用机器学习和地缘统计方法在不同土地用途中绘制土壤有机碳的地理空间数字地图

科学领域:

• 土壤科学 土壤科学
• 环境科学 环境科学
• 地理空间分析的研究.

背景情况:

• 不适当的土壤管理会耗尽土壤有机碳 (SOC) 储量,降低土壤质量,加剧气候变化.
• 了解SOC的空间变化对于有效地资源管理和气候变化缓解至关重要.

研究的目的:

• 评估不同模拟模型的潜力,用于绘制SOC的空间可变性.
• 评估土地利用对伊朗克尔曼沙省卡拉苏流域SOC分布的影响.

主要方法:

• 使用拉丁式超立方体采样进行点选择 (n=168) 并采集土壤样本进行实验室SOC分析.
• 使用普通 kriging 与一个球形变形图模型映射 SOC.
• 使用机器学习模型模拟的SOC变化:通用线性模型 (GLM),线性添加模型 (LAM),立体模型,随机森林 (RF) 和支持向量机 (SVM).
• 纳入地形,植被,母体材料和气候变量作为预测因素.

主要成果:

• 根据土地使用情况,SOC含量差异很大,从0.19%到8.44%不等.
• 通过使用球形变形图 (MAE=0.41) 的普通 kriging 方法,有效地插入了 SOC.
• 与其他模型相比,随机森林 (RF) 模型在预测SOC数量方面表现出最高的准确性 (R2=0.64,RMSE=0.58%).
• 父母材料和地形被确定为SOC变异性的最有影响力的预测变量.

结论:

• 随机森林 (RF) 模型是预测西亚等半干旱地区SOC变异性的可靠工具.
• 考虑到土地使用,母体材料和地形,有效的土壤管理策略对于保持SOC库存和土壤健康至关重要.