摘要:為探究苜蓿地不同生育期不同深度的土壤含鹽量快速反演模型,,采集苜蓿地分枝期、現(xiàn)蕾期,、初花期深度0~15cm,、15~30cm、30~50cm土壤含鹽量,,基于無人機(jī)多光譜影像數(shù)據(jù),,提取采樣點(diǎn)光譜反射率,在此基礎(chǔ)上引入紅邊波段代替紅波段與近紅外波段計(jì)算光譜指數(shù),,采用皮爾遜相關(guān)系數(shù)法(Pearson correlation corfficient,PCCs),、灰色關(guān)聯(lián)度(Gray relational analysis, GRA)分析法進(jìn)行指數(shù)篩選,構(gòu)建54個(gè)基于極端梯度提升(Extreme gradient boosting,,XGBoost)算法,、反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)和隨機(jī)森林(Random forest,,RF)的機(jī)器學(xué)習(xí)模型,,確定苜蓿地不同生育期不同深度土層的土壤含鹽量最佳反演模型。結(jié)果表明:XGBoost模型反演效果整體優(yōu)于BPNN模型和RF模型,,反演結(jié)果能真實(shí)反映不同生育期苜蓿地的土壤含鹽量,。從不同生育期反演來看,分枝期和初花期XGBoost模型反演效果優(yōu)于其他模型,,驗(yàn)證集決定系數(shù)(R2p)分別為0.835,、0.709,均方根誤差(RMSE)分別為0.042%,、0.047%,,平均絕對(duì)誤差(MAE)分別為0.046%、0.037%,;現(xiàn)蕾期RF模型反演效果優(yōu)于其他模型,,R2p為0.717,RMSE為0.034%,,MAE為0.042%,。從不同深度反演來看,0~15cm土層XGBoost模型反演效果優(yōu)于其他模型,,R2p為0.835,,RMSE為0.053%,MAE為0.043%,;15~30cm和30~50cm土層XGBoost和RF模型均優(yōu)于BPNN模型,,R2p分別為0.717、0.739,RMSE分別為0.034%,、0.038%,MAE分別為0.042%,、0.031%,。分枝期為最佳反演生育期,0~15cm深度為最佳含鹽量反演深度,,且PCCs變量篩選方法與XGBoost機(jī)器學(xué)習(xí)算法的耦合模型精度最佳,,建模集和驗(yàn)證集的R2分別為0.856、0.835,,R2p/R2c為0.975,,具有良好的魯棒性。研究結(jié)果可為土壤含鹽量的快速精確反演提供理論依據(jù),。