【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)

【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

【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)

【所属期刊栏目】中国农业科学

文献传递