22、基于多种机器学习算法和Radarsat - 2 SAR图像极化系数的不同土壤类型自动识别

基于多种机器学习算法和Radarsat - 2 SAR图像极化系数的不同土壤类型自动识别

1 引言

在任何一块土地上不同坑中的土壤，其外观存在明显差异，包括颜色、深度、易加工性等。这些特性的变化导致土壤的植物生长功能各不相同。而且，土壤肥力还受外部因素影响。因此，对土壤进行系统分类十分必要，就像植物学、动物学等学科一样，将特征相似的土地归为特定类别，便于研究和理解。不过，由于土壤是在多种因素影响下历经数千年形成的，很难找到一种通用的分类标准。

传统方法（如实验室分析和土壤采样）来确定大面积农田的土壤类型既麻烦又昂贵。而遥感（RS）技术能在更短时间内以更低成本完成这一任务，且易于更新，即使在地理条件复杂的地区也具有很大优势。

RS数据在过去几十年中成为确定数字土壤类型和进行不同尺度土壤制图的有希望的数据资源。它包含土壤光谱反射率等信息，空间覆盖范围大，可对难以到达的区域进行制图，并能生成时空上全面一致的数据。在土壤调查中，RS数据还可补充或减少传统土壤采样。

电磁频谱的微波区可用于确定土壤参数，因为该区域对土壤成分变化较为敏感。在各种微波传感器中，合成孔径雷达（SAR）系统（如Radarsat - 1、Sentinel - 1、Radarsat - 2等）在确定土壤类型等参数方面具有很大潜力。其中，正交极化（极化测量）SAR能通过多极化产生更详细的数据，并能穿透土壤表面，结合机器学习技术可用于农业监测、土壤类型确定和数字土壤制图。

此前已有许多利用RS数据和机器学习模型的研究，例如：
- Forkuor等人利用RS数据以及多元线性回归和机器学习模型进行土壤属性的数字制图。
- Zeraatpisheh等人在伊朗Boruje