為探討不同特征挖掘方法與廣義提升回歸模型相結(jié)合在數(shù)字土壤制圖中的應(yīng)用,本研究首先使用遞歸特征消除和過濾式兩種特征篩選方法對環(huán)境協(xié)變量進(jìn)行篩選,再分別使用原始環(huán)境協(xié)變量、篩選后的最優(yōu)變量組合作為自變量,建立基于廣義提升回歸模型和隨機(jī)森林模型的安徽省土壤pH預(yù)測模型并進(jìn)行制圖。結(jié)果表明:引入兩種特征挖掘方法均可有效提高廣義提升回歸模型和隨機(jī)森林模型預(yù)測土壤pH的精度,并且可以起到降維的作用;相較于隨機(jī)森林模型,廣義提升回歸模型的驗(yàn)證集預(yù)測精度略低,在訓(xùn)練集中,廣義提升回歸模型的精度卻遠(yuǎn)高于隨機(jī)森林模型,模型解釋度高,整體效果較好;隨機(jī)森林模型的主要參數(shù)ntree和mtry對于模型的影響程度較低,而不同參數(shù)對于廣義提升回歸模型的預(yù)測精度影響較大,不同參數(shù)組合模型精度不同,建模前需要進(jìn)行調(diào)參�？臻g制圖結(jié)果表明,安徽省土壤pH呈"南酸北堿"趨勢。 

【文章頁數(shù)】：9 頁

【文章目錄】：
1 研究地區(qū)與研究方法
    1.1 研究區(qū)概況
    1.2 數(shù)據(jù)來源
    1.3 遞歸特征消除特征篩選
    1.4 過濾式特征篩選
    1.5 GBRMs模型
        1.5.1 GBM
        1.5.2 GBRMs
    1.6 隨機(jī)森林模型
    1.7 精度評價
2 結(jié)果與討論
    2.1 土壤屬性統(tǒng)計特征
    2.2 GBRMs和RF模型參數(shù)設(shè)定
        2.2.1 GBRMs參數(shù)設(shè)定
        2.2.2 RF參數(shù)設(shè)定
    2.3 環(huán)境變量篩選和重要性
        2.3.1 RFE特征篩選結(jié)果
        2.3.2 SBF特征篩選結(jié)果
        2.3.3 GBRMs模型環(huán)境變量的重要性排序
    2.4 模型精度及空間制圖
3 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)模型的安徽省土壤pH預(yù)測[J]. 盧宏亮,趙明松.  江蘇農(nóng)業(yè)學(xué)報. 2019(05)
[2]基于高分二號遙感影像樹種分類的時相及方法選擇[J]. 李哲,張沁雨,邱新彩,彭道黎.  應(yīng)用生態(tài)學(xué)報. 2019(12)
[3]基于Boruta-支持向量回歸的安徽省土壤pH值預(yù)測制圖[J]. 盧宏亮,趙明松,劉斌寅,張平,陸龍妹.  地理與地理信息科學(xué). 2019(05)
[4]基于隨機(jī)森林模型的耕地表層土壤有機(jī)質(zhì)含量空間預(yù)測①——以河南省輝縣市為例[J]. 韓杏杏,陳杰,王海洋,巫振富,程道全.  土壤. 2019(01)
[5]環(huán)境敏感變量優(yōu)選及機(jī)器學(xué)習(xí)算法預(yù)測綠洲土壤鹽分[J]. 王飛,楊勝天,丁建麗,魏陽,葛翔宇,梁靜.  農(nóng)業(yè)工程學(xué)報. 2018(22)
[6]1996—2016年松嫩平原傳統(tǒng)大豆種植結(jié)構(gòu)的時空演變[J]. 劉航,吳文斌,申格,黃青.  應(yīng)用生態(tài)學(xué)報. 2018(10)
[7]基于梯度提升決策樹的微博虛假消息檢測[J]. 段大高,蓋新新,韓忠明,劉冰心.  計算機(jī)應(yīng)用. 2018(02)
[8]數(shù)字土壤制圖研究綜述與展望[J]. 朱阿興,楊琳,樊乃卿,曾燦英,張甘霖.  地理科學(xué)進(jìn)展. 2018(01)
[9]基于多分辨率遙感數(shù)據(jù)與隨機(jī)森林算法的土壤有機(jī)質(zhì)預(yù)測研究[J]. 王茵茵,齊雁冰,陳洋,解飛.  土壤學(xué)報. 2016(02)
[10]改進(jìn)的多類支持向量機(jī)遞歸特征消除在癌癥多分類中的應(yīng)用[J]. 黃曉娟,張莉.  計算機(jī)應(yīng)用. 2015(10)



本文編號：3718231