基于深度主动学习建模和解释技术的全球土地易受风侵蚀的评估

科学领域:

• 环境科学 环境科学
• 地质科学是地球科学.
• 数据科学数据科学数据科学

背景情况:

• 准确地绘制土地易受风力侵蚀的空间地图,对于有效的缓解策略至关重要.
• 现有的方法可能无法完全捕捉影响全球风侵蚀因素的复杂相互作用.

研究的目的:

• 开发和评估一种新的深度学习 (DL) 和主动学习 (AL) 方法,用于全球地表易受风侵蚀的影响.
• 确定控制风侵蚀的关键环境因素,并解释它们对易感性预测的影响.

主要方法:

• 使用了深度学习模型 (重复神经网络 - RNN,门式重复单元 - GRU) 与主动学习 (AL) 集成的组合.
• 采用哈里斯优化 (HHO) 进行特征选择,识别了八个关键变量 (例如风速,土壤碳,高度).
• 应用解释技术,包括协同矩阵,夏普利添加式扩展 (SHAP) 和累积局部效应 (ALE) 图.

主要成果:

• 门式循环单元-主动学习 (GRU-AL) 模型在绘制风侵蚀易感度时表现出卓越的准确性.
• 针对敏感性类别的特定土地覆盖率:38.5%非常低,12.6%低,10.3%中度,12.5%高,和26.1%非常高.
• 解释显示,土壤碳含量,DEM和土壤湿度是极具影响力的因素,土壤碳和降水显示负反.

结论:

• GRU-AL模型为准确的全球风力侵蚀易感度绘制提供了一个强大的框架.
• 在高度地区确定了风侵蚀的新高风险区域,需要进一步调查和有针对性的管理.
• 了解关键变量的协同效应和个人影响,可以增强预测建模,并为缓解努力提供信息.