基于无人机多光谱影像与机器学习算法的烟草田土壤有机碳含量精准预测研究

为精准快速获取烟草田土壤有机碳(SOC)含量以指导田间施肥管理，研究人员通过无人机(UAV)多光谱影像提取光谱反射率并计算光谱指数，引入红边波段改良原始指数，构建以近红外和红边波段为主导的改良光谱指数。结合灰色关联度、离散度和多重共线性分析筛选变量，采用随机森林(RF)、支持向量机(SVM)、BP神经网络(BPNN)和极限梯度提升(XGBoost)四种机器学习算法建模。结果显示改良光谱指数与SOC相关性更优，三指数组合变量模型精度最高，其中RF算法在a、b田块预测最优(R2=0.913/0.907，RMSE=0.504/0.525)，XGBoost在c、d田块表现最佳(R2=0.923/0.915，RMSE=0.559/0.561)。验证集R2达0.923，成功绘制SOC空间分布图，为无人机遥感监测土壤肥力提供新方法。

　　

精准掌握土壤有机碳(SOC)含量如同破解土壤肥力的密码本，对烟草田科学施肥至关重要。科研团队巧妙运用无人机(UAV)搭载的多光谱相机，捕捉土壤反射的光谱信号，并通过数学魔术将红边波段(near-infrared-red edge)融入传统光谱指数进行升级改造。这些经过"基因编辑"的光谱指数，在灰色关联度分析、离散度筛查和多重共线性检测三重质检下，筛选出最优变量组合。

机器学习四大天王——随机森林(RF)、支持向量机(SVM)、BP神经网络(BPNN)和极限梯度提升(XGBoost)展开算法对决。结果令人振奋：改良版光谱指数与SOC含量产生"化学反应"，特别是三指数联用的模型组合技表现抢眼。RF算法在a、b试验田斩获双冠(R²≥0.907)，XGBoost则在c、d田块后来居上(R²≥0.915)，验证集0.923的R²值更印证了模型的可靠性。最终生成的SOC"热力图"，为精准农业装上了天眼，让土壤碳管理变得像查看天气预报般直观。这项研究堪称光谱分析与人工智能的完美联姻，为智慧农业提供了新的技术工具箱。