典型文献
基于Google Earth Engine和机器学习的耕地土壤有机质含量预测
文献摘要：
土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要.高分辨率遥感技术和谷歌地球引擎(Google Earth Engine,GEE)云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法.该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林(Random Forest,RF)、梯度升级树(Gradient Boosting Decision Tree,GBDT)和支持向量机(Support Vector Machine,SVM)算法,在GEE平台对藁城耕地土壤有机质含量进行反演.结果表明:1)基于Sentinel-2A建立的模型(模型A*)在预测SOM含量方面优于基于Landsat8建立的模型(模型B*),GBDT算法下的Sentinel-2A的全变量模型取得了最佳结果(R2=0.759,RMSE=2.852 g/kg);2)考虑红边波段的Sentinel-2A数据建立的模型(A-1)比不考虑红边波段的模型(A-0),R2提高了9.752％;;3)从不同的预测算法来看,GBDT算法能较好地适用于研究区的土壤有机质预测,GBDT算法、Sentinel-2A与GEE的结合是土壤有机质预测制图的一种有效方法.
文献关键词：
土壤;有机质;数字土壤制图;GEE云平台;机器学习;耕地
中图分类号：
作者姓名：
郭静;龙慧灵;何津;梅新;杨贵军
作者机构：
湖北大学资源环境学院,武汉 430062;农业农村部农业遥感机理与定量遥感重点实验室,北京市农林科学院信息技术研究中心,北京 100097
文献出处：
引用格式：
[1]郭静;龙慧灵;何津;梅新;杨贵军-.基于Google Earth Engine和机器学习的耕地土壤有机质含量预测)[J].农业工程学报,2022(18):130-137
A类：
SRTMGL1
B类：
Google,Earth,Engine,耕地土壤,土壤有机质含量,含量预测,定级,耕地质量评价,精准高效,取土,高分辨率遥感,遥感技术,谷歌地球引擎,GEE,云计算平台,途径和方法,藁城区,Sentinel,2A,MSI,Landsat8,OLI,数据源,SAR,ECMWF,ERA5,气象数据,USGS,高程数据,Random,Forest,RF,Gradient,Boosting,Decision,Tree,GBDT,Support,Vector,Machine,SOM,RMSE,红边波段,预测算法,数字土壤制图
AB值：
0.341248
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
