基于机器学习算法的棉田土壤钾、钠离子量预测

• Published in: Guanʻgai paishui xuebao Vol. 42; no. 9; pp. 32 - 39
• Main Authors: TANG Maosong, ZHANG, Nan, LI, Guohui, ZHAO Zeyi, LI Mingfa, WANG Xingpeng
• Format: Journal Article
• Language: Chinese; English
• Published: Xinxiang City Chinese Academy of Agricultural Sciences (CAAS) Farmland Irrigation Research Institute Editorial Office of Journal of Irrigation and Drainage 01.01.2023; 塔里木大学现代农业工程重点实验室,新疆阿拉尔 843300%新疆生产建设兵团第一师水文水资源管理中心,新疆阿拉尔 843300%塔里木大学水利与建筑工程学院,新疆阿拉尔 843300; 农业农村部西北绿洲节水农业重点实验室,新疆石河子 832000; 塔里木大学水利与建筑工程学院,新疆阿拉尔 843300; 塔里木大学现代农业工程重点实验室,新疆阿拉尔 843300
• Subjects: Algorithms; Cotton; Environmental changes; Error analysis; Learning algorithms; Machine learning; Mathematical models; Regression analysis; Root-mean-square errors; Soil fertility; Soil improvement; Soil management; Soils; Support vector machines; 机器学习; 回归预测模型; South Xinjiang cotton field; 土壤盐分离子; soil salt ions; machine learning; 南疆棉田; regression prediction model
• ISSN: 1672-3317
• DOI: 10.13522/j.cnki.ggps.2022405

【目的】比较4种机器学习方法对南疆棉田土壤K+、Na+量的预测结果，确定一种预测准确度较高的机器学习模型作为可供参考的方法。【方法】采用支持向量回归（SVR）、随机森林回归（RFR）、K-最近邻回归（KNNR）和梯度提升回归树（GBRT）4种机器学习算法，2020年棉田土壤K+、Na+量数据训练模型，2021年实测数据进行测试验证。使用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）对模型预测结果进行评估。【结果】4种模型（SVR、RFR、KNNR和GBRT）对测试样本K+量预测的MAE分别为0.100、0.169、0.169 g/kg和0.167 g/kg；RMSE分别为0.119、0.218、0.218 g/kg和0.223 g/kg；R2分别为0.687、0.437、0.430和0.395。对测试样本Na+量预测的MAE分别为0.841、2.841、2.826 g/kg和2.856 g/kg；RMSE分别为1.154、3.658、3.630 g/kg和3.650 g/kg；R2分别为0.838、0.299、0.219和0.200。将测试样本K+、Na+量分别按4个土层深度（0~10、10~20、20~30 cm和30~40 cm）进行预测时，SVR模型的误差值最小，其对K+量按照4个深度预测的MAE分别为0.122、0.114、0.056 g/kg和0.106 g/kg，RMSE分别为0.135、0.135、0.069 g/kg和0.126 g/kg；对Na+量预测的MAE分别为0.540、0.619、0.835 g/kg和1.371 g/kg，RMSE分别为0.636、0.748、1.198 g/kg和1.710 g/kg。【结论】SVR模型预测K+、Na+量的精度最高，可推荐作为南疆棉田土壤钾、钠离子量预测的一种方法。