación mejorada del estado hídrico del dosel en maíz utilizando imágenes digitales e hiperespectrales basadas en UAV. Computadora. Electrón. Agrícola. 197, 106982 (2022).

Artículo de Google Scholar

Gu, XH, Wang, YC, Sun, Q., Yang, GJ y Zhang, C. Inversión hiperespectral del contenido de materia orgánica del suelo en tierras cultivadas basada en la transformada wavelet. Computadora. Electrón. Agrícola. 167, 105053 (2019).

Artículo de Google Scholar

Gao, CR y cols. Predicción multivariada del carbono orgánico asociado a los agregados del suelo mediante la simulación de bandas de sensores satelitales. Computadora. Electrón. Agrícola. 209, 107859 (2023).

Artículo de Google Scholar

Aviña-Hernández, J. et al. Distribución espacial del carbono orgánico del suelo en manglares de ambiente árido estimada a partir de datos in situ e imágenes aéreas. J. Ciencia del suelo. Nutrición vegetal. 22, 4928–4942 (2022).

Artículo de Google Scholar

Shahriari, M., Delbari, M., Afrasiab, P. y Pahlavan-Rad, MR Predicción de la distribución espacial regional de la textura del suelo en llanuras aluviales utilizando datos de teledetección: un caso del sureste de Irán. CATENA 182, 104149 (2019).

Artículo de Google Scholar

Ma, SL, He, BZ, Ge, XY & Luo, XF Predicción espacial de la salinidad del suelo basada en la plataforma Google Earth Engine con imágenes de teledetección sintética multitemporal. Ecológico. Informar. 75, 102111 (2023).

Artículo de Google Scholar

Ge, XY, Wang, JZ, Ding, JL, Cao, X. & Li, X. Combinación de imágenes hiperespectrales basadas en UAV y algoritmos de aprendizaje automático para el monitoreo del contenido de humedad del suelo. PeerJ 7, e6926 (2019).

Artículo PubMed PubMed Central Google Scholar

Chen, SM et al. Predicción del contenido de nitrógeno, fósforo y potasio en hojas de manzano basada en la reflectancia hiperespectral del dosel in situ utilizando un modelo de máquina de aprendizaje extremo de conjunto apilado. J. Ciencia del suelo. Nutrición vegetal. 22, 10-24 (2021).

Artículo de Google Scholar

Hu, J., Peng, J., Zhou, Y., Xu, D. y Shi, Z. Estimación cuantitativa de la salinidad del suelo utilizando imágenes hiperespectrales y multiespectrales satelitales transmitidas por vehículos aéreos no tripulados. Sensores remotos. 11(7), 736 (2019).

ADS del artículo Google Scholar

Selige, T., Jürgen, B. & Schmidhalter, U. Mapeo de la capa superior del suelo de alta resolución utilizando imágenes hiperespectrales y datos de campo en procedimientos de modelado de regresión multivariante. Geoderma 136, 235–244 (2006).

Artículo ADS CAS Google Scholar

Aldana-Jague, E., Heckrath, G., Macdonald, Y., Wesemael, BV & Oost, KV Mapeo de carbono en el suelo basado en UAS utilizando imágenes multiespectrales VIS-NIR (480–1000 nm): potencial y limitaciones. Geoderma 275, 55–66 (2016).

Artículo ADS CAS Google Scholar

Ge, XY y col. Estimación del contenido de humedad del suelo agrícola mediante imágenes hiperespectrales basadas en vehículos aéreos no tripulados en la región árida. Sensores remotos 13(8), 1562 (2021).

ADS del artículo Google Scholar

Fabio, C. et al. Reducción de la influencia de la humedad del suelo en la estimación de arcilla a partir de datos hiperespectrales: un estudio de caso utilizando datos PRISMA simulados. Sensores remotos 7(11), 15561–15582 (2015).

Artículo de Google Scholar

Ren, JH, Xie, RF, Zhao, Y. & Zhang, ZP Enfoque fractal para medir los valores de conductividad eléctrica de suelos salino-álcalis de sodio con grietas de desecación en la llanura de Songnen, China. J. Ciencia del suelo. Nutrición vegetal. 23, 1953-1966 (2023).

Artículo CAS Google Scholar

Abdoli, P., Khanmirzaei, A., Hamzeh, S., Rezaei, S. y Moghimi, S. Uso de datos de teledetección para predecir el carbono orgánico del suelo en algunos suelos agrícolas de Irán. Aplicación de sensores remotos. Soc. Reinar. 30, 100969 (2023).

Google Académico

Ji, WJ, Shi, Z., Huang, JY y Li, S. Medición in situ de algunas propiedades del suelo en arrozales mediante espectroscopia visible e infrarroja cercana. MÁS UNO 9(8), 1–11 (2014).

Google Académico

Hu, YN, Gao, XH, Shen, ZY & Xiao, YF Estimación del contenido de materia orgánica del suelo basada en espectroscopia combinada de laboratorio y de campo en áreas agrícolas de tierras altas: un estudio de caso en la meseta de Qinghai-tibei, China. Entorno Fresenius. Toro. 31 (1), 1561-1575 (2022).

CAS Google Académico

Minasny, B. et al. Eliminación del efecto de la humedad del suelo de los espectros de reflectancia difusa NIR para la predicción del carbono orgánico del suelo. Geoderma 167(168), 118-124 (2011).

ADS del artículo Google Scholar

Dor, B., Ong, C. & Lau, IC Mediciones de reflectancia de suelos en el laboratorio: estándares y protocolos. Geoderma 245 (246), 112-124 (2015).

Anuncios Google Scholar

Gholizadeh, A., Žižala, D., Saberioon, M. & Borůvka, L. Recuperación y mapeo de textura y carbono orgánico del suelo mediante imágenes espectrales proximales, aéreas y Sentinel-2. Sensores remotos. Medio ambiente. 218, 89-103 (2018).

ADS del artículo Google Scholar

Yang, Y., Cui, Q., Jia, P. y Bai, H. Estimación de las concentraciones de metales pesados en la capa superior del suelo en el área minera de Daxigou, China, utilizando imágenes satelitales multiespectrales. Ciencia. Rep. 11(1), 1–9 (2021).

Google Académico

Ye, M. et al. Estimación de la concentración de arsénico en el suelo mediante un modelo XGBoost ponderado geográficamente basado en datos hiperespectrales. Ciencia. Medio ambiente total. 858(1), 159798 (2023).

Artículo ADS CAS PubMed Google Scholar

Ren, YG, Lv, ZQ, Xu, ZQ, Wang, Q. & Wang, Z. Modelado matemático de capacidad de suspensión de lignito modificado por microondas: un análisis comparativo del modelo de regresión no lineal multivariado y el modelo de algoritmo XGBoost. Energía 281(15), 128143 (2023).

Artículo CAS Google Scholar

Chagas, CDS, Junior, WDC, Bhering, SB & Filho, BC Predicción espacial de la textura de la superficie del suelo en una región semiárida utilizando bosque aleatorio y regresiones lineales múltiples. CATENA 139, 232-240 (2016).

Artículo de Google Scholar

Ivushkin, K. y col. Evaluación de la salinidad del suelo de tierras de cultivo basada en vehículos aéreos no tripulados. Geoderma 38, 502–512 (2018).

Google Académico

Chen, DS y cols. Estimación mejorada de Na+ a partir de datos hiperespectrales de vegetación salina mediante aprendizaje automático. Computadora. Electrón. Agrícola. 196, 106862 (2022).

Artículo de Google Scholar

Ge, XY, Ding, JL, Wang, JZ, Sun, HL & Zhu, ZQ Un nuevo método para predecir la humedad del suelo basado en imágenes hiperespectrales de UAV. Espectroscopía espectral anal. 40(2), 602–609 (2020).

CAS Google Académico

Bilgili, AV, Es, HMV, Akbas, F., Durak, A. y Hively, WD Espectroscopia de reflectancia del infrarrojo cercano visible para la evaluación de las propiedades del suelo en una zona semiárida de Turquía. J. Medio árido. 74(2), 229–238 (2010).

Artículo de Google Scholar

Awiti, AO, Walsh, MG, Shepherd, KD y Kinyamario, J. Clasificación de la condición del suelo mediante espectroscopia infrarroja: una propuesta para la evaluación de la condición del suelo a lo largo de una cronosecuencia de bosque tropical-tierra de cultivo. Geoderma 143(1–2), 73–84 (2008).

Artículo ADS CAS Google Scholar

Sankey, JB y cols. Cuantificación de la dinámica planta-suelo-nutrientes en pastizales: fusión de UAV hiperespectral-LiDAR, fotogrametría multiespectral UAV y fotografía digital LiDAR terrestre en una pradera desértica invadida por arbustos. Sensores remotos. Medio ambiente. 253, 112223 (2021).

ADS del artículo Google Scholar

Ji, WJ y cols. Predicción de los atributos del suelo utilizando la biblioteca espectral del suelo china y espectros estandarizados registrados en condiciones de campo. Labranza del suelo Res. 155, 492–500 (2016).

Artículo de Google Scholar

Descargar referencias

Esta investigación fue financiada por la Fundación Nacional de Ciencias Naturales de China, subvención número "42161061".

Facultad de Ciencias Geográficas, Universidad Normal de Qinghai, Xining, 810008, China

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

Laboratorio clave de geografía física y procesos ambientales de la provincia de Qinghai, Xining, 810008, China

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

Ministerio de Educación Laboratorio clave de procesos ecológicos y de la superficie terrestre de la meseta tibetana Ministerio de Educación Laboratorio clave de procesos ecológicos y de la superficie terrestre de la meseta tibetana, Xining, 810008, China

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

Academia de Ciencia y Sostenibilidad de Plateau, Xining, 810008, China

Xiao Hong Gao

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores contribuyeron sustancialmente a este manuscrito. Conceptualización, QS y XG; curación de datos, QS, XG, YS, QL, ZC y SC; análisis formal, QS y XG; adquisición de financiación, XG; metodología, QS, ZC y SC; software, QS y XG; supervisión, QS y XG; visualización, QS y XG; y redacción: borrador original, QS y XG. Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Xiaohong Gao.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Song, Q., Gao, X., Song, Y. et al. Estimación y mapeo del contenido de textura del suelo basado en imágenes hiperespectrales de vehículos aéreos no tripulados. Representante científico 13, 14097 (2023). https://doi.org/10.1038/s41598-023-40384-2

Descargar cita

Recibido: 23 de junio de 2023

Aceptado: 09 de agosto de 2023

Publicado: 29 de agosto de 2023

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

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.