以安徽省為研究區(qū)域,將Boruta算法用于特征篩選,選擇最優(yōu)變量組合輸入支持向量回歸（SVR）模型,經(jīng)參數(shù)優(yōu)化和核函數(shù)對比后,選擇最優(yōu)的SVR預測模型進行土壤pH值空間分布制圖。結果表明:1)使用Boruta算法篩選后的特征變量建模優(yōu)于全部變量建模;特征變量重要性分析表明,年均降水（MAP）是影響安徽省土壤pH值的最重要因素,多尺度山谷平坦指數(shù)（MrVBF）、多尺度山脊平坦指數(shù)（MrRTF）和年均溫（MAT）等特征變量均對土壤pH值有較重要的影響。2)選擇徑向基函數(shù)（RBF）作為核函數(shù)建立SVR模型進行土壤pH值預測最為合理;參數(shù)C=1,γ=0.125時,SVR模型精度最高,可以解釋土壤pH值變異的74%,驗證集R²為0.62。3)土壤pH值預測制圖結果表明,安徽省土壤pH值空間分布呈由北至南逐漸降低的趨勢,符合"南酸北堿"特征,且預測制圖的統(tǒng)計結果與樣本點的統(tǒng)計結果基本一致。將Boruta算法與SVR模型結合可以提高土壤pH值的預測制圖精度,且模型的泛化能力較強。 

【文章來源】：地理與地理信息科學. 2019,35(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖３安徽省土壤ｐＨ值空間分布預測結果Ｆｉｇ．３ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐｒｅｄｉｃｔｉｏｎｏｆｓｏｉｌｐＨｉｎＡｎｈｕｉＰｒｏｖｉｎｃｅ

圖４ＳＶＲ模型預測散點圖Ｆｉｇ．４ＳｃａｔｔｅｒｐｌｏｔｏｆｐｒｅｄｉｃｔｅｄｐＨｂｙＳＶＲｍｏｄｅｌ由安徽省不同地形區(qū)域內(nèi)土壤ｐＨ值的預測誤

采樣點土壤pH值空間分布

【參考文獻】：
期刊論文
[1]土壤地理學的進展與展望[J]. 張甘霖,朱阿興,史舟,王秋兵,劉寶元,張興昌,史志華,楊金玲,劉峰,宋效東,吳華勇,曾榮.  地理科學進展. 2018(01)
[2]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.  地理科學進展. 2018(01)
[3]基于支持向量機回歸算法的土壤水分光學與微波遙感協(xié)同反演[J]. 姜紅,玉素甫江·如素力,拜合提尼沙·阿不都克日木,何輝,艾則孜提約麥爾·麥麥提.  地理與地理信息科學. 2017(06)
[4]基于支持向量機的土壤濕度模擬及預測研究[J]. 張強,黃生志,陳曉宏.  土壤學報. 2013(01)
[5]基于協(xié)同克里格插值和地理加權回歸模型的土壤屬性空間預測比較[J]. 郭龍,張海濤,陳家贏,李銳娟,秦聰.  土壤學報. 2012(05)
[6]數(shù)字土壤制圖技術研究進展與展望[J]. 孫福軍,雷秋良,劉穎,李華蕾,王秋兵.  土壤通報. 2011(06)
[7]霍林河下游典型洪泛區(qū)濕地土壤pH值和土壤含水量分布特征[J]. 高海峰,白軍紅,王慶改,黃來斌,肖蓉.  水土保持研究. 2011(01)
[8]基于近紅外光譜和支持向量機的土壤參數(shù)預測[J]. 鄭立華,李民贊,安曉飛,孫紅.  農(nóng)業(yè)工程學報. 2010(S2)
[9]一種基于多特征的高光譜遙感圖像分類方法[J]. 劉峰,龔健雅.  地理與地理信息科學. 2009(03)
[10]基于支持向量機的玉米葉部病害識別[J]. 宋凱,孫曉艷,紀建偉.  農(nóng)業(yè)工程學報. 2007(01)



本文編號：3557834