基于RF和SGT算法的子区优先建模对绿洲尺度土壤盐度预测精度的影响

摘要：

[目的]试图通过优先在干旱区绿洲的子区构建模型以提高绿洲全局土壤盐度的预测精度.同时量化全局模型和子区模型之间精度的差异性和不确定性.[方法]利用随机森林(Random Forest,RF)和随机梯度增进算法(Stochastic Gradient Treeboost,SGT)定量化上述不确定性,同时,对比本地尺度多个情景(景观)优先建立模型再合并预测值对于模拟全局土壤盐度的精度影响.基于驱动因子(土地利用和地貌),响应因子(Normalized Difference Vegetation Index,NDVI和土壤电导率,EC),研究设计了27个能够相对覆盖典型绿洲不同土壤盐度变异性的环境情景. [结果]70.37％ (19/27)的情景证明SGT的预测精度高于RF.单独建模的10个情景的预测精度高于全局模型下10个再分类情景(根据情景设定规则将全局模型预测值再分类)的精度.特别是,EC≤4 dS·m-1和2 dS·m-1＜ EC＜16dS·m-1两个情景应该单独进行建模预测.4个情景(两两合并)预测值合并后的精度高于全局模型再分类后的精度.需要指出的是,用于绿洲尺度子区情景构建的首选分割变量是EC,其次是地貌和土地利用. [结论]研究推荐基于SGT在绿洲内部不同景观尺度上优先建模,再将各景观尺度的预测值进行合并,以提高绿洲土壤盐度的推理精度.

关键词：土壤盐分、机器学习、干旱区、Landsat OLI、空间异质性、随机森林算法、随机梯度增进算法

所属期刊栏目：51

资助基金：国家自然科学基金U1603241、41661046、41771470、41261090、U1303381;新疆大学博士研究基金BS150246

在线出版日期：2019-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共18页

页码：4659-4676