Improving digital soil mapping for imbalanced classes through feature selection and resampling

Vahideh Sadeghizadeh

doi:10.1038/s41598-026-65549-7

Improving digital soil mapping for imbalanced classes through feature selection and resampling

2026-09-08

0

OA

AI

DOI：10.1038/s41598-026-65549-7

原文链接

原文求助

摘要

En 中文

不平衡土壤数据的精确分类仍然是数字土壤制图（DSM）中的关键挑战。我们提出了一种两步预处理策略，将特征选择与重采样相结合以增强土壤类别预测。使用来自伊朗达拉布地区（Darab region）的140个土壤剖面，四种特征选择方法（VIF、PCA、Boruta、专家观点）与合成少数类过采样技术（SMOTE）相结合，并使用三种分类器（C5.0、随机森林、XGBoost）进行评估。在测试的组合中，VIF + SMOTE与随机森林（RF）模型达到了最佳性能，宏观F1值提高了15.14%，并将可检测的类别数量从四个增加到五个。这些增益具有类别依赖性：SMOTE改善了具有稳定环境特征类别的检测（例如Haplosalids），但对地质土壤学上复杂的类别（例如Calciusterts）无效。这表明仅靠重采样后的样本量是不够的，协变量可分性和环境背景是决定性因素。平衡还使变量重要性转向地形和地貌预测因子，同时减少了对较弱协变量的依赖。为了更好地解决难以分离的类别，我们建议采用边界感知重采样（例如Borderline-SMOTE、SMOTE-ENN、ADASYN）和协变量丰富（例如层描述符）。生成的土壤图揭示了稀有但与经营管理相关的类别的更清晰的空间分化，从而支持更精准和可持续的土地利用决策。

Improving digital soil mapping for imbalanced classes through feature selection and resampling

摘要

期刊

机构

引用论文