CN116106472B 基于正向迭代变量筛选的土壤有机碳数字制图方法及装置 （浙江大学杭州国际科创中心）

基于正向迭代变量筛选的土壤有机碳数字本发明公开了一种基于正向迭代变量筛选的土壤有机碳数字制图方法，包括获得土壤样采用正向迭代变量筛选方法对环境变量集进行有机碳含量以及对应的重要环境变量作为样本发明还公开了一种基于正向迭代变量筛选的土2集进行重采样得到空间分辨率一致的环境变量(2.1)从环境变量集中依次去除不同的环境变量得到多组环境变量，每组环境变量拟合的随机森林的精度与环境变量集拟合的随机森林的精度的差值作为去除的环境变量的(2.2)通过已选择环境变量拟合初始随机森林模型，通过十折交叉方法得到初始随机(2.3)将已选择环境变量与环境变量集剩余的每个环境变量进行组合，多组环境变量(2.6)将初始随机森林模型的精度和每次迭代的最高精度随机森林模型的精度进行比(3)将土壤有机碳含量以及对应的重要环境变量作为样本数据，多个样本数据构建样(4)应用时，将重要环境变量集输入预测模型得到大尺度土壤有机碳含量和大尺度土2.根据权利要求1所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征采集待测区域0-30cm表层土壤样本，通过综合土地覆盖、利用和地形的随3.根据权利要求1所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征4.根据权利要求1所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征5.根据权利要求4所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征6.根据权利要求1所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征37.根据权利要求1所述的基于正向迭代变量筛选的土壤有机碳数字制图方法，其特征8.一种基于正向迭代变量筛选的土壤有机碳数机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现将重要环境变量集输入预测模型得到大尺度土壤有机碳含量和大尺度土壤有机碳含4Meersmans,J.,Walter,C.,2022.Digitalmappingofsoilpropertiesatabroadscale:Areview.Geoderma,409,115567.)[0004]随着遥感技术的不断发展，越来越多的遥感大数据被应用于数字土壤制图研B.,Ribeiro,E.,andRossiter,D.:SoilGrids2.0:producingsoilinformationfortheglobewithquantifiedspatialuncertainty,SOIL,7,217–240)通过400多个包括J.-L.,Song,X.,Shi,Z.,Zhu,A-X.,Zhang,G.-L.,2022.MappinghighresolutionNationalSoilInfor[0005]然而在遥感大数据提升定量土壤环境预测模型的同时，也带来了模型结构复杂、5变量集进行重采样得到空间分辨率一致的环境变量[0010](2.1)从环境变量集中依次去除不同量拟合的随机森林的精度与环境变量集拟合的随机森林的精度的差值作为去除的环境变[0011](2.2)通过已选择环境变量拟合初始[0012](2.3)将已选择环境变量与环境变[0015](2.6)将初始随机森林模型的精度和每次迭代的最高精度随机森林模型的精度进[0016](3)将土壤有机碳含量以及对应的重要环境变量作为样本数据，多个样本数据构[0017](4)应用时，将重要环境变量集输入预测模型得到大尺度土壤有机碳含量和大尺[0025]所述随机森林模型的精度的评价指标为均方根误差RMSE，所述均方根误差RMSE6i个样本的通过随机森林模型生成的预测土壤有机碳含量，每个样本数据对应一组环境变[0028]所述分位数回归森林模型通过靴襻法生成多个与训练样本集大小相同的数据集化用于向决策树结点划分环境变量子集的参数得到预算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程[0031]将重要环境变量集输入预测模型得到大尺度土壤有机碳含量和大尺度土壤有机[0033]本发明利用正向迭代变量筛选方法首先获得环境变量集[0034]图1为本发明实施例提供的一种基于正向迭代变量筛选的土壤有机碳数字制图方[0035]图2为本发明实施例提供的验证集中土壤有机碳含量实测值与预测值的散点图，7[0038]本发明提供了一种基于正向迭代变量筛选的土壤有机碳数字制图方法，如图1所[0039](1)获得土壤样本的土壤有机碳含量和环境变量集：采集待测区域0-30cm表层土WorldClimVersion2全球1公里气候数据产品(/version2)，日/夜地表温来源于MODIS地表温数据(/data/dataprod/(munity/data/srtm-90m-digital-elevation-database-v4-1/)，一化植被指数和加强植被指数通过30米分辨率Landsat8地表反射率影像计算得到，总初级生产力和净初级生产力来源于1公里分辨率MODIS总初级生产力和净初级生产力面积指数(/da壤制图产品的空间分辨率可设定为90米或者30米，环境变量重采样方法设定为双线性插[0044](2.1)从环境变量集中依次去除不同[0045](2.2)通过已选择环境变量拟合初始[0046](2.3)将已选择环境变量与环境变量8[0049](2.6)将初始随机森林模型的精度和每次迭代的最高精度随机森林模型的精度进i个样本数据的通过随机森林模型生成的预测土壤有机碳含量，每个样本数据对应一组环[0054](4)基于样本数据集训练分位数回归森林模型得到预测模型：利用建模集中土壤过十折交叉验证优化分位数回归森林模型参数得[0055]本发明提供的分位数回归森林模型通过靴襻法生成多个与训练样本集大小相同交叉验证优化用于向决策树结点划分环境变量子独立验证集中土壤有机碳含量和预测土壤有机碳含量，评价随机森林转换函数的预测精[0057](5)将拟合的预测模型应用到对应的重要环境变量，得到大尺度土壤有机碳含量[0060]将重要环境变量集输入预测模型得到大尺度土壤有机碳含量和大尺度土壤有机9叉验证相关性在0.76-0.99之间，该数据官方下载链接为/覆盖大于20％的影像后计算植被变量的年平均值和季度平均值，该数据可在GEE中下载。Landsat8是美国航空航天局(NASA)发射的卫星，轨道高度为705公里，扫描宽度为185公[0066]步骤(3)：所有环境变量重采样至90米，该功能在R语言中通过raster软件包的[0067]步骤(4)：土壤采样点位环境变量的提取在R语言中通过raster软件包的extract计算移除每个变量后拟合模型的均方误差(MSE)和所有变量拟合模型的均方误差增加百分比得到IncMSE越大，说明该变量越重要，该步骤在R中通过randomForest软件包的量筛选算法步骤(b)和(c)中的十折交叉验证在R语言中通过caret软件包的train函数实[0068]步骤(5)：分位随机森林转换函数在R语言中通过quantregForest软件包的[0069]步骤(6)：大尺度土壤有机碳含量及其不确定性分布图的绘制在R语言中通过具有较好的预测效果，且优于筛选前38个环境变量拟合的预测模型(R2为0.56，RMS