Details

Autor(en) / Beteiligte

• 张振华
• 丁建丽
• 王敬哲
• 葛翔宇
• 王瑾杰
• 田美玲
• 赵启东

Titel

集成土壤-环境关系与机器学习的干旱区土壤属性数字制图

Ist Teil von

• 中国农业科学, 2020-02, Vol.53 (3), p.563-573

Ort / Verlag

新疆大学资源与环境科学学院/新疆大学绿洲生态教育部重点实验室/新疆大学智慧城市与环境建模自治区普通高校重点实验室,乌鲁木齐,830046

Erscheinungsjahr

2020

Quelle

EZB Electronic Journals Library

Beschreibungen/Notizen

• [目的]土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素.通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度(pH)、土壤盐分含量(Soil Salt Content,SSC)与土壤有机质(Soil Organic Matter,SOM)3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据.[方法]在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层(0—20 cm)土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模.借助梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差(Root Mean Square Error,RMSE)界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量.进而运用随机森林(Random Forest,RF)、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型(Multiple Linear Regression,MLR)进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图.[结果]梯度提升决策树能有效筛选出重要协变量,高程(Elevation)、剖面曲率(Profile Curvature)、差值植被指数(Difference Vegetation Index)、扩展增强型植被指数(Extended Normalized Difference Vegetation Index)、调整土壤亮度植被指数(Modified Soil Adjusted Vegetation Index)、盐分指数S1(Salinity Index S1)以及盐分指数S6(Salinity Index S6)7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用.机器学习3种算法的结果均优于MLR.通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳.在随机森林预测的3种土壤属性中,土壤pH验证集效果R2=0.6779,