|
| 农田土壤有机碳反演的变量筛选及算法组合优化：以泾河流域为例 |
| Variable selection and algorithm combination optimization for farmland soil organic carbon inversion: A case study of the Jinghe River Basin |
| 投稿时间：2025-05-27 修订日期：2025-08-20 |
| DOI： |
| 中文关键词: 土壤有机碳 反演模型 机器学习 变量筛选 SHAP分析 |
| 英文关键词: Soil organic carbon Inversion model Machine learning Variable screening SHAP analysis |
| 基金项目:国家自然科学基金项目（面上项目，重点项目，重大项目） |
|
| 摘要点击次数: 510 |
| 全文下载次数: 0 |
| 中文摘要: |
| 为实现快速、高精度的农田土壤有机碳（SOC）反演并探讨不同变量筛选方法与机器学习算法的适宜组合方式，本研究以黄土高原典型丘陵沟壑区泾河流域农田土壤为对象。基于SOC采样数据，整合了包括MODIS多光谱数据及相关环境变量在内的126个变量，探究了全部变量集、竞争性自适应重加权采样法（CARS）筛选变量集、相关系数筛选变量集这3种变量集分别与支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）和极端梯度提升树（XGBoost）这4种算法组合对模型精度的影响。结果表明，经过相关系数筛选后的11个特征变量与4种机器学习算法组合的模型精度显著优于全部变量集和CARS筛选变量集，其中与SVM算法的组合表现最优（验证集：R2 = 0.86，RMSE = 0.95，MAE = 0.76，RPD = 2.66），其次为XGBoost、BPNN和RF模型。SHAP分析显示，地形变量（DEM、地形起伏度、剖面曲率）贡献度达28.41%，在地形复杂多变、耕地较为破碎的泾河流域农田SOC反演中扮演着重要的角色，其次为遥感指数（23.18%）和经纬度（20.21%）。相关系数筛选与SVM算法组合的反演结果表明，流域农田SOC范围为0.00~39.94 g·kg-1，其高值区集中在研究区域的西部边缘，低值区集中在东北部，中值区和低值区在中部和南部交错分布，平均SOC值为8.38 g·kg-1，其含量远低于全国农田SOC的平均水平。 |
| 英文摘要: |
| 本研究以黄土高原典型半干旱区的泾河流域为对象，聚焦于低SOC含量区域的反演精度提升问题，构建涵盖MODIS遥感数据与多源环境因子的多维变量集，系统比较了三种变量集与四类主流机器学习算法的组合效果，明确了相关系数筛选与SVM模型组合的最优性能，引入SHAP方法定量揭示主控变量的贡献机制，发现地形因子在地形破碎区域中对SOC反演具有主导作用，研究成果为干旱区、半干旱区因子选择优化、高效SOC反演及农田碳库评估提供了新方法与科学依据。 |
| HTML
View Fulltext
查看/发表评论 下载PDF阅读器 |
| 关闭 |
