基于Boruta-支持向量回归的安徽省土壤pH值预测制图

发布时间：2021-12-30 08:28

　　以安徽省为研究区域,将Boruta算法用于特征筛选,选择最优变量组合输入支持向量回归（SVR）模型,经参数优化和核函数对比后,选择最优的SVR预测模型进行土壤pH值空间分布制图。结果表明:1)使用Boruta算法筛选后的特征变量建模优于全部变量建模;特征变量重要性分析表明,年均降水（MAP）是影响安徽省土壤pH值的最重要因素,多尺度山谷平坦指数（MrVBF）、多尺度山脊平坦指数（MrRTF）和年均温（MAT）等特征变量均对土壤pH值有较重要的影响。2)选择径向基函数（RBF）作为核函数建立SVR模型进行土壤pH值预测最为合理;参数C=1,γ=0.125时,SVR模型精度最高,可以解释土壤pH值变异的74%,验证集R²为0.62。3)土壤pH值预测制图结果表明,安徽省土壤pH值空间分布呈由北至南逐渐降低的趋势,符合"南酸北碱"特征,且预测制图的统计结果与样本点的统计结果基本一致。将Boruta算法与SVR模型结合可以提高土壤pH值的预测制图精度,且模型的泛化能力较强。 

【文章来源】：地理与地理信息科学. 2019,35(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

图３安徽省土壤ｐＨ值空间分布预测结果Ｆｉｇ．３ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐｒｅｄｉｃｔｉｏｎｏｆｓｏｉｌｐＨｉｎＡｎｈｕｉＰｒｏｖｉｎｃｅ

图４ＳＶＲ模型预测散点图Ｆｉｇ．４ＳｃａｔｔｅｒｐｌｏｔｏｆｐｒｅｄｉｃｔｅｄｐＨｂｙＳＶＲｍｏｄｅｌ由安徽省不同地形区域内土壤ｐＨ值的预测误

采样点土壤pH值空间分布

【参考文献】：
期刊论文
[1]土壤地理学的进展与展望[J]. 张甘霖,朱阿兴,史舟,王秋兵,刘宝元,张兴昌,史志华,杨金玲,刘峰,宋效东,吴华勇,曾荣.  地理科学进展. 2018(01)
[2]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)
[3]基于支持向量机回归算法的土壤水分光学与微波遥感协同反演[J]. 姜红,玉素甫江·如素力,拜合提尼沙·阿不都克日木,何辉,艾则孜提约麦尔·麦麦提.  地理与地理信息科学. 2017(06)
[4]基于支持向量机的土壤湿度模拟及预测研究[J]. 张强,黄生志,陈晓宏.  土壤学报. 2013(01)
[5]基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较[J]. 郭龙,张海涛,陈家赢,李锐娟,秦聪.  土壤学报. 2012(05)
[6]数字土壤制图技术研究进展与展望[J]. 孙福军,雷秋良,刘颖,李华蕾,王秋兵.  土壤通报. 2011(06)
[7]霍林河下游典型洪泛区湿地土壤pH值和土壤含水量分布特征[J]. 高海峰,白军红,王庆改,黄来斌,肖蓉.  水土保持研究. 2011(01)
[8]基于近红外光谱和支持向量机的土壤参数预测[J]. 郑立华,李民赞,安晓飞,孙红.  农业工程学报. 2010(S2)
[9]一种基于多特征的高光谱遥感图像分类方法[J]. 刘峰,龚健雅.  地理与地理信息科学. 2009(03)
[10]基于支持向量机的玉米叶部病害识别[J]. 宋凯,孙晓艳,纪建伟.  农业工程学报. 2007(01)



本文编号：3557834