排序方式： 共有3条查询结果，搜索用时 78 毫秒
1
1.
基于多变量与RF算法的耕地土壤有机碳空间预测研究——以福建亚热带复杂地貌区为例 总被引：1，自引：0，他引：1
耕地土壤有机碳(Soil Organic Carbon,SOC)含量不仅是土壤质量的重要表征,还是农业温室气体的重要源库,而基于环境变量建立的随机森林算法(Random Forest,RF)是当前提高土壤有机碳空间预测精度的方法,但不同组合环境变量对RF模型预测精度的影响仍需深入研究。本文以福建闽东南复杂地貌区为例,以两种环境变量组合(遥感变量+气候因子和遥感变量+气候因子+土壤属性)为输入数据集,利用RF算法对耕地表层SOC含量进行模拟预测和精度对比,并与普通克里格(OrdinaryKriging,OK)插值模型进行比较。结果表明,基于全部环境变量构建的RF模型表现最佳,其模型拟合度和预测精度相较于未加入土壤属性的模型有显著提高(r提高7.95%,为0.95,RMSE下降45.13%),且对SOC空间分异信息的捕获更精确,OK模型总体预测精度最弱。利用最优模型反演得到的研究区耕地SOC含量为14.70±2.95 g·kg~(–1),东部沿海低于西部内陆。变量贡献率分析显示,除了与土壤碳紧密相关的水解性氮(N),遥感变量中数字高程模型(Digital Elevation Modecs,DEM)也是影响闽东南地区SOC预测精度的重要变量,因此,遥感变量、气候因子和土壤属性共同驱动的随机森林模型可作为闽东南复杂地貌区耕地有机碳含量空间预测的有效方法。 相似文献
2.
机器学习用于耕地土壤有机碳空间预测对比研究——以亚热带复杂地貌区为例 总被引：1，自引：0，他引：1
耕地土壤有机碳(SOC)是土壤质量的重要指标,也是生态系统健康的重要表征。当前机器学习(Machine Learning, ML)用于SOC数字制图日益热门,但不同算法在高空间分辨率SOC数字制图中的对比研究尚有欠缺。本研究以福建省东北部复杂地形地貌区为例,采用10m空间分辨率Sentinel-2影像数据,选取地形、气候、遥感植被变量为驱动因子,重点分析当前常用的机器学习算法——支持向量机(SupportVector Machine,SVM)、随机森林(RandomForest,RF)在SOC预测中的差异,并与传统普通克里格模型(Ordinary Kriging, OK)进行比较。结果表明:基于地形、遥感植被因子和气候因子构建的RF模型表现最佳(RMSE=2.004,r=0.897),其精度优于OK模型(RMSE=4.571, r=0.623),而SVM模型预测精度相对最低(RMSE=5.190, r=0.431);3种模型预测SOC空间分布趋势总体相似,表现为西高东低、北高南低,其中RF模型呈现的空间分异信息更加精细;最优模型反演得到耕地土壤有机碳平均含量为15.33 g·kg-1; RF模型和SVM模型变量重要性程度表明:高程和降水是影响复杂地貌区SOC空间分布的重要变量,而遥感植被因子重要性程度低于高程。 相似文献
3.
【目的】 数字土壤制图成本低、精度高,是刻画土壤环境变量的新技术和新工具,遥感技术在数字土壤制图业务化应用中发挥了重要作用,但是还存在诸多问题和不确定性。文章总结相关研究进展,以期为基于遥感影像数据的土壤数字制图提供有益参考。【方法】 梳理遥感技术在土壤类型与属性制图研究中的进展情况并进行总结展望,以期更好地发挥高空间、时间、光谱分辨率遥感数据在土壤数字制图方面的作用,为研发新模型、提高土壤制图模型精度提供信息支撑,为第三次全国土壤普查数字土壤制图提供有益参考。【结果】 遥感数据的特征与土壤发生学理论契合并推动了土壤制图的发展,但是,基于遥感的土壤制图技术在快速土壤环境变量因子提取、自适应制图指标筛选、满足多层级制图需求的土壤推测制图模型构建等方面还需要进一步深入探讨。【结论】 为了实现土壤类型与属性制图的业务化、流程化和自动化,未来的研究应该着眼于从“环境变量分析—评价指标体系筛选—预测模型构建”一体化解决方案入手,探讨如何融合多种遥感载荷、综合运用新型模型,以提高数字土壤制图的精度,为农业生产和土地资源管理提供更为精准的信息支撑。 相似文献
1