在区域范围内使用环境共变量和机器学习算法建模土壤pH值
Ramakrishnappa Vasundhara1, Subramanian Dharumarajan2, Rajendra Hegde2
1ICAR-National Bureau of Soil Survey and Land Use Planning, Hebbal, Bangalore, India. vasundharagowda@gmail.com.
Environmental monitoring and assessment
|June 24, 2025
概括
数字土壤绘图使用随机森林 (RF) 模型准确预测了卡纳塔克邦的土壤pH值. 创建了高分辨率的土壤pH图,以帮助准确农业和土地管理决策.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 地理空间科学 地理空间科学
背景情况:
- 土壤pH值是土壤健康和肥沃性的关键指标,对于有效的作物管理至关重要.
- 数字土壤绘图 (DSM) 提供了有效的,具有成本效益的,对土壤属性的定量预测.
- 了解土壤pH空间分布对于优化农业实践至关重要.
研究的目的:
- 通过使用数字土壤绘图技术,在卡纳塔克州区域范围内绘制土壤pH值 (0-15厘米).
- 为了比较支持矢量机 (SVM),立方体和随机森林 (RF) 模型在土壤pH预测方面的性能.
- 为了生成高分辨率的土壤pH图并量化预测不确定性.
主要方法:
- 利用146,044个观测数据集进行土壤pH预测.
- 使用的环境共变量包括地形属性,Landsat-8数据,植被指数和气候变量.
- 评估了三种机器学习模型:SVM,cubist和RF.
主要成果:
- 随机森林 (RF) 模型表现出优异的性能,R2val = 0.61和CCCval = 0.74.
- 立体主义和SVM模型的准确性较低,仅解释了46-49%的变化.
- 气候变量和Landsat-8数据被确定为土壤pH的关键预测因素.
结论:
- 为卡纳塔克邦成功生成了高分辨率 (90米) 的土壤pH图.
- 开发的地图和不确定性量化可以支持精准农业和土地资源管理.
- 该研究强调了RF模型和特定环境共变量的有效性,用于区域土壤pH测绘.
更多相关视频
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
11.9K
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.3K
