基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

• 作者: 丁建丽 张子鹏 韩礼敬 马国林
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 土壤 盐分 数字制图 机器学习 变量优选 Sentinel-2A
• 年，卷（期）: 2020,（19）
• 所属期刊栏目: 农业水土工程
• 页码范围: 124-131
• 页数: 8页
• 分类号: S153
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2020.19.014

摘要

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁.为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集.基于Sientinel-2多光谱传感器(Multi-Spectral Instrument,MSI)、数字高程模型(Digital Elevation Model,DEM)数据提取3类指数(红边光谱指数、植被指数和地形指数),经过极端梯度提升(Extreme Gradient Boosting,XGBoost)算法筛选有效特征变量,构建了关于土壤电导率(Electrical Conductivity,EC)的随机森林(Random Forest,RF)、极限学习机(Extra Learning Machine,ELM)和偏最小二乘回归(Partial Least Squares Regression,PLSR)预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图.结果表明:优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合,3类指数组合的建模取得了较为理想的预测精度,其中RF模型表现最优(验证集R2=0.83,RMSE=4.81 dS/m,RPD=3.11);在整个研究区内,中部和东部地区土壤盐渍化程度尤为严重.因此,XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	丁建丽		189	2671	27.0	40.0
2	张子鹏		4	0	0.0	0.0
3	马国林		1	0	0.0	0.0
4	韩礼敬		1	0	0.0	0.0