基于不同特征挖掘方法结合广义提升回归模型估测安徽省土壤pH

发布时间：2022-12-11 05:33

　　为探讨不同特征挖掘方法与广义提升回归模型相结合在数字土壤制图中的应用,本研究首先使用递归特征消除和过滤式两种特征筛选方法对环境协变量进行筛选,再分别使用原始环境协变量、筛选后的最优变量组合作为自变量,建立基于广义提升回归模型和随机森林模型的安徽省土壤pH预测模型并进行制图。结果表明:引入两种特征挖掘方法均可有效提高广义提升回归模型和随机森林模型预测土壤pH的精度,并且可以起到降维的作用;相较于随机森林模型,广义提升回归模型的验证集预测精度略低,在训练集中,广义提升回归模型的精度却远高于随机森林模型,模型解释度高,整体效果较好;随机森林模型的主要参数ntree和mtry对于模型的影响程度较低,而不同参数对于广义提升回归模型的预测精度影响较大,不同参数组合模型精度不同,建模前需要进行调参。空间制图结果表明,安徽省土壤pH呈"南酸北碱"趋势。 

【文章页数】：9 页

【文章目录】：
1 研究地区与研究方法
    1.1 研究区概况
    1.2 数据来源
    1.3 递归特征消除特征筛选
    1.4 过滤式特征筛选
    1.5 GBRMs模型
        1.5.1 GBM
        1.5.2 GBRMs
    1.6 随机森林模型
    1.7 精度评价
2 结果与讨论
    2.1 土壤属性统计特征
    2.2 GBRMs和RF模型参数设定
        2.2.1 GBRMs参数设定
        2.2.2 RF参数设定
    2.3 环境变量筛选和重要性
        2.3.1 RFE特征筛选结果
        2.3.2 SBF特征筛选结果
        2.3.3 GBRMs模型环境变量的重要性排序
    2.4 模型精度及空间制图
3 结 论


【参考文献】：
期刊论文
[1]基于神经网络模型的安徽省土壤pH预测[J]. 卢宏亮,赵明松.  江苏农业学报. 2019(05)
[2]基于高分二号遥感影像树种分类的时相及方法选择[J]. 李哲,张沁雨,邱新彩,彭道黎.  应用生态学报. 2019(12)
[3]基于Boruta-支持向量回归的安徽省土壤pH值预测制图[J]. 卢宏亮,赵明松,刘斌寅,张平,陆龙妹.  地理与地理信息科学. 2019(05)
[4]基于随机森林模型的耕地表层土壤有机质含量空间预测①——以河南省辉县市为例[J]. 韩杏杏,陈杰,王海洋,巫振富,程道全.  土壤. 2019(01)
[5]环境敏感变量优选及机器学习算法预测绿洲土壤盐分[J]. 王飞,杨胜天,丁建丽,魏阳,葛翔宇,梁静.  农业工程学报. 2018(22)
[6]1996—2016年松嫩平原传统大豆种植结构的时空演变[J]. 刘航,吴文斌,申格,黄青.  应用生态学报. 2018(10)
[7]基于梯度提升决策树的微博虚假消息检测[J]. 段大高,盖新新,韩忠明,刘冰心.  计算机应用. 2018(02)
[8]数字土壤制图研究综述与展望[J]. 朱阿兴,杨琳,樊乃卿,曾灿英,张甘霖.  地理科学进展. 2018(01)
[9]基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 王茵茵,齐雁冰,陈洋,解飞.  土壤学报. 2016(02)
[10]改进的多类支持向量机递归特征消除在癌症多分类中的应用[J]. 黄晓娟,张莉.  计算机应用. 2015(10)



本文编号：3718231