UAV无人机高光谱图像土壤盐度制图(湿度校正)——MDPI Agronomy

方法

6种光谱变换与KNN、SVR、MLP及Stacking集成，基于UAV高光谱数据

发现

FDR+OSC-Stacking最优，R²p=0.87、RMSEP=0.67 mS·cm⁻¹、RPD

机会点

可探索多时相/多传感器融合与迁移学习，提升不同湿度与区域下盐度反演泛化性。

研究评估了6种光谱变换方法(原始反射率Ref、一阶导数FDR、PDS、OSC、FDR+PDS、FDR+OSC),结合3种机器学习算法(KNN、SVR、MLP)。进一步开发了集成这些基础学习者的Stacking集成模型,以提高湿度干扰下土壤盐度反演的精度。结果表明,Stacking模型在评估模型中达到最高的精度和稳定性。FDR+OSC-Stacking组合实现最佳验证性能,R²p=0.87,RMSEP=0.67 mS·cm⁻¹,RPD=2.93。FDR+OSC-Stacking组合成功应用于UAV高光谱图像,用于EC1:5的空间制图。来自吉林大学。