文献类型：期刊文章

作　　者：王飞[1,2] 杨胜天[1,2] 丁建丽[1,2] 魏阳[1,2] 葛翔宇[1,2] 梁静[1,2]

Wang Fei;Yang Shengtian;Ding Jianli;Wei Yang;Ge Xiangyu;Liang Jing(Xinjiang Common University Key Lab of Smart City and Environmental Stimulation,College of Resource and Environmental Sciences,Xinjiang University,Urumqi 830046,China;College of Resource and Environmental Science,Xinjiang University/Laboratory of Oasis Ecosystems,Ministry of Education,Xinjiang University,Urumqi 830046,China)

机构地区：[1]新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室,乌鲁木齐830046 [2]新疆大学绿洲生态教育部重点实验室,乌鲁木齐830046

出　　处：《农业工程学报》

基　　金：国家自然科学基金联合基金项目(U1603241);国家自然科学基金(41661046);自治区科技支疆项目(201591101);新疆大学博士启动基金(BS150248);新疆维吾尔自治区重点实验室专项基金(2014KL005);国家自然科学基金(新疆联合基金本地优秀青年人才培养专项(U1503302))

年　　份：2018

卷　　号：34

期　　号：22

起止页码：102-110

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于机器学习预测干旱区(如新疆)土壤盐分的研究目前较少涉及且敏感变量的筛选还需深入探讨。该研究比较5种机器学习算法(套索算法,The Least Absolute Shrinkage and Selection Operator-LASSO;多元自适应回归样条函数,Multiple Adaptive Regression Splines-MARS;分类与回归树,Classification and Regression Trees-CART;随机森林,Random Forest-RF;随机梯度增进算法,Stochastic Gradient Treeboost-SGT)在3个不同地理区域(奇台绿洲,渭-库绿洲和于田绿洲)的性能表现;参与的变量被分为6组:波段,植被相关变量集,土壤相关变量集,数字高程模型(digital elevation model,DEM)衍生变量集,全变量组,优选变量组(全变量组经过算法筛选后的变量集合)。通过算法筛选,以示不同研究区的盐度敏感变量。同时借助以上述6组结果评判算法的性能。结果表明:综合分析6个变量组的R2和RMSE,预测精度排名如下:优选变量组>植被指数变量组>土壤相关变量组>波段>DEM衍生变量组。由于结果不稳定,全变量组未参与排名。在所有变量中,植被指数(EEVI,ENDVI,EVI2,CSRI,GDVI)和土壤盐度指数(SIT,SI2和SAIO)与土壤盐度相关性高于其他变量。综合评价以上5种算法,Lasso和MARS的预测结果出现极端异常值,但其预测结果能基本呈现土壤盐分空间分布格局。CART的结果能清晰分辨灌区和非灌区土壤盐分的分布态势,但二者内部并无太多变化且稳定性较差。RF和SGT的结果显示,二者在3个绿洲的土壤盐分值域范围和土壤盐分空间分布格局相似,纹理信息相对其他3个算法更为丰富。更为重要的是,算法在各个地区的结果都较为稳定。二者相比,SGT验证精度相对最高,其次为RF。

关 键 词：土壤盐分 遥感 机器学习  绿洲 LANDSAT OLI  数字高程模型 新疆  

分 类 号：S153]