基于随机森林模型的安徽省土壤属性空间分布预测

发布时间：2021-09-30 22:54

　　为探讨随机森林（random forest,RF）模型对土壤属性空间预测的精度,本文以安徽省为例,收集140个土壤样本,利用GIS和RS技术,获取相关的地形因子、遥感植被指数及气候数据,利用RF模型分析土壤有机碳（SOC）含量、土壤容重和土壤黏粒含量与地形因子、遥感植被指数及气候数据之间的关系,并进行空间分布预测。研究结果表明:①RF建模预测中,当节点分裂次数（mtry）值为1,决策树数量（ntree）值分别为100、1 000和100时,获得的SOC含量、土壤容重和土壤黏粒含量RF模型最优;②高程、归一化植被指数（NDVI）、地貌、多尺度山谷平坦指数（MrVBF）和土壤类型是SOC含量的重要预测因子;地貌、年均降水量（MAP）、MrVBF、高程和土壤类型是土壤容重的重要预测因子;高程、MAP、MrVBF和平面曲率是土壤黏粒含量的重要预测因子;③RF模型可以较好地进行土壤属性空间预测,多源环境变量组合可以分别解释SOC含量、土壤容重和土壤黏粒含量的26%、23%和22%;同时RF模型对于土壤类型和地貌等类型变量的处理具有一定优势。研究表明,在大尺度研究区域内,利用RF模型进行土壤属性空... 

【文章来源】：土壤. 2019,51(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

RF模型中土壤属性预测因子的重要性排序Fig.1ImportancesortingofpredictorsforsoilpropertiesinRFmodel表4RF模型中节点分裂次数(mtry)和决策树数量(ntree)的筛选Table4Screeningofsplittingnumbersofnodes(mtry)andnumbersofdecisiontrees(ntree)inRFmodel

606土壤第51卷http://soils.issas.ac.cnR2和验证集的R2基本相同，说明模型稳定性极高，但是预测精度较低。④由MAE和RMSE可以看出，模型整体预测精度较高，说明在大尺度区域上，RF模型对于土壤属性仍然有不错的预测效果。利用RF模型分别对安徽省SOC含量、容重和土壤黏粒含量进行预测得到三者的空间分布图(图3)，其中图A~C为实测值图，D~F为预测值图。由图表5土壤属性的RF建模精度评价Table5PerformanceofRFmodelofsoilproperties土壤属性建模集验证集RMSEMAER2RMSEMAER2SOC6.084.710.265.904.780.27BD0.110.090.230.120.090.22Clay90.5072.700.2278.4060.400.21图2RF模型预测散点图Fig.2ScatterplotsofpredictionbyRFmodel图3安徽省土壤属性实测值及预测值空间分布Fig.3SpatialdistributionsofmeasuredandpredictedsoilpropertiesinAnhuiProvince


本文编号：3416786