基于机器学习的稀疏样本下的土壤有机质估算方法

发布时间：2021-12-30 03:59

　　采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著... 

【文章来源】：地球信息科学学报. 2020,22(09)北大核心CSCD

【文章页数】：15 页

【部分图文】：

研究路线

广义回归神经网络（Generalized Regression Neural Network,GRNN）最早由美国学者Sprecht提出，它是径向基函数神经网络的一种，是由输入层、模式层、求和层和输出层组成的4层网络，本文中对应的输入（样本特征）X=[x,y,texture,landuse,dung]T(x=坐标x值、y=坐标y值、texture=土壤质地、landuse=土地利用类型、dung=畜禽粪便利用强度），输出（标签）Y=[SOM]T(SOM=土壤有机质值），样本的个数为m,GRNN模型结构如图2所示。输入层节点个数等于样本的特征维度，各神经元是简单的分布单元，直接将输入变量传递给模式层。

随机森林结构

【参考文献】：
期刊论文
[1]基于BP神经网络的作物Cd含量预测及安全种植分区[J]. 侯艺璇,赵华甫,吴克宁,李凯.  资源科学. 2018(12)
[2]基于贝叶斯最大熵的黑土区小流域土壤有机质空间分布预测[J]. 高凤杰,吴啸,师华定,鞠铁男,王鑫,高东晶,刘媚媚.  环境科学研究. 2019(08)
[3]基于随机森林的苹果区土壤有机质空间预测[J]. 任丽,杨联安,王辉,杨粉莉,陈卫军,张林森,徐瑾昊.  干旱区资源与环境. 2018(08)
[4]基于辅助变量和回归径向基函数神经网络（R-RBFNN）的土壤有机质空间分布模拟[J]. 江叶枫,郭熙.  浙江农业学报. 2018(04)
[5]应用集成BP神经网络模型预测土壤有机质空间分布[J]. 江叶枫,郭熙,叶英聪,孙凯,饶磊.  江苏农业学报. 2017(05)
[6]省域尺度土壤有机质空间分布的神经网络法预测[J]. 江叶枫,郭熙,叶英聪,孙凯,饶磊.  江苏农业学报. 2017(04)
[7]福州市农田土壤养分空间变异特征[J]. 陈桂香,高灯州,曾从盛,王维奇.  地球信息科学学报. 2017(02)
[8]基于多源辅助变量和极限学习机的蔬菜地土壤有机质预测研究[J]. 宋英强,杨联安,冯武焕,于世锋,许婧婷,王晶,杨煜岑,任丽.  土壤通报. 2017(01)
[9]黑土丘陵区小流域土壤有机质空间变异及分布格局[J]. 高凤杰,马泉来,韩文文,单培明,周军,张少良,张志民,王宏燕.  环境科学. 2016(05)
[10]采样密度对土壤有机质空间变异解析的影响[J]. 范曼曼,吴鹏豹,张欢,魏晓,陈富荣,高超.  农业现代化研究. 2016(03)

博士论文
[1]不同尺度区域农田土壤有机碳分布与变化[D]. 许信旺.南京农业大学 2008

硕士论文
[1]县域土壤有机质空间分布研究[D]. 杨晓.山东农业大学 2018



本文编号：3557431