论文摘要
以安徽省为研究区域,将Boruta算法用于特征筛选,选择最优变量组合输入支持向量回归(SVR)模型,经参数优化和核函数对比后,选择最优的SVR预测模型进行土壤pH值空间分布制图。结果表明:1)使用Boruta算法筛选后的特征变量建模优于全部变量建模;特征变量重要性分析表明,年均降水(MAP)是影响安徽省土壤pH值的最重要因素,多尺度山谷平坦指数(MrVBF)、多尺度山脊平坦指数(MrRTF)和年均温(MAT)等特征变量均对土壤pH值有较重要的影响。2)选择径向基函数(RBF)作为核函数建立SVR模型进行土壤pH值预测最为合理;参数C=1,γ=0.125时,SVR模型精度最高,可以解释土壤pH值变异的74%,验证集R~2为0.62。3)土壤pH值预测制图结果表明,安徽省土壤pH值空间分布呈由北至南逐渐降低的趋势,符合"南酸北碱"特征,且预测制图的统计结果与样本点的统计结果基本一致。将Boruta算法与SVR模型结合可以提高土壤pH值的预测制图精度,且模型的泛化能力较强。
论文目录
文章来源
类型: 期刊论文
作者: 卢宏亮,赵明松,刘斌寅,张平,陆龙妹
关键词: 土壤值预测,算法,核函数,支持向量机回归,安徽省
来源: 地理与地理信息科学 2019年05期
年度: 2019
分类: 基础科学,农业科技
专业: 自然地理学和测绘学,农业基础科学,农艺学
单位: 安徽理工大学测绘学院,土壤与农业可持续发展国家重点实验室(中国科学院南京土壤研究所)
基金: 国家自然科学基金项目(41501226),安徽省高校自然科学研究项目(KJ2015A034),土壤与农业可持续发展国家重点实验室开放基金项目(Y412201431)
分类号: P285.1;S151.9
页码: 66-72
总页数: 7
文件大小: 991K
下载量: 194
相关论文文献
- [1].基于Boruta和极端随机树方法的森林蓄积量估测[J]. 林业资源管理 2020(04)
- [2].改进Boruta算法在特征选择中的应用[J]. 软件导刊 2019(04)