机器学习和特征选择用于土壤光谱学. 随机森林包装的评估,以预测土壤有机物质,粘土和碳酸盐
Francisco M Canero1, Victor Rodriguez-Galiano1, David Aragones2
1Department of Physical Geography and Regional Geographic Analysis, Universidad de Sevilla, 41004, Seville, Spain.
Heliyon
|May 6, 2024
概括
这项研究表明,随机森林 (RF) 与顺序前向选择 (SFS) 和顺序浮动前向选择 (SFFS) 有效地减少了用于土壤属性建模的光谱数据维度. 与传统方法相比,这些方法显著提高了预测土壤有机物,粘土和碳酸盐的准确性.
科学领域:
- 土壤科学 土壤科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 土壤光谱学通过光谱吸收特征估计土壤的特性.
- 频谱数据的高维度为准确的土壤属性建模带来了挑战.
- 特性选择包装方法在土壤光谱学中未得到充分利用,尽管它们具有潜力.
研究的目的:
- 用随机森林 (RF) 来评估顺序向前选择 (SFS) 和顺序浮动向前选择 (SFFS),以减少维度.
- 评估这些特征选择方法在土壤有机物 (SOM),粘土和碳酸盐的预测建模中的性能.
- 为了比较RF与特征选择的疗效与标准部分最小平方回归 (PLSR) 和RF单独的疗效.
主要方法:
- 使用ASD FieldSpec Pro JR.收集了100个土壤样本的反射频谱.
- 应用的光谱预处理技术:原始光谱,连续去除 (CR) 和多倍散射校正 (MSC).
- 实施SFS和SFFS包装方法与RF用于特征选择和预测建模,将结果与单独的PLSR和RF进行比较.
主要成果:
- 使用SFS和SFFS的射频模型在预测SOM,粘土和碳酸盐方面明显优于单独的PLSR和RF.
- 特征选择将光谱特征的数量减少到原始数据的不到1%.
- 特定的光谱特征被确定为模拟不同土壤属性的重要特征,有助于理解它们的光谱特征.
结论:
- 特性选择包装方法,特别是带有射频的SFS和SFFS,为土壤光谱中的维度减小提供了强大的替代方案.
- 这些方法提高了预测准确度,减少了冗余的特征,并减轻了维度的诅咒 (休斯效应).
- 该研究强调了将先进的特征选择技术与机器学习相结合的潜力,以进行坚固的土壤属性建模.
