.png){kind=icon}
返回
Deep learning-driven soil texture classifier using Landsat 8 images
.png){kind=icon}
PRE
AI
DOI：10.1016/j.rsase.2025.101568.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
土壤质地表征是农业发展和环境可持续性的重要标准。传统方法严重依赖野外样本，且通常为大规模应用提供的数据不足。本研究通过整合来自Landsat 8的6个光学波段、7个衍生指数、数字高程模型（DEM）的8个地形属性以及灰度共生矩阵（GLCM）的9个纹理特征，将土壤分为6个质地类别。研究区域为安得拉邦奇托尔县，面积约为15,349平方公里，土壤类别包括Fine Loamy、Loamy、Loamy Skeletal、Coarse Loamy、Fine、Clayey Skeletal。利用随机森林（RF）算法进行特征重要性分析表明，地形属性和特定Landsat 8波段是区分土壤类别的最关键特征。这些特征被输入深度学习模型（卷积神经网络（CNN）、循环神经网络（RNN））和混合模型（CNN-RF、RNN-RF）进行土壤质地分类。历史土壤数据（1:50,000比例尺），包含6个土壤类别的1800个样本，用于训练模型。结果表明，RNN-RF模型实现了最高的平均准确率99.2%和F1-Score 98.5%。CNN-RF模型的平均准确率略低，为98.2%，其后为RNN（98.1%）和CNN（97.4%）。RNN-RF模型在分类土壤类别方面表现优于其他模型，特别是在Fine Loamy和Coarse Loamy类别上。这些发现强调了整合遥感技术与混合深度学习模型在大规模土壤质地分类中的有效性。
Keyword:
Soil texture classification
Remote sensing
Topographic attributes
Texture features
Hybrid models
期刊
R
IF:
4.5
论文数:
1.4K
被引数:
5.3K
机构
引用论文
Effects of different sources and spatial resolutions of environmental covariates on predicting soil organic carbon using machine learning in a semi-arid region of Iran环境协变量的不同来源和空间分辨率对使用机器学习预测伊朗半干旱地区土壤有机碳的影响.png)
GEODERMA REGIONAL
GEODERMA REGIONALIF3.3
PREAI
分享收藏Incorporating environmental variables, remote and proximal sensing data for digital soil mapping of USDA soil great groups结合环境变量，遥感和近端传感数据，用于USDA土壤大群体的数字土壤制图
PREAI
分享收藏An Experimental Research on the Use of Recurrent Neural Networks in Landslide Susceptibility Mapping
OAAI
OAAI分享收藏Digital mapping of soil properties using multiple machine learning in a semi-arid region, central Iran在伊朗中部半干旱地区使用多种机器学习对土壤特性进行数字制图GEODERMA
GEODERMAIF6.6
PREAI
分享收藏Spatial prediction of physical and chemical properties of soil using optical satellite imagery: a state-of-the-art hybridization of deep learning algorithm使用光学卫星图像对土壤理化性质进行空间预测: 深度学习算法的最新混合
OAAI
OAAI分享收藏Identifying opportunities to improve digital soil mapping in India: A systematic review识别改善印度数字土壤制图的机会: 系统综述GEODERMA REGIONAL
GEODERMA REGIONALIF3.3
PREAI
分享收藏
查看更多内容