利用机器学习算法预测与制图伊朗北部土壤有机碳
机器学习
2020-07-27 v1 机器学习
摘要
估算土壤有机碳含量对于理解土壤的化学、物理和生物功能至关重要。本研究提出利用支持向量机、人工神经网络、回归树、随机森林、极端梯度提升和常规深度神经网络等机器学习算法来推进土壤有机碳的预测模型。模型使用 1879 个复合表层土壤样本和 105 个辅助数据作为预测因子进行训练。采用遗传算法作为特征选择方法以识别有效变量。结果表明，降水是驱动 SOC 空间变异性的最重要预测因子，占比 15%，其次依次为归一化植被指数、中分辨率成像光谱仪的日间温度指数、多分辨率谷底平坦度以及土地利用。基于 10 折交叉验证，深度神经网络（DNN）模型被报告为最优算法，具有最低的预测误差和不确定性。在准确性方面，DNN 的平均绝对误差为 59%，均方根误差为 75%，决定系数为 0.65，林氏一致性相关系数为 0.83。在湿润土壤水分状况类别中，SOC 含量最高，平均值为 4%，其次分别为滞水和干旱类别。茂密林地土壤的 SOC 含量最高，而地质年代较年轻和冲积扇区域的土壤 SOC 含量较低。所提出的 DNN 是一种在省级尺度上处理大量辅助数据的有前景的算法，由于其灵活的结构以及从采样点周围辅助数据中提取更多信息的能力，它在预测 SOC 基线图方面具有高精度和最小的不确定性。
引用
@article{arxiv.2007.12475,
title = {Predicting and Mapping of Soil Organic Carbon Using Machine Learning Algorithms in Northern Iran},
author = {Mostafa Emadi and Ruhollah Taghizadeh-Mehrjardi and Ali Cherati and Majid Danesh and Amir Mosavi and Thomas Scholten},
journal= {arXiv preprint arXiv:2007.12475},
year = {2020}
}
备注
30pages, 9 figures