為探討隨機(jī)森林（random forest,RF）模型對(duì)土壤屬性空間預(yù)測(cè)的精度,本文以安徽省為例,收集140個(gè)土壤樣本,利用GIS和RS技術(shù),獲取相關(guān)的地形因子、遙感植被指數(shù)及氣候數(shù)據(jù),利用RF模型分析土壤有機(jī)碳（SOC）含量、土壤容重和土壤黏粒含量與地形因子、遙感植被指數(shù)及氣候數(shù)據(jù)之間的關(guān)系,并進(jìn)行空間分布預(yù)測(cè)。研究結(jié)果表明:①RF建模預(yù)測(cè)中,當(dāng)節(jié)點(diǎn)分裂次數(shù)（mtry）值為1,決策樹數(shù)量（ntree）值分別為100、1 000和100時(shí),獲得的SOC含量、土壤容重和土壤黏粒含量RF模型最優(yōu);②高程、歸一化植被指數(shù)（NDVI）、地貌、多尺度山谷平坦指數(shù)（MrVBF）和土壤類型是SOC含量的重要預(yù)測(cè)因子;地貌、年均降水量（MAP）、MrVBF、高程和土壤類型是土壤容重的重要預(yù)測(cè)因子;高程、MAP、MrVBF和平面曲率是土壤黏粒含量的重要預(yù)測(cè)因子;③RF模型可以較好地進(jìn)行土壤屬性空間預(yù)測(cè),多源環(huán)境變量組合可以分別解釋SOC含量、土壤容重和土壤黏粒含量的26%、23%和22%;同時(shí)RF模型對(duì)于土壤類型和地貌等類型變量的處理具有一定優(yōu)勢(shì)。研究表明,在大尺度研究區(qū)域內(nèi),利用RF模型進(jìn)行土壤屬性空... 

【文章來(lái)源】：土壤. 2019,51(03)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

RF模型中土壤屬性預(yù)測(cè)因子的重要性排序Fig.1ImportancesortingofpredictorsforsoilpropertiesinRFmodel表4RF模型中節(jié)點(diǎn)分裂次數(shù)(mtry)和決策樹數(shù)量(ntree)的篩選Table4Screeningofsplittingnumbersofnodes(mtry)andnumbersofdecisiontrees(ntree)inRFmodel

606土壤第51卷http://soils.issas.ac.cnR2和驗(yàn)證集的R2基本相同，說(shuō)明模型穩(wěn)定性極高，但是預(yù)測(cè)精度較低。④由MAE和RMSE可以看出，模型整體預(yù)測(cè)精度較高，說(shuō)明在大尺度區(qū)域上，RF模型對(duì)于土壤屬性仍然有不錯(cuò)的預(yù)測(cè)效果。利用RF模型分別對(duì)安徽省SOC含量、容重和土壤黏粒含量進(jìn)行預(yù)測(cè)得到三者的空間分布圖(圖3)，其中圖A~C為實(shí)測(cè)值圖，D~F為預(yù)測(cè)值圖。由圖表5土壤屬性的RF建模精度評(píng)價(jià)Table5PerformanceofRFmodelofsoilproperties土壤屬性建模集驗(yàn)證集RMSEMAER2RMSEMAER2SOC6.084.710.265.904.780.27BD0.110.090.230.120.090.22Clay90.5072.700.2278.4060.400.21圖2RF模型預(yù)測(cè)散點(diǎn)圖Fig.2ScatterplotsofpredictionbyRFmodel圖3安徽省土壤屬性實(shí)測(cè)值及預(yù)測(cè)值空間分布Fig.3SpatialdistributionsofmeasuredandpredictedsoilpropertiesinAnhuiProvince


本文編號(hào)：3416786