《表3 土壤属性建模集与验证集性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《集成土壤-环境关系与机器学习的干旱区土壤属性数字制图》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为与传统线性模型作对比，本文引入多元线性回归模型（MLR）。根据验证标准，3种模型均比MLR预测精度高。总体而言，RF在3种土壤属性预测中效果拔群（表3）。在土壤p H预测中，验证集效果RF亦为最佳（R2=0.6779，RMSE=0.2182，ρc=0.6084）。pH预测制图效果总体上来看依次是RF>Bagging>Cubist>MLR。在SSC预测中，无论是建模集还是验证集RF均最为突出（建模集R2=0.9067，RMSE=2.6680，ρc=0.9219；验证集R2=0.7945，RMSE=3.1803，ρc=0.8377)，Cubist次之（R2=0.8820，RMSE=2.9190，ρc=0.9237），但是在验证集中Cubist的RMSE达到7.5771，一致性ρc降至0.6194。这很有可能是因为信息量过大，信息的复杂性可能会导致局部最优，继而主导优化过程，从而产生局部最优的情况[19]。MLR效果在SSC预测中最差。而在SOM预测中，验证集RF(R2=0.7472，RMSE=3.5456，ρc=0.7009）效果较好。图5为土地利用图，图6、7、8分别为pH、SSC和SOM 3种土壤属性最佳制图。