Machine Learning-Based Classification of Soil Reflectance Signatures Acquired Using ASD FieldSpec Spectroscopy

方法

ASD FieldSpec测350-2500nm光谱，PCA降维至50特征，随机

发现

两种分类器均达100%准确率，五折交叉验证平均准确率仍为100%。

机会点

样本仅16份且类别简单，可扩展多类型土壤、田间原位光谱与跨区域迁移验证。

土壤的合理分类对可持续农业和高效土地资源管理至关重要。实验室条件下的传统土壤分析方法虽然可靠，但费时费力、耗时且具有破坏性。高光谱光谱反射率测量是一种替代方法，能够快速获得无损结果。本研究使用ASD FieldSpec地物光谱辐射仪在350—2500 nm光谱范围内记录了16个土壤样品的光谱特征。每个土壤样品扫描10次，因此数据集包含160条土壤高光谱光谱特征曲线，涵盖2151个特征。对所得数据进行预处理后，采用主成分分析（PCA）将特征数从2151个降至50个，同时保留土壤的主要光谱特征。研究使用了两种监督机器学习分类算法，即随机森林和支持向量机（SVM）。分类器表现出100%的准确率，精确率、召回率和F1分数均等于1.00。混淆矩阵未显示任何误分类。五折交叉验证的平均准确率达到100%。结果表明，高光谱反射光谱结合机器学习构成了一种稳健、高效且无损的土壤光谱特征分类方法，在精准农业和环境监测中具有重要应用价值。