005_SA202405011_刘丽琪_L参考资料.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

基于机器学习优化建模的GF-5影像土壤总氮量预测填图

121*

刘丽琪，魏广源，周萍

（1.中国地质大学（北京）地球科学与资源学院，北京100083，中国；2.中国地质大学（武汉）地球科学学院，

湖北武汉430074，中国）

摘要：［［目的目的/意义意义］］大范围快速检测土壤养分并实现基于GF-5影像对土壤总氮量精准填图。［［方法方法］］基于实测

土壤光谱和GF-5星载高光谱数据，引入偏最小二乘回归（PartialLeastSquaresRegression,PLSR）、反向神经网络

（BackPropagationNeuralNetwork,BPNN）和以核函数Poly为驱动支持向量机（SupportVectorMachine,SVM）的机

器学习算法，构建3种土壤总氮（TotalNitrogen,TN）反演模型，并以十折交叉验证方法确定各模型的最优解。采

用多元散射校正（MultipleScatteringCorrection,MSC）获取的波段特征值使模型表现更佳。［［结果和讨论结果和讨论］］MSC-

2

Poly-SVM模型经测试集样本检验，其决定系数（R）、均方根误差（RootMeanSquaredError,RMSE）和相对分析

误差（ResidualPredictionDeviation,RPD）分别是0.863、0.203和2.147。将该模型用于星载GF-5号影像数据进行

土壤总氮含量的反演填图。由填图结果可见，黑龙江省富锦市建三江垦区86.1%的土地总氮量均在2.0g/kg以上，

土地氮含量以一等地块和二等地块为主，而三等地块和四等级地块仅占总面积的11.83%。研究区内土壤氮要素

储备充足，总氮高背景值主要集中在中部靠近河流两岸、呈北东东向分布。本研究土壤总氮预测成图结果与前人

1∶25万地球化学插值和航空高光谱影像（CompactAirborneSpectrographicImager,CASI）和（ShortwaveInfrared

AirborneSpectrographicImager,SASI）填图效果具有很好的一致性。［［结论结论］］研究表明星载GF-5高光谱数据在土壤

全氮含量监测填图和可视化分析上具有极高的潜力，本研究提出方法可为今后大范围开展定量检测土壤养分状况

以及合理施肥提供技术支撑。

关键词：GF-5高光谱数据；土壤总氮；偏最小二乘回归法；反向神经网络；多元散射校正；机器学习

中图分类号：TP75；P285.1文献标志码：A文章编号：SA202405011

引用格式：刘丽琪,魏广源,周萍.基于机器学习优化建模的GF-5影像土壤总氮量预测填图[J].智慧农业(中英文),

2024,6(5):61-73.DOI：10.12133/j.smartag.SA202405011

LIULiqi,WEIGuangyuan,ZHOUPing.PredictionandMappingofSoilTotalNitrogenUsingGF-5ImageBasedonMa‐

chineLearningOptimizationModeling[J].SmartAgriculture,2024,6(5):61-73.DOI：10.12133/j.smartag.SA202405011

(inChinesewithEnglishabstract)

0