基于機器學習的稀疏樣本下的土壤有機質估算方法

作者：劉明杰,徐卓揆,郜允兵,楊晶,潘瑜春,高秉博,周艷兵,周萬鵬,王凌

摘要：采用GRNN(Generalized Regression Neural Network)和RF(Random Forest)2種機器學習方法構建土壤有機質預測模型,以提高稀疏樣本情況下的土壤有機質估算精度。依據北京市大興區農用地2007年的土壤有機質采樣數據,按MMSD準則(Minimization of the Mean of the Shortest Distances)抽稀為8種不同采樣密度的樣本(分別為2703、1352、676、339、169、85、43、22個樣本),分別采用GRNN、RF和Ordinary kriging對各采樣密度下的未知采樣點進行預測,采用交叉檢驗的方式驗證各采樣密度下未知樣點的預測精度。隨著采樣點密度的下降,樣點間的空間自相關性逐漸減弱,半變異函數的擬和精度變差,預測點結果誤差增大,預測的置信度降低。當抽稀到43個和22個采樣點時,樣點間的空間自相關性接近殲滅,半變異函數的決定系數較低且殘差較大。普通克里格受到采樣點數量和采樣密度、樣點的空間結構的影響比較明顯,其預測精度隨采樣點數量的下降而下降。在85個采樣點及以下時,其預測值與觀測值之間沒有顯著的相關性。GRNN和RF的預測精度受采樣密度的影響不大,其預測精度在一個較小的范圍內波動,其預測值圍繞觀測值在一定閾值空間內震蕩波動,具有較好的相關性,在85個及以下的采樣密度時,預測精度相對普通克里格有較大的提升。普通克里格法不適合在稀疏樣本條件下空間插值計算,尤其是在空間自相關性比較弱的情況下。機器學習模型能充分學習土壤間環境信息、樣點空間鄰近效應信息,兼顧屬性相似性和空間自相關,具有更好的穩定性和適應性,不容易受到采樣點數量、構型和采樣密度等因素的影響,即使在采樣點空間自相關性很弱的情況下也能做出穩定預測精度。

發文機構：長沙理工大學交通運輸學院 國家農業信息化工程技術研究中心 長沙理工大學公路地質災變預警空間信息技術湖南省工程實驗室 北京農業信息技術研究中心 中國農業大學 河南理工大學 河北省農林科學院農業資源環境研究所

關鍵詞：土壤有機質空間插值機器學習屬性相似性空間自相關大興區稀疏樣本采樣密度soil organic matterspatial interpolationmachine learningattribute similarityspatial correlationDaxing Countysparse samplesampling density

分類號： TP3[自動化與計算機技術—計算機科學與技術]