.png){kind=icon}
返回
Large-Scale Soil Mapping Using CART Algorithm: Advantages and Restrictions
.png){kind=icon}
PRE
AI
DOI：10.1134/S1064229325600976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了将CART（分类与回归树）算法作为大尺度土壤制图基础的测试结果。研究在俄罗斯沃罗涅日州利斯克区拥有农田的测试场进行，土壤覆盖包括黑钙土和草甸黑钙土。建模针对特定的土壤分类单元（土壤名称）和六种土壤属性：A1层厚度、腐殖质层厚度（A1 + AB层）、起泡深度、砂粒含量、粉粒含量和腐殖质含量。光谱波段亮度（R、G、B）、坡度、坡向、绝对高程（m a.s.l.）和单点（像素）绝对高程的标准差被用作解释变量。决策树的质量基于交叉验证误差值进行评估。对于A1层厚度以及腐殖质和粉粒含量，仅基于卫星数据的模型表现更优。对于A1和AB层的总厚度、起泡深度和砂粒含量，基于卫星数据（光谱波段亮度）和地形形态参数的模型提供了更准确的结果。在所考虑的预测因子中，蓝波段亮度和绝对高程最为重要。能够处理异常分布的输入数据是CART算法的主要优势。本研究采用的方法可用于构建土壤图，特别是在评估区域农业潜力的初始阶段或作为处理复杂土壤覆盖的辅助工具。
Keyword:
decision trees
chernozems
schematic maps of soil properties
digital soil mapping
期刊
E
IF:
1.6
论文数:
184
被引数:
3.2K
机构
引用论文
The Trends of Soil Mapping and Monitoring Based on Interpolation of Point Data and Remote Sensing Methods基于点数据插值和遥感方法的土壤制图和监测趋势
PREAI
分享收藏CLASSIFICATION AND REGRESSION TREES: A POWERFUL YET SIMPLE TECHNIQUE FOR ECOLOGICAL DATA ANALYSIS.png)
Ecology
EcologyIF0
PREAI
分享收藏
查看更多内容