.png){kind=icon}
返回
Random forest algorithm applied to model soil textural classification in a river basin
.png){kind=icon}
PRE
AI
DOI：10.1007/s10661-025-13786-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
沙、粉砂和黏土的比例决定了土壤质地，这对农业和生态实践有显著影响。然而，传统的分类方法成本高昂，限制了评估的频率和范围。相比之下，机器学习算法（如随机森林）为准确预测土壤质地提供了更高效的解决方案。本研究旨在通过整合地理处理、精准农业和机器学习来解决这一知识空白，以对以农业为主的索罗卡布乌河盆地（SRB）的土壤质地进行分类。基于地形和土地利用情况选择了27个采样点，以确保区域变异的代表性及分类的可靠性。采用吸管法进行粒度分析以分离沙、粉砂和黏土。数据通过地理信息系统（GIS）技术进行空间插值。使用随机森林算法对土壤质地进行分类，其中70%的数据用于训练，30%用于测试，并评估总体精度、kappa指数、敏感度和特异度。考虑参数变异性以确保满意结果，使用了50棵树（ntree）和每次分裂4个特征（ntry）。黏土的空间分布差异，以及高水平的沙和粉砂，表明若无保护管理措施，土壤更易受侵蚀。随机森林模型实现了2.78%的袋外（OOB）误差、0.88的kappa指数和0.92的总体精度，显示出优异的预测能力。沙的变异性至关重要，但沙质黏壤土（SCL）类别因其介于沙和黏土之间的中间特性而构成挑战，导致分类重叠。该综合方法增强了SRB土壤结构的理解，并为未来研究和实际应用奠定基础，支持粮食安全和环境可持续性。该模型可应用于其他地点和农业背景。在均质土壤中，可通过应用机器学习算法提高方法的精度。
Keyword:
Precision agriculture
Soil erosion
Machine learning
Soil textural classification
期刊
IF:
3
论文数:
2.3K
被引数:
3.5W
机构
引用论文
Different Approaches to Aggregate Stability Estimation in the Semi-Arid Climate Conditions半干旱气候条件下团聚体稳定性估算的不同方法
.png){kind=icon}
PREAI
分享收藏Crop Classification for Precision Farming Using Machine Learning Algorithms and Sentinel-2 Data利用机器学习算法和Sentinel-2数据进行的精准农业作物分类
PREAI
分享收藏Determination of suitable agricultural areas and current land use in Isparta Province, Türkiye, through a linear combination technique and geographic information systems通过线性组合技术和地理信息系统确定土耳其伊斯帕尔塔省适宜农业区域及当前土地利用状况
OAAI
OAAI分享收藏
Socioeconomic spatial analysis through fuzzy system as a tool for territorial planning applied to watersheds基于模糊系统的社会经济空间分析作为流域国土规划的工貝
PREAI
分享收藏
查看更多内容