基于三种机器学习方法预测表面土壤pH空间分布:黑龙江省的一个案例研究

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:

• 准确的表面土壤pH值数据对于监测土壤退化和为农业实践提供信息至关重要.
• 了解空间pH分布有助于可持续的土地管理和作物产量优化.
• 黑龙江省是一个重要的农业地区,需要精确的土壤信息来有效管理资源.

研究的目的:

• 为了全面地绘制黑龙江省地表土壤pH的空间分布.
• 为了比较支持矢量机 (SVM),随机森林 (RF) 和极端梯度提升 (XGBoost) 的性能,用于土壤pH预测.
• 确定影响土壤pH值的关键环境共变量,并确定最佳的建模方法.

主要方法:

• 利用了来自黑龙江省125个土壤调查采样点的数据.
• 采用皮尔森相关性分析和递归特征消除 (RFE) 来选择关键的环境共变量.
• 应用并比较了三种机器学习模型:SVM,RF和XGBoost用于表面土壤pH预测.

主要成果:

• 平均月度最高温度,平均月度最低降水量,平均年降水量,干旱指数和平均月度最大风速被确定为最重要的协变量.
• XGBoost显示出最高的预测性能 (R=0.705),其次是RF (R=0.688),而SVM显示出不稳定性.
• 最佳XGBoost模型表明,黑龙江省的黑土一般呈现较弱的酸度 (平均pH值6.42),东部/东北部地区的空间趋势和局部酸化.

结论:

• 气候变量是土壤pH值的有效预测因素,特别是在大,平坦的农业地区.
• XGBoost是最佳的机器学习模型,用于在这个研究领域准确地绘制表面土壤的pH值.
• 调查结果强调了需要控制肥的应用和改善黑龙江省受影响地区的土壤酸缓冲能力.