Estimación de la calidad de la tierra cultivada basada en datos hiperespectrales del suelo
Autores: Lin, Chenjie; Hu, Yueming; Liu, Zhenhua; Peng, Yiping; Wang, Lu; Peng, Dailiang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Un eficiente monitoreo de la calidad de la tierra cultivada (CLQ) desempeña un papel significativo en la protección de la tierra cultivada. Los datos espectrales del suelo pueden reflejar el estado de la tierra cultivada. Sin embargo, la mayoría de los estudios han utilizado información espectral de cultivos para estimar la CLQ, y hay poca investigación sobre el uso de datos espectrales del suelo con este propósito. En este estudio, por primera vez se utilizaron datos hiperespectrales del suelo para evaluar la CLQ. Obtenemos las variables espectrales óptimas a partir de datos espectrales de suelo seco utilizando un algoritmo de árbol de decisión de aumento de gradiente (GBDT) combinado con el factor de inflación de la varianza (VIF). Se emplearon dos algoritmos de estimación (regresión de mínimos cuadrados parciales (PLSR) y red neuronal de retropropagación (BPNN)) con validación cruzada de 10 pliegues para desarrollar el modelo de relación entre las variables espectrales óptimas y la CLQ. Los algoritmos óptimos se determinaron por el grado de ajuste (coeficiente de determinación, R). Para estimar la CLQ a escala regional, los datos del Imager Hiperespectral HuanJing-1A (HJ-1A HSI) se transformaron en datos espectrales de suelo seco utilizando el modelo de vinculación de la reflectancia espectral del suelo original a la reflectancia espectral del suelo seco. Este estudio se realizó en la provincia de Guangdong, China y en el distrito de Conghua dentro de la misma provincia. Los resultados mostraron lo siguiente: (1) las variables espectrales óptimas seleccionadas de las variables espectrales de suelo seco fueron 478 nm, 502 nm, 614 nm, 872 nm, 966 nm, 1007 nm y 1796 nm. (2) El BPNN fue el modelo óptimo, con un R(C) de 0.71 y un error cuadrático medio raíz normalizado (NRMSE) del 12.20%. (3) Los resultados mostraron que el R de la estimación de CLQ a escala regional basada en el método propuesto fue 0.05 superior, y el NRMSE fue 0.92% inferior al del mapa de CLQ obtenido utilizando el método tradicional. Además, el NRMSE de la estimación de CLQ a escala regional basada en variables espectrales de suelo seco de los datos HJ-1A HSI fue 2.00% inferior al del modelo basado en los datos HJ-1A HSI originales.
Descripción
Un eficiente monitoreo de la calidad de la tierra cultivada (CLQ) desempeña un papel significativo en la protección de la tierra cultivada. Los datos espectrales del suelo pueden reflejar el estado de la tierra cultivada. Sin embargo, la mayoría de los estudios han utilizado información espectral de cultivos para estimar la CLQ, y hay poca investigación sobre el uso de datos espectrales del suelo con este propósito. En este estudio, por primera vez se utilizaron datos hiperespectrales del suelo para evaluar la CLQ. Obtenemos las variables espectrales óptimas a partir de datos espectrales de suelo seco utilizando un algoritmo de árbol de decisión de aumento de gradiente (GBDT) combinado con el factor de inflación de la varianza (VIF). Se emplearon dos algoritmos de estimación (regresión de mínimos cuadrados parciales (PLSR) y red neuronal de retropropagación (BPNN)) con validación cruzada de 10 pliegues para desarrollar el modelo de relación entre las variables espectrales óptimas y la CLQ. Los algoritmos óptimos se determinaron por el grado de ajuste (coeficiente de determinación, R). Para estimar la CLQ a escala regional, los datos del Imager Hiperespectral HuanJing-1A (HJ-1A HSI) se transformaron en datos espectrales de suelo seco utilizando el modelo de vinculación de la reflectancia espectral del suelo original a la reflectancia espectral del suelo seco. Este estudio se realizó en la provincia de Guangdong, China y en el distrito de Conghua dentro de la misma provincia. Los resultados mostraron lo siguiente: (1) las variables espectrales óptimas seleccionadas de las variables espectrales de suelo seco fueron 478 nm, 502 nm, 614 nm, 872 nm, 966 nm, 1007 nm y 1796 nm. (2) El BPNN fue el modelo óptimo, con un R(C) de 0.71 y un error cuadrático medio raíz normalizado (NRMSE) del 12.20%. (3) Los resultados mostraron que el R de la estimación de CLQ a escala regional basada en el método propuesto fue 0.05 superior, y el NRMSE fue 0.92% inferior al del mapa de CLQ obtenido utilizando el método tradicional. Además, el NRMSE de la estimación de CLQ a escala regional basada en variables espectrales de suelo seco de los datos HJ-1A HSI fue 2.00% inferior al del modelo basado en los datos HJ-1A HSI originales.