当前,随着大数据和人工智能的快速发展,深度学习也逐渐被引入数字土壤制图(DSM)研究中。作为深度学习的重要基础之一,人工神经网络(ANN)在DSM中的应用已比较广泛。然而,ANN在40 km2以下的小区域上应用较少,且与其它常用模型的比较研究...当前,随着大数据和人工智能的快速发展,深度学习也逐渐被引入数字土壤制图(DSM)研究中。作为深度学习的重要基础之一,人工神经网络(ANN)在DSM中的应用已比较广泛。然而,ANN在40 km2以下的小区域上应用较少,且与其它常用模型的比较研究还不多。因此,在不同的情况下,还没有充分的依据来选用复杂的ANN及其与地统计的混合模型,还是简单的多元线性回归(MLR)、随机森林(RF)、普通克里格(OK)、回归克里格(RK)等方法进行土壤制图。为此,本文以广西高峰林场内一地形变异明显的小区域(面积约3.03 km2)为研究区,以13个地形因子和1个植被因子作为辅助变量,用ANN中常用的径向基神经网络(RBFNN)及其与OK相结合的模型(RBFNN-OK),对土壤有机碳(SOC)含量的空间分布进行预测,并与MLR、RF、OK、RK方法所得结果相比较。结果表明,与其他方法相比,RBFNN-OK和RBFNN在独立随机样本的验证集上预测准确性明显偏低;RBFNN-OK及RBFNN模型预测值的均方根误差值(RMSE)分别为6.57 g kg^(-1)和6.26 g kg^(-1),比MLR、RF、OK、RK高26.54%~31.17%。这可能是因为在小区域上,基于小样本的RBFNN模型泛化能力降低,以至于对训练集以外的样点预测准确性较差。因此,可以认为以RBFNN为典型的ANN及其与地统计的混合模型在小样本、小区域的DSM中适用性可能较差。展开更多
文摘当前,随着大数据和人工智能的快速发展,深度学习也逐渐被引入数字土壤制图(DSM)研究中。作为深度学习的重要基础之一,人工神经网络(ANN)在DSM中的应用已比较广泛。然而,ANN在40 km2以下的小区域上应用较少,且与其它常用模型的比较研究还不多。因此,在不同的情况下,还没有充分的依据来选用复杂的ANN及其与地统计的混合模型,还是简单的多元线性回归(MLR)、随机森林(RF)、普通克里格(OK)、回归克里格(RK)等方法进行土壤制图。为此,本文以广西高峰林场内一地形变异明显的小区域(面积约3.03 km2)为研究区,以13个地形因子和1个植被因子作为辅助变量,用ANN中常用的径向基神经网络(RBFNN)及其与OK相结合的模型(RBFNN-OK),对土壤有机碳(SOC)含量的空间分布进行预测,并与MLR、RF、OK、RK方法所得结果相比较。结果表明,与其他方法相比,RBFNN-OK和RBFNN在独立随机样本的验证集上预测准确性明显偏低;RBFNN-OK及RBFNN模型预测值的均方根误差值(RMSE)分别为6.57 g kg^(-1)和6.26 g kg^(-1),比MLR、RF、OK、RK高26.54%~31.17%。这可能是因为在小区域上,基于小样本的RBFNN模型泛化能力降低,以至于对训练集以外的样点预测准确性较差。因此,可以认为以RBFNN为典型的ANN及其与地统计的混合模型在小样本、小区域的DSM中适用性可能较差。