通过强大的机器学习技术,改善了地中海土壤侵蚀现场的土壤碳库空间预测
Hassan Mosaid1, Ahmed Barakat2, Kingsley John3
1Geomatics, Georesources and Environment Laboratory, Faculty of Sciences and Techniques, Sultan Moulay Slimane University, Béni Mellal, Morocco. h.mosaid@usms.ma.
Environmental monitoring and assessment
|January 10, 2024
概括
这项研究使用机器学习模型绘制摩洛哥土壤有机碳库存 (SOCS) 地图. 随机森林模型最准确地预测了SOCS,突出了可持续土壤管理的关键因素.
科学领域:
- 土壤科学 土壤科学
- 环境科学 环境科学
- 机器学习应用 机器学习应用
背景情况:
- 土壤有机碳库存 (SOCS) 对于土壤质量和肥力至关重要.
- 了解SOCS的空间分布对于可持续的土地管理和土壤健康至关重要.
- 准确的SOCS预测对于有效的环境监测和农业规划至关重要.
研究的目的:
- 应用和比较四种机器学习 (ML) 模型 (RF,kNN,SVM,Cubist) 来预测SOCS.
- 为了生成Srou流域SOCS的空间分布图,摩洛哥.
- 确定影响半干旱地区SOCS的关键因素.
主要方法:
- 使用了120个土壤样本点进行模型训练 (80%) 和测试 (20%).
- 采用Boruta的算法和多对线性测试来选择九个重要的输入因子.
- 应用随机森林 (RF),k-最近邻居 (kNN),支持矢量机 (SVM) 和 SOCS 预测的立体模型.
主要成果:
- 随机森林 (RF) 模型显示了最高的性能 (R2 = 0.76,RMSE = 0.52 Mg C/ha).
- SVM和立体模型也显示出良好的预测能力,而kNN的表现最不有效.
- 大量密度,pH值,电导率和碳酸被确定为对SOCS预测最有影响的因素.
结论:
- 机器学习算法,特别是射频,是模拟和映射SOCS的有效工具.
- 鉴定的关键因素为半干旱环境中的有针对性的土壤管理策略提供了洞察力.
- 该方法为类似地区的SOCS和土壤属性评估提供了可转移的方法.
