Machine Learning Prediction of Soil Nutrients and pH in Tibetan Alpine Croplands: A Comparison of Nine Algorithms
Chenjun Zhao · Shaowei Li · Yuan Tian 等 7 人
比较九种机器学习算法预测青藏高原高寒农田土壤养分与pH，发现集成算法最优。
基于103个样点412个观测，用气候与NDVI变量比较RF、eXGB等九种算法。
eXGB和RF表现最佳，平均相对偏差最低（1.35%和1.55%），优于线性与单树模型。
可引入多时相遥感与深度学习方法，提升高寒区土壤属性制图精度与泛化能力。
基于103个样点412份观测对比九种算法预测高原农田土壤养分与pH，方法扎实、结论明确，对精准施肥有直接参考价值，但属区域性研究，产业影响有限。
土壤是陆地生态系统功能的基础，并对农田生产力、养分周转、环境质量和农业可持续性具有强烈控制作用。因此，可靠预测土壤养分和pH对于精准施肥、土壤质量评估以及农田管理的可持续性十分重要，尤其是在脆弱的高寒农业生态系统中。然而，在青藏高原高寒农田中，用于估算土壤属性的候选算法的比较性能仍缺乏系统表征。本研究评估了九种方法，即随机森林（RF）、广义提升回归（GBR）、多元线性回归（MLR）、人工神经网络（ANN）、广义线性回归（GLR）、条件推断树（CIT）、极端梯度提升（eXGB）、支持向量机（SVM）和递归分割回归树（RRT），利用年平均气温、年降水量、年太阳辐射和最大归一化差异植被指数（NDVImax）预测土壤碳、氮、磷、钾和pH。野外观测来自103个采样样地，每个样地和每个深度采集4个独立土壤样品，每个深度层共获得412个观测值。在高寒农业条件下，模型性能表现出明显差异。在所有土壤变量和深度上，eXGB和RF总体表现最佳，平均相对偏差值最低，分别为1.35%和1.55%，平均RMSE值最低，分别为0.43和0.47。这些结果表明，与线性模型或单树方法相比，非线性集成算法更好地捕捉了环境协变量与土壤属性之间的异质性关系。总体而言，RF和eXGB为脆弱高寒农业生态系统中的精准施肥、土壤质量评估和长期可持续性提供了实用的方法学基础。