通过整合机器学习和可变选择,绘制中国长江流域海洪河子流域的土壤特性,通过整合机器学习和可变选择

科学领域:

• 数字土壤绘制地图
• 环境科学环境科学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 准确地绘制土壤属性的地图对于农业和土地管理至关重要.
• 机器学习越来越多地用于数字土壤绘制,其中包含许多环境共变量.
• 来自许多共变量的多对线性可能会对机器学习模型性能产生负面影响.

研究的目的:

• 调查变量选择对机器学习模型预测性能对多种土壤属性的影响.
• 为了比较随机森林 (RF) 和极端梯度增强 (XGBoost) 模型的有效性,具有和没有变量选择.
• 绘制空间分布图并确定海河分流域土壤属性的关键驱动因素.

主要方法:

• 从海河分流域的180个点收集了表面土壤样本 (0-20厘米).
• 使用递归特征消除算法从40个环境变量中选择最佳共变量.
• 应用并比较随机森林 (RF) 和极端梯度提升 (XGBoost) 模型,用于预测土壤有机碳,总和可用.

主要成果:

• 变量选择在RF和XGBoost模型中显著提高了土壤有机碳,总和可用的预测准确性 (R2值).
• 纳入变量选择的模型显示总体不确定性降低,RF显示总体不确定性低于XGBoost.
• 遥感数据 (主要组成部分2) 主要影响了土壤有机碳的分布,而土地利用和潜在的蒸发是分别对总和可用的关键驱动因素.

结论:

• 变量选择对于优化数字土壤绘图中的机器学习模型至关重要.
• 有效的变量选择提高了预测准确度,并减少了绘制土壤属性的不确定性.
• 了解土壤属性的空间异质性和驱动因素对于子流域的有效土地管理至关重要.