在印度古吉拉特州南部使用机器学习算法对土壤有机碳进行区域规模的预测绘图

科学领域:

• 土壤科学 土壤科学
• 生态生态学 生态生态学
• 环境科学 环境科学

背景情况:

• 土壤有机碳 (SOC) 对土壤健康和生态系统功能至关重要.
• 准确的高分辨率SOC绘图对于土地管理和碳捕集策略至关重要.
• 机器学习 (ML) 算法对 SOC 预测有前途,但它们在高分辨率映射中的性能需要进一步探索.

研究的目的:

• 评估和比较不同ML算法的预测性能,用于高分辨率的SOC映射.
• 确定最准确的ML模型来预测印度古吉拉特州南部表面土壤 (0-30厘米) 中的SOC.
• 了解环境共变量对 SOC 预测的影响,使用 ML.

主要方法:

• 使用了507个土壤样本和58个环境共变量 (卫星频段,光谱指数,地形,生物气候变量).
• 应用Boruta特征选择用于识别SOC映射的关键预测因素.
• 采用并比较了四种ML算法:随机森林 (RF),极端梯度提升 (XGBoost),立体和支持向量机 (SVM).

主要成果:

• 射频模型显示出优异的预测准确性 (R2=0.923,RMSE=0.162%在校准中;R2=0.474,RMSE=0.339%在验证中).
• XGBoost也表现出良好的表现,其次是SVM和立体模型,其预测准确度较低.
• 在多个ML模型中,最湿的季度的平均温度 (BIO8) 被确定为一个关键预测因素.

结论:

• 射频模型是研究区域中高分辨率SOC预测中最准确和可靠的.
• 由RF生成的高分辨率SOC地图是用于监测土壤健康的宝贵工具.
• 这些地图显著支持可持续的土地利用管理和碳捕获规划.