AI-enabled UAV-based Soil Organic Carbon Mapping in Arid Environments: A Pilot Study Protocol
Moath Awawdeh · Irfan Ahmed · Anees Bashir 等 9 人
提出一套无人机高光谱结合AI的干旱区土壤有机碳制图标准化试点方案。
无人机高光谱遥感、地面采样、光谱特征选择与机器学习建模，用R²、RMSE、MAE
构建了可复现的SOC估算流程，并纳入环境混杂因素与不确定性评估。
可在多干旱区开展跨区域验证，探索模型迁移性与不确定性量化方法。
提出无人机高光谱结合AI的干旱区土壤有机碳制图标准化方案，方法框架清晰但尚属试点协议、缺乏实地验证，具备一定参考价值。
引言 土壤有机碳（SOC）是衡量土壤健康、农业生产力及碳固存潜力的重要指标。然而，干旱环境中高空间异质性和传统土壤采样的局限性制约了准确且可扩展的SOC制图。本研究旨在开发一个标准化的无人机（UAV）框架，用于干旱农业环境中的高分辨率SOC制图。方法 开发了一套整合无人机高光谱遥感与人工智能及机器学习的试点研究方案。该工作流程涵盖研究地点选择、地面参考采样、无人机高光谱数据采集、辐射与几何预处理、光谱特征提取与选择、机器学习模型开发、验证、不确定性评估，以及使用R²、RMSE和MAE进行的性能评价。该方案还包括对环境混杂因素的评估，包括土壤水分、地表粗糙度和作物残茬。结果 所构建的框架为基于无人机的SOC估算提供了系统且可重复的工作流程，整合了野外观测、高光谱特征、预测建模和不确定性评估。它建立了明确的程序，用于评估模型在不同田间条件下的稳健性和可迁移性。讨论 该框架通过将遥感与人工智能整合于标准化的试点研究设计中，填补了无人机SOC制图领域的重要方法学空白。其对环境混杂因素和不确定性评估的重视，可提高SOC制图研究的可靠性和可比性。然而，仍需在不同干旱环境中进行田间验证。结论 所提出的方案为可重复的SOC制图及后续田间验证提供了实用基础，支持干旱地区的精准农业、可持续土壤管理以及碳监测、报告与核查（MRV）。