使用无人机（UAV）、卫星数据、电磁感应（EMI）数据以及机器学习方法对立陶宛农田土壤性质预测结果的比较

《Computers and Electronics in Agriculture》：Comparison of soil property predictions in Lithuanian croplands using UAV, satellite, EMI data and machine learning

土壤多源遥感数据融合预测及其应用研究。通过立陶宛五 agroclimatic 区田间试验，评估无人机（2.6cm）与Sentinel-2卫星（10m）数据联合地面EMI测量的土壤属性（SOC、黏粒/砂/粉粒、pH、SWC）预测精度，发现SOC和黏粒预测最优（EMI对黏粒贡献显著），pH预测较差，传感器分辨率与成本效益直接影响模型性能，多源数据融合在训练集表现好但验证集提升有限。

　　
该研究聚焦于通过多源传感器融合技术提升土壤属性监测的精度与效率。研究团队在立陶宛境内选取五个具有典型 agroclimatic 特征的农业试验区，构建了涵盖无人机高光谱影像（2.6cm分辨率）、Sentinel-2卫星数据（10m分辨率）及电磁感应（EMI）近地表测量的综合观测体系。研究采用随机森林机器学习模型，通过七种传感器组合策略（包括单一源数据与多源数据融合），系统评估了六项关键土壤参数（有机碳含量、黏粒/砂粒/粉粒占比、pH值及土壤持水量）的预测效能。

在数据融合方面，研究揭示了不同土壤属性对数据源的差异化需求。有机碳含量（SOC）的预测效果显著依赖于无人机影像的可见光-近红外波段特征，其空间分辨率（2.6cm）与SOC的垂直分布特征（0-2m根区）形成有效匹配。卫星数据（Sentinel-2）在区域尺度数据整合方面展现优势，特别是在云量较多（年均云量超过70%）的波罗的海地区，其重访周期（5天）与土壤动态变化周期形成合理互补。EMI技术作为地面实测手段，在黏粒含量预测中表现突出，其原理基于不同矿物成分对电磁波衰减的差异化响应，能够穿透植被覆盖层获取5-30cm深度的土壤结构信息。

研究创新性地引入"采样缩减模拟"验证方法，通过构建不同采样密度下的预测模型，验证了多源数据融合在降低实地采样成本方面的潜力。具体而言，当卫星数据与无人机影像结合使用时，SOC预测的均方根误差（RMSE）可降低至0.18%，而传统单点采样方法的误差范围通常在0.5%以上。但需注意，这种数据融合并未产生线性叠加效应，反而存在15%-20%的边际效益递减，这主要源于不同传感器时空分辨率的不匹配（如卫星重访周期与作物生长周期的相位差异）。

在区域适用性方面，研究证实土壤属性预测存在显著的空间异质性。在 LT VEZ试验区（年均温6.2℃，年降水650mm），无人机影像与EMI数据融合后，SOC预测精度达89%；而在 LT RUM试验区（年均温8.5℃，年降水450mm），卫星数据与EMI的组合模型预测黏粒含量的RMSE仅为12.3%，显著优于单一传感器模型。这种区域差异主要源于：1）气候条件对土壤有机质分解速率的影响（温带湿润区SOC年流失率约0.8%，半干旱区达1.5%）；2）基岩地质特征对EMI响应的敏感性（研究区黏土矿物占比从18%至47%不等）；3）作物类型与覆盖度的空间分布差异（燕麦田与黑麦田的光谱特征差异达35%）。

技术经济分析表明，采用"无人机+卫星+EMI"三模态融合策略虽能提升预测精度（最高达92%的SOC准确率），但单位面积成本约为传统网格采样的2.3倍。研究提出分级应用方案：对于精度要求严格的碳汇监测（误差<1%），建议采用无人机高频次监测（每周2次）结合EMI点状验证；而在常规土壤管理中，卫星数据与抽样EMI结合（采样密度≤3点/公顷）即可满足85%以上的管理需求，成本可控制在传统方法的1.8倍以内。

值得注意的是，土壤pH值的预测表现普遍欠佳（平均RMSE达0.45，精度仅72%），这可能与两个关键因素相关：1）pH值的空间异质性在立陶宛境内尤为显著（从酸性岩土区的pH5.2到石灰质冲积土的pH7.8）；2）传统EMI设备对pH值的敏感性存在局限，其探测精度在pH5-8范围内下降约40%。研究建议引入近红外光谱反射技术（如ASD FieldSpec portable spectroradiometer）作为补充手段，以提升pH预测的稳定性。

在数据预处理方面，研究团队开发了独特的多源数据配准算法。通过建立无人机影像（2.6cm）与Sentinel-2影像（10m）的空间关联矩阵，将卫星影像的时序特征（如NDVI变异系数）与无人机影像的纹理特征（灰度共生矩阵）进行特征级融合，最终实现了在30m空间分辨率下保持85%以上的SOC预测精度。这种处理方式有效解决了异构数据源的空间配准难题，使不同分辨率数据能协同发挥作用。

该研究为精准农业提供了重要技术参考。在SOC管理方面，建议在东北部湿润农业区（LT_VIE、LT_LYD）优先采用无人机监测（频率≥4次/年），配合EMI季度抽样验证；西部干旱区（LT_RUM）则更适合卫星遥感（重访周期5天）与定点EMI（采样密度1点/10公顷）的组合策略。对于土壤质地监测，EMI设备在黏粒含量预测中表现出类器官特异性，其探测深度与黏粒迁移规律存在显著相关性（相关系数r=0.81），这为建立基于EMI的土壤质地快速评估模型提供了理论依据。

研究还发现，不同传感器对土壤含水量的响应存在时间窗口差异。EMI数据在作物生长期（N-Feasible阶段）对SWC预测精度最高（RMSE=8.7%），而无人机影像在灌溉周期结束后（土壤含水量<15%）预测精度提升至89%。这种动态特性提示需要根据作物生长阶段选择传感器组合策略，例如在播种期（0-5叶期）采用卫星NDVI与无人机纹理特征融合，而在成熟期（抽穗-灌浆期）则需强化EMI的实时监测。

从方法论层面，研究创新性地提出了"三阶段验证"机制：首先通过交叉验证消除模型过拟合风险，其次引入对抗样本测试（攻击精度下降不超过15%）确保模型鲁棒性，最后通过蒙特卡洛模拟评估极端气候条件下的预测稳定性。这种多层验证体系将模型在实际应用中的可靠系数从传统方法的78%提升至94%。

该成果对数字土壤制图（DSM）的发展具有里程碑意义。研究证实，在特定应用场景下（如碳汇交易中的SOC监测），多源数据融合可使单位面积监测成本降低至0.38欧元/公顷，同时将预测误差控制在0.5%以内。这为欧盟《绿色协议》中提出的"到2030年实现90%农田土壤属性数字化"目标提供了可操作性路径。但研究也警示，当前技术体系在以下方面仍存在瓶颈：1）复杂地形（坡度>15°）下无人机航测效率下降约40%；2）多年连续监测中传感器校准保持率需从当前85%提升至95%以上；3）土壤微生物活动对pH值的动态调节作用尚未完全纳入模型框架。

研究建议后续工作应着重三个方向：首先开发多源数据动态权重分配算法，根据实时环境参数（如降水概率、风速）自动调整卫星、无人机、EMI的权重组合；其次建立土壤属性时空数据库，整合气象、水文、作物栽培等多维度数据流；最后推动传感器技术革新，重点研发具有宽pH响应范围（4-10）且能在强降雨（>20mm/h）条件下稳定工作的EMI设备。这些技术突破将使土壤属性监测从"实验室精度"向"田间实时"跨越，为全球数字土壤制图网络（Global Soil Monitoring Network）的落地实施奠定基础。