[基于可解释的整体机器学习的空间分布预测和影响土壤表面pH值的因素]

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 地理空间分析是什么

背景情况:

• 精确的表土pH值量化对于管理土壤功能和识别土地利用挑战至关重要.
• 了解土壤pH值的空间分布和驱动因素对于生态平衡和农业可持续性至关重要.

研究的目的:

• 模拟和分析中国四川南部地表土壤pH空间分布.
• 通过机器学习识别影响上层土壤pH值的关键环境因素.
• 为了比较各种机器学习模型的性能,包括集体方法,用于土壤pH值预测.

主要方法:

• 收集了1795个土壤样本用于上层土壤pH分析.
• 采用了六种机器学习模型:随机森林 (RF),支持向量回归 (SVR),极端梯度增强 (XGB),人工神经网络 (ANN),增强和堆叠.
• 使用Shapley增量解释 (SHAP) 来解释模型预测和因子贡献.

主要成果:

• 集合模型的表现优于基础学习者,Boosting模型获得了最高的准确性 (R2=0.862).
• 表面土壤的pH值呈现出从北向南的下降趋势.
• 总 (TK),散密度 (BD),土壤有机碳 (SOC) 和年降水是最有影响力的因素.

结论:

• 可解释组合学习有效地模拟土壤特性,如pH值.
• 这些发现为有针对性的土壤pH调节策略提供了基础.
• 这项研究支持在复杂的景观中增强土壤健康弹性和可持续管理.