基于Boruta算法和GA优化混合地统计模型的土壤有机质空间分布预测

建立土壤有机质(SOM)空间预测模型不仅可以准确预测SOM含量的空间分布,而且对科学化土壤管理和完善生态系统服务具有重要意义。本文以山西省临汾市永和县土壤为研究对象,从数字高程模型(DEM)和植被遥感数据中提取出地形因子和植被指数,结合土壤本身属性为变量因子,采取Boruta算法从变量因子中筛选出与SOM相关性强的特征变量为辅助变量作为模型输入,实测SOM值作为模型输出,选择普通克里格方法(OK)、反向传播神经网络(BPNN)、遗传算法优化的BP神经网络(GA-BPNN)和GA优化BP神经网络结合地统计方法(GA-BPNN-OK)对训练集样本SOM含量进行预测,并利用验证集样本对比分析预测精度。研究结果显示:Boruta算法优选出特征变量并且对其进行了重要性排列,依次为:全氮>地形湿度指数(TWI)>高程>坡度>归一化植被指数(NDVI)>增强型植被指数(EVI);4种方法对SOM的预测结果虽然局部会有差异,但整体的空间分布基本一致,在研究区内呈现出西部和西南部地区低、东部和东南部地区高的空间分布趋势,与其他3种模型相比,GA-BPNN-OK模型预测的SOM分布图对低值区和高值区的划分更加明显、细致;预测精度指标对比得出,GA-BPNN-OK法的均方根误差(RMSE为0.059)、平均绝对误差(MAE为0.240)、平均相对误差(MRE为0.165)最小,且拟合系数(R2为0.78)最高。同时为了验证采用Boruta算法对模型精度有所提高,将全变量与特征筛选之后的变量作为GA-BPNN法的模型输入,对预测结果进行对比,结果表明采取Boruta算法后模型误差减小。因此采取Boruta算法筛选出特征变量作为辅助变量,GA-BPNN-OK法对于SOM含量空间分布的精度最高,两者结合为最优预测模型。