Soil erosion susceptibility modeling using stacking ensemble machine learning, Kangra District, north-western Himalaya, India

方法

实地调查结合Google Earth目视解译建样本，四种ML与堆叠集成，SHAP

发现

RF最优，14.7%区域为极高易发；NDVI、坡度、土地利用为主导因子。

机会点

可引入时序遥感与深度学习提升侵蚀易发性制图精度，并耦合土地利用情景模拟。

本研究旨在利用机器学习算法——支持向量机（SVM）、随机森林（RF）、XGBoost和CatBoost及其堆叠集成——预测康格拉县的土壤侵蚀易发区域。此外，本研究还采用SHAP（SHapley Additive exPlanations）模型以增强表现最佳的随机森林算法的可解释性。为此，通过实地经验调查结合谷歌地球历史影像的目视解译，构建了全面的土壤侵蚀点位数据集。结果表明，随机森林为表现最佳的模型，预测14.7%的区域属于极高易发区，其次为XGBoost（27.1%）、SVM（24.4%）和CatBoost（16.4%），而堆叠集成预测为25.2%。对表现最佳模型（随机森林）的SHAP分析表明，NDVI、坡度和土地利用/土地覆盖（LULC）是影响该地区土壤侵蚀的主要控制因素。本研究还为康格拉县制定减轻土壤侵蚀的政策和战略规划提供了科学基础。