通过机器学习和深度学习算法对土壤有机碳含量跨土地使用类型的变量分析及其数字绘制

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 数据科学数据科学数据科学

背景情况:

• 土壤有机碳 (SOC) 对土壤肥力和碳循环管理至关重要.
• 了解 SOC 的空间变化对于有效地管理土壤资源至关重要.
• 法国东南部的普罗旺斯采矿盆地为研究SOC动态提供了一个独特的景观.

研究的目的:

• 在11种土地使用类型中分析和建模SOC含量的空间变化.
• 确定影响SOC分布的关键环境因素.
• 评估用于SOC预测的机器和深度学习算法的性能.

主要方法:

• 收集了162个土壤样本和21个环境共变量 (气候,石质,地形,土地覆盖,遥感,土壤特性).
• 应用了四种回归算法:随机森林 (RF),支持向量机 (SVM),极端梯度增强 (XGBoost) 和深度神经网络 (DNNs).
• 使用集成数据和算法进行空间建模的SOC可变性.

主要成果:

• 在土地用途中观察到SOC含量的显著变化,森林 (69.3g/kg) 最高,耕地 (8.9g/kg) 最低.
• 土地覆盖面,地形,石质,环境指数和粘土含量被确定为SOC的主要驱动因素.
• XGBoost实现了最高的预测准确度 (R2 = 0.73),其次是RF (R2 = 0.68) 和DNN (R2 = 0.60).

结论:

• XGBoost和RF模型提供可靠和高效的SOC预测,即使数据有限.
• 这些发现为优化法国东南部土壤有机碳管理提供了关键的见解.
• 这项研究通过可持续的土地管理实践支持气候变化减缓战略.