排序方式: 共有21条查询结果,搜索用时 15 毫秒
21.
土壤空间预测与数字化制图的精度受土壤样点规模、采样策略、预测模型选择、目标区域地貌与成土环境复杂程度、协变量数据质量等多种因素共同制约。选择河南省为研究区,基于9种土壤样点规模、5种采样方法,应用5种最具代表性的机器学习(Machinelearning,ML)算法对耕地表层土壤pH实施空间预测与数字化制图,用以对比分析不同样点规模与采样方法对ML模型的性能表现及土壤pH预测精度的影响。结果表明:(1)当研究区土壤样点规模从200个经由400个、800个、1 200个、1 600上升至2 000个时,无论使用何种采样方法,所有ML模型的性能表现与预测精度均呈快速上升的总体趋势;当样点规模达到并超过2 000个时,大多数ML性能表现及预测精度趋于稳定,表明2 000个土壤样点可能是这些ML模型预测研究区耕地表层土壤pH的样点规模阈值。(2)5种ML模型性能表现及其土壤pH预测精度存在明显差距,基于树结构的随机森林(Random forests,RF)和Cubist表现最好,无论使用哪种采样方法,这两种模型预测结果的决定系数(R2)均可稳定在0.75~0.80之间、RM... 相似文献