典型文献
基于机器学习的植烟区土壤有机质和全氮含量预测
文献摘要：
为揭示植烟土壤有机质(SOM)和土壤全氮(STN)含量的空间分布规律,以重庆市巫山县笃坪乡为研究区,以成土母质和地形因子为预测因子,采用随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)3种机器学习方法进行模型构建和评价,同时选择最优模型进行数字土壤制图并分析了环境变量的重要性.结果表明:①成土母质为二叠系梁山组灰岩发育的土壤SOM和STN含量显著高于成土母质为三叠系大冶组灰岩发育土壤.②GBDT模型的预测精度最佳,对于SOM和STN含量的预测,其决定系数(R2)分别为0.6167和0.7468,平均绝对误差(MAE)分别为4.81 g/kg和0.25 g/kg,均方根误差(RMSE)分别为5.94 g/kg和0.34 g/kg.③主要环境因子对SOM含量影响的排序依次为母质>海拔>地形湿度指数>山谷深度,对STN含量影响排序依次为母质>坡高>海拔.
文献关键词：
植烟土壤;环境因子;有机质;全氮;GBDT模型
中图分类号：
作者姓名：
张鑫;杨超;刘洪斌;武伟
作者机构：
西南大学资源环境学院,重庆市北碚区天生路2号 400715;重庆市烟草科学研究所,重庆市北碚区天生路2号 400715;西南大学计算机与信息科学学院,重庆市北碚区天生路2号 400715
文献出处：
引用格式：
[1]张鑫;杨超;刘洪斌;武伟-.基于机器学习的植烟区土壤有机质和全氮含量预测)[J].烟草科技,2022(08):20-27
A类：
B类：
基于机器学习,植烟区,土壤有机质,全氮含量,含量预测,植烟土壤,SOM,土壤全氮,STN,空间分布规律,巫山县,成土母质,地形因子,预测因子,RF,梯度提升决策树,GBDT,极端梯度提升,XGBoost,机器学习方法,最优模型,数字土壤制图,环境变量,二叠系,系梁,梁山组,灰岩,三叠系,大冶,决定系数,平均绝对误差,MAE,RMSE,环境因子,地形湿度指数,山谷深
AB值：
0.376038
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
