基于优化随机森林回归模型的土壤盐渍化反演
当前应用于土壤盐分含量(Soil Salinity Content,SSC)反演的随机森林回归(Random Forests Regression,RFR)较少关注对模型精度影响较大的反演参数子集和模型参数的同步优化.本研究选择渭-库绿洲和奇台绿洲为实验区,基于Landsat-5 TM、SRTM、MOD 11 A2.006遥感数据构建反演参数.首先,利用弹性网络(Elastic Net,EN)筛选出反演参数子集,然后利用遗传算法(Genetic Algorithm,GA)和贝叶斯优化算法(Bayesian Optimization Algorithm,BOA)分别优化随机森林回归(Ran-dom Forests Regression,RFR)参数,建立反演参数子集和模型参数分步优化的RFR模型(EN-GA-RFR、EN-BOA-RFR).建立利用GA和BOA分别同步优化反演参数子集和模型参数的RFR模型(GA-RFR、BOA-RFR).在每个实验区,对比EN-GA-RFR、EN-BOA-RFR、GA-RFR、BOA-RFR的预测精度.最后分析每个实验区各类盐渍土的空间分布,并对2个实验区的反演参数进行对比分析.结果 表明:每个实验区模型预测精度由高到低的排序均为BOA-RFR＞GA-RFR＞EN-BOA-RFR=EN-GA-RFR,整体上BOA的优化性能均好于GA;渭-库绿洲和奇台绿洲面积占比最大的盐渍土类型分别为盐渍土和中度盐渍土;反演参数对SSC的表征能力存在空间分异性.
土壤盐分含量;同步优化;随机森林回归;贝叶斯优化算法;遗传算法;弹性网络;反演参数子集;模型参数
23
国家自然科学基金项目;中国科学院一带一路项目;中国科学院特色研究所项目
2021-10-14（万方平台首次上网日期，不代表论文的发表时间）
共13页
1662-1674
