基于主成分和机器学习的土壤有机质含量空间预测建模 后印本

摘要: 协同环境变量与机器学习回归模型构建土壤有机质空间预测组合模型对养分精准管理具 有重要意义，而多维变量间的信息冗余和相关性会导致模型训练时间过长、预测精度降低等问 题。以陕西省咸阳市农耕区为例，选取高程、坡向、坡度、剖面曲率、平面曲率、地形起伏度、地形湿度指数、年均降水量、年均气温、归一化植被指数共 10 个环境变量，在主成分分析（Principal compo⁃ nent analysis，PCA）、核主成分分析（Kernel principal component analysis，KPCA）方法特征提取基础 上，组合随机森林（Random forest，RF）、支持向量回归机（Support vector regression，SVR）、K 最近邻（K-nearest neighbor，KNN）机器学习模型进行土壤有机质含量空间预测。以单一模型作为对照，通 过计算模型决定系数（Coefficient of determination，R2）、均方根误差（Root mean square error，RMSE） 和相对绝对误差（Relative absolute error，RAE），对不同模型的预测结果进行精度评价。结果表明：利用主成分提取方法和机器学习算法构建组合模型能消除变量间相关性，一定程度上提高土壤有 机质含量预测模型精度。KPCA-RF 模型对 SOM 含量预测精度高于其他模型，R2、RMSE、RAE 分别 为 0.791、1.970 g•kg-1、50.100%，该模型良好的预测能力可以为土壤有机质含量的空间预测与制图提供科学依据。