基于近红外-可见光高光谱的堆叠泛化模型褐土有机质预测

准确预测农田土壤有机质含量有助于评估农田肥力状况,为精准农业提供数据依据。为解决单模型实现快速估测农田土壤表层有机质含量精度较低和泛化能力较弱的问题,以山西省典型褐土农田表层土壤为研究对象,基于近红外-可见光高光谱数据,提出了一种堆叠泛化模型(SGM)用于预测有机质含量。首先对原高光谱数据采用小波平滑,对平滑数据进行倒数一阶微分、对数倒数一阶微分变换,采用相关系数与递归特征消除法进行特征波段提取。同时,引入机器学习中的集成学习随机森林Random Forest(RF)、梯度提升决策树Gradient Boosting Decision Tree(GBDT)、极限梯度提升eXtreme Gradient Boosting(XGBoost)、AdaBoost 4个初级机器学习器模型通过5折交叉验证对有机质含量进行预测,在初级学习器预测结果基础上,采用随机梯度下降SGD(stochastic gradient descent)作为元学习器建立SGM堆叠泛化模型。突破单模型精度较低和不稳定的制约,实现有机质含量的快速稳定检测。结果表明:倒数一阶微分变换后的光谱信息与有机质含量具有较好的相关性,相关性最大值达到了-0.611;相比单模型,堆叠泛化预测模型的决定系数(R^(2))和相对分析误差(RPD)分别为0.819和2.256,较其他算法平均决定系数(R^(2))和平均相对分析误差(RPD)分别提高了0.055和0.323;平均绝对误差(MAE)、均方根误差(RMSE)分别为1.742和2.308 g·kg^(-1),较其他算法平均绝对误差(MAE)和平均均方根误差(RMSE)分别降低了0.406和0.389 g·kg^(-1),优化效果明显,可用于农田土壤表层有机质含量的有效估测。研究成果可为农田土壤表层有机质含量的高光谱快速检测提供依据和参考。

基于堆叠泛化学习模型的放射治疗药物剂量预测

针对基于MRI的放射治疗缺乏与CT电子密度直接相关的问题,提出了基于融合图像特征提取和基于堆叠泛化的学习模型,建立了CT扫描特征的HU(HousefieldUnit)单位值间接分配到MRI数据中的映射进行放射剂量预测.该学习模型分2层,第1层用于学习融合图像多模态特征提取;第2层用于堆叠的泛化融合,使用CT扫描特征的HU值与MRI数据中的映射误差最小.实验表明,脑部区域中MRI的放射治疗药剂量预测质量比传统方式提高10%~14%.

松嫩典型黑土区耕地黑土层厚度数字制图方法比较

黑土层厚度与农田土壤肥力和质量密切相关,准确刻画东北松嫩典型黑土区耕地黑土层厚度的空间分布对黑土地保护和农业可持续发展具有重要意义。然而,常用的预测模型在平原漫岗地区进行数字制图具有较大的难度,如何准确预测黑土层厚度的空间分布特征是亟待解决的问题。选取东北地区松嫩典型黑土区作为研究区,以研究区内106个剖面点和45个环境因子为基础数据,通过因子重要性排序和相关性剔除法筛选变量,利用多元线性回归(Multiple Linear Regression,MLR)、随机森林(Random Forest,RF)、梯度提升树(Gradient Boosting Decsion Tree,GBDT)、极端梯度提升(Extreme Gradient Boosting,XGBoost)、随机森林回归克里格(Random Forest-Regression Kriging,RF-RK)和堆叠泛化模型(Stacking)对黑土层厚度进行空间预测制图,评估不同模型预测精度并研究影响黑土层厚度空间分布的最优协变量,并基于较优模型绘制东北黑土区耕地黑土层厚度分级图。结果表明:①Stacking组合多种模型的优点,预测性能表现最佳(R^(2)=0.47,MAE=21.02 cm,RMSE=27.12 cm),其次是RF-RK和RF;②通过变量筛选剔除低贡献度的环境变量后,不同模型的R^(2)平均提高0.11,其中MLR提升幅度最大为0.32;③不同模型预测的松嫩典型黑土区黑土层厚度空间分布趋势基本一致,60 cm以上的黑土层主要分布在研究区的东北部和东南部,而30 cm以下的黑土层主要分布在研究区的西南部。在平原漫岗地区,RF-RK和Stacking可以作为黑土层厚度预测的有效方法,总初级生产力(GPP)、坡度坡长因子(LS)和地表温度最大值合成(LSTm)是模型中最重要的解释变量,且黑土层厚度的空间分布信息能为黑土区耕地黑土保护和农业可持续发展提供数据支持。