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(jù)北京市大興區(qū)農用地2007年的土壤有機質采樣數(shù)據(jù),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(shù)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(shù)的決定系數(shù)較低且殘差較大。普通克里格受到采樣點數(shù)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(shù)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... 

【文章來源】：地球信息科學學報. 2020,22(09)北大核心CSCD

【文章頁數(shù)】：15 頁

【部分圖文】：

研究路線

廣義回歸神經(jīng)網(wǎng)絡（Generalized Regression Neural Network,GRNN）最早由美國學者Sprecht提出，它是徑向基函數(shù)神經(jīng)網(wǎng)絡的一種，是由輸入層、模式層、求和層和輸出層組成的4層網(wǎng)絡，本文中對應的輸入（樣本特征）X=[x,y,texture,landuse,dung]T(x=坐標x值、y=坐標y值、texture=土壤質地、landuse=土地利用類型、dung=畜禽糞便利用強度），輸出（標簽）Y=[SOM]T(SOM=土壤有機質值），樣本的個數(shù)為m,GRNN模型結構如圖2所示。輸入層節(jié)點個數(shù)等于樣本的特征維度，各神經(jīng)元是簡單的分布單元，直接將輸入變量傳遞給模式層。

隨機森林結構

【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡的作物Cd含量預測及安全種植分區(qū)[J]. 侯藝璇,趙華甫,吳克寧,李凱.  資源科學. 2018(12)
[2]基于貝葉斯最大熵的黑土區(qū)小流域土壤有機質空間分布預測[J]. 高鳳杰,吳嘯,師華定,鞠鐵男,王鑫,高東晶,劉媚媚.  環(huán)境科學研究. 2019(08)
[3]基于隨機森林的蘋果區(qū)土壤有機質空間預測[J]. 任麗,楊聯(lián)安,王輝,楊粉莉,陳衛(wèi)軍,張林森,徐瑾昊.  干旱區(qū)資源與環(huán)境. 2018(08)
[4]基于輔助變量和回歸徑向基函數(shù)神經(jīng)網(wǎng)絡（R-RBFNN）的土壤有機質空間分布模擬[J]. 江葉楓,郭熙.  浙江農業(yè)學報. 2018(04)
[5]應用集成BP神經(jīng)網(wǎng)絡模型預測土壤有機質空間分布[J]. 江葉楓,郭熙,葉英聰,孫凱,饒磊.  江蘇農業(yè)學報. 2017(05)
[6]省域尺度土壤有機質空間分布的神經(jīng)網(wǎng)絡法預測[J]. 江葉楓,郭熙,葉英聰,孫凱,饒磊.  江蘇農業(yè)學報. 2017(04)
[7]福州市農田土壤養(yǎng)分空間變異特征[J]. 陳桂香,高燈州,曾從盛,王維奇.  地球信息科學學報. 2017(02)
[8]基于多源輔助變量和極限學習機的蔬菜地土壤有機質預測研究[J]. 宋英強,楊聯(lián)安,馮武煥,于世鋒,許婧婷,王晶,楊煜岑,任麗.  土壤通報. 2017(01)
[9]黑土丘陵區(qū)小流域土壤有機質空間變異及分布格局[J]. 高鳳杰,馬泉來,韓文文,單培明,周軍,張少良,張志民,王宏燕.  環(huán)境科學. 2016(05)
[10]采樣密度對土壤有機質空間變異解析的影響[J]. 范曼曼,吳鵬豹,張歡,魏曉,陳富榮,高超.  農業(yè)現(xiàn)代化研究. 2016(03)

博士論文
[1]不同尺度區(qū)域農田土壤有機碳分布與變化[D]. 許信旺.南京農業(yè)大學 2008

碩士論文
[1]縣域土壤有機質空間分布研究[D]. 楊曉.山東農業(yè)大學 2018



本文編號：3557431