数据驱动的土壤有机碳抽样：谱聚类与条件拉丁超立方抽样集成
机器学习
2025-06-17 v3
摘要
土壤有机碳（SOC）监测通常依赖于基于环境协变量选择代表性田间抽样位置。我们提出了一种新颖的混合方法，集成谱聚类——一种无监督机器学习技术与条件拉丁超立方抽样（cLHS），以增强SOC抽样的代表性。在我们的方法中，谱聚类使用多变量协变量数据将研究区域划分为K个均匀区域，随后在每个区域内应用cLHS来选择抽样位置，使其整体捕获环境条件的全部多样性。这种混合的谱-cLHS方法确保即使是小但重要的环境聚类也能被抽样，弥补了原始cLHS可能忽视此类区域的关键局限。我们在真实的SOC映射数据集上演示，谱-cLHS在协变量特征空间和空间异质性覆盖方面优于标准cLHS。这种改进的抽样设计有望通过为机器学习模型提供更平衡的训练数据来提高SOC预测的准确性。
引用
@article{arxiv.2506.10419,
title = {Data-Driven Soil Organic Carbon Sampling: Integrating Spectral Clustering with Conditioned Latin Hypercube Optimization},
author = {Weiying Zhao and Aleksei Unagaev and Natalia Efremova},
journal= {arXiv preprint arXiv:2506.10419},
year = {2025}
}