CN115758270A - 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 - Google Patents
基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 Download PDFInfo
- Publication number
- CN115758270A CN115758270A CN202211484139.9A CN202211484139A CN115758270A CN 115758270 A CN115758270 A CN 115758270A CN 202211484139 A CN202211484139 A CN 202211484139A CN 115758270 A CN115758270 A CN 115758270A
- Authority
- CN
- China
- Prior art keywords
- random forest
- soil
- organic carbon
- variables
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Abstract
本发明公开了一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,包括将多个土壤样本的真实土壤矿物结合态有机碳含量及其相关的环境变量集合;基于递归特征消除算法筛选环境变量集合得到重要环境变量;将真实土壤矿物结合态有机碳含量以及对应的筛选环境变量集作为样本集,将样本集分为建模集和独立验证集;基于建模集训练初始随机森林预测模型得到随机森林预测模型;基于独立验证集采用决定系数和均方根误差评价随机森林预测模型的预测精度,当达到预测精度阈值获得最终随机森林预测模型;本发明还公开了一种基于随机森林与环境变量的土壤矿物结合态有机碳预测装置。
Description
技术领域
本发明属于土壤有机碳组分预测方法,尤其涉及一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置。
背景技术
大气中二氧化碳浓度的增加对地球产生了重大影响,因此我们迫切需要制定有效的策略来从大气中捕获二氧化碳。土壤有机碳库占陆地生态系统碳库的三分之二,其储存的有机碳超过比大气和植被碳库的总和,因此,将土壤有机碳封存被认为是捕获大气二氧化碳的自然气候解决手段之一。与此同时,土壤有机碳封存也有助于提高多种土壤功能和生态系统服务。促进和采用旨在增加土壤有机碳的土地管理实践需要深入了解土壤有机碳的形成、持久性和功能。
由于土壤有机碳由具有不同微生物分解行为的有机化合物组成,我们无法通过土壤有机碳总量来预测其对外界环境变化的响应。因此我们需要通过土壤有机碳分组方法来深入认知土壤有机碳的复杂性。目前将土壤有机碳划分颗粒态和矿物结合态有机碳的物理分组技术正在逐步受到土壤学界的重视。土壤颗粒态和矿物结合态有机碳在形成、持续和功能的机制上有着根本的不同。土壤颗粒态有机碳主要由植物中未分解的轻质碎片组成,平均周转周期小于10年,土壤有机碳总量的占比可从几个百分点到50%。土壤有机碳大部分为土壤矿物结合态有机碳,其主要由微生物和植物来源的高度分解有机物组成,平均周转周期从10年到100年不等。
尽管土壤颗粒态和矿物结合态有机碳在深入理解土壤有机碳演化具有重要意义,但它们很少记录在土壤数据库中,尤其是大规模研究存在严重不足。当土壤数据库缺失土壤有机碳组分数据时,常通过土壤转换函数进行预测。Lee和Viscarra Rossel(2020)(Lee,J.,Viscarra Rossel,R.A.,2020.Soil carbon simulation confounded by differentpool initialisation.Nutrient Cycling in Agroecosystems,116(2),245–255.)成功通过拟合基于土壤黏粒和有机碳线性土壤转换函数预测了土壤碳组分数据。上述研究的不足在于:(1)土壤黏粒和有机碳含量不是土壤碳组分仅有的相关环境变量;(2)土壤有机碳演化过程复杂,土壤有机碳组分和环境变量往往呈现非线性交互,当前的线性回归模型存在严重不足。因此亟待开发更丰富环境变量结合非线性土壤转换函数的土壤矿物结合态有机碳预测模型。
随机森林是一种基于树结构的机器学习方法,能够很好处理非线性关系,且可以较好地避免模型过度拟合。
发明内容
本发明提供了一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,该方法能够快速、准确的预测土壤矿物结合态有机碳含量。
一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,包括:
(1)获得多个土壤样本,将多个土壤样本的真实土壤矿物结合态有机碳含量作为土壤数据集,基于土壤样本空间位置通过土壤数据库和遥感数据产品库获得环境变量集合;
(2)基于环境变量集合通过递归特征消除算法获得多组环境变量以及对应的随机森林模型精度,将最高的随机森林模型精度对应的一组环境变量作为重要环境变量;
(3)将土壤数据集以及对应的筛选环境变量集作为样本集,将样本集分为建模集和独立验证集;获得初始随机森林预测模型,基于建模集采用十折交叉验证优化初始随机森林预测模型参数得到随机森林预测模型;基于独立验证集采用决定系数和均方根误差评价随机森林预测模型的预测精度,当达到预测精度阈值获得最终随机森林预测模型;
(4)应用时,将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
所述将多个土壤样本的真实土壤矿物结合态有机碳含量作为土壤数据集,包括:
根据土地覆盖和分类图采集涵盖农田和林地的多个土壤样本,通过理化分析获得每个样本的真实土壤矿物结合态有机碳,多个样本的真实土壤矿物结合态有机碳构建土壤数据集。
基于土壤样本空间位置通过土壤数据库和遥感数据产品库获得环境变量,所述环境变量集合包括土壤变量、气候变量、生物变量和地形变量。
所述土壤变量包括土壤有机碳、全氮、全磷、全钾、阳离子交换量、砂粒、粉粒、黏粒、粉粒+黏粒、pH和土壤降雨侵蚀;
所述气候变量包括年降水、年均温、潜在蒸散量和大气氮沉降;
所述生物变量包括归一化植被指数、加强植被指数和净初级生产力;
所述地形变量为高程。
所述基于环境变量集合通过递归特征消除算法获得多组环境变量以及对应的随机森林模型精度,包括:
S1:基于环境变量集合拟合第一随机森林模型,从环境变量集合中去除单一环境变量后剩余的环境变量拟合第二随机森林模型,基于第一随机森林模型和第二随机森林模型通过交叉验证方法分别获得第一随机森林模型精度和第二随机森林模型精度,将第二随机森林模型精度与第一随机森林模型精度的差值作为对应去除单一环境变量的重要度,差值越大重要度越高,依次去除单一环境变量直到环境变量集中的每个环境变量均获得重要度;
S2:移除重要度最低的单一环境变量得到环境变量组合,环境变量组合拟合第三随机森林模型,从环境变量组合中去除单一环境变量后剩余的环境变量拟合第四随机森林模型,再次通过交叉验证方法分别获得第三、四随机森林模型精度,将第四随机森林模型精度与第三随机森林模型精度进行差值得到对应的去除单一环境变量重要度,依次去除单一环境变量直到环境变量组合中的每个环境变量均获得重要度;
S3:重复步骤S2,直到环境变量组合为单个环境变量停止重复,从而得到多组环境变量拟合的多个随机森林模型精度。
所述随机森林模型精度的评价指标为均方跟误差RMSE为:
通过靴襻法生成多个与原训练样本集大小相同的数据集用于构建随机森林预测模型的多个决策树,在每个决策树中,将环境变量随机分为多个环境变量子集,通过随机划分环境变量子集构建每个决策树的结点分枝。
基于独立验证集采用决定系数和均方根误差评价随机森林预测模型的预测精度,所述决定系数R2为:
所述均方跟误差RMSE为:
一种基于随机森林与环境变量的土壤矿物结合态有机碳预测装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中采用所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法构建的最终随机森林预测模型;
所述计算机处理器执行所述计算机程序时实现以下步骤:
将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
与现有技术相比,本发明的有益效果为:
本发明通过递归特征消除算法获得与真实土壤矿物结合态具有强关联的重要环境变量,将真实土壤矿物结合态有机碳含量以及对应的重要环境变量作为样本集训练和验证初始随机森林预测模型得到最终随机森林模型,通过向该最终随机森林模型输入重要环境变量获得土壤矿物结合态有机碳含量,与现有技术通过理化方法获得土壤矿物结合态有机碳含量相比更加的准确和高效;
本发明通过该最终随机森林模型建立了重要环境变量与土壤矿物结合态有机碳含量的映射关系,因此基于重要环境变量的数值通过本发明构建的最终随机森林模型得到土壤矿物结合态有机碳含量,从而避免了由于土壤样本的丢失而导致无法获得该土壤样本的土壤矿物结合态有机碳含量问题。
附图说明
图1为本发明实施例提供的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法流程图;
图2为本发明实施例提供的独立验证集土壤矿物结合态有机碳实测值和预测值散点图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图,对本发明作进一步详细说明。本实施例中,选取浙江省典型土壤样本的环境变量进行建模,最终得到土壤矿物结合态有机碳预测模型。
本发明提供了一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,包括:
(1)获得土壤数据集和环境变量集:根据土地覆盖和利用分类图采集浙江省各地涵盖农田和林地的350个土壤样本,通过实验室理化分析得到土样的土壤矿物结合态有机碳,形成土壤数据集。基于土壤样本空间位置,即经纬坐标,通过土壤数据库和遥感数据产品库收集土样矿物结合态有机碳形成相关且易获取的环境变量集合。
本发明提供的环境变量集合包括土壤变量、气候变量、生物变量和地形变量。其中,土壤变量包括土壤有机碳、全氮、全磷、全钾、阳离子交换量、砂粒、粉粒、黏粒、粉粒+黏粒、pH、土壤降雨侵蚀;气候变量包括年降水、年均温、潜在蒸散量、大气氮沉降;生物变量包括归一化植被指数、加强植被指数和净初级生产力;地形变量为高程。
本发明提供的土壤变量中的土壤有机碳、全氮、全磷、全钾、阳离子交换量、砂粒、粉粒、黏粒、粉粒+黏粒、pH按照国家标准在实验室进行测定;土壤降雨侵蚀通过修正通用土壤流失方程估算得到,该数据来源于250米分辨率的全球土壤降雨侵蚀数据(https://esdac.jrc.ec.europa.eu/content/global-soil-erosion);气候变量中的年降水和年均温来源于WorldClim Version2全球1km气候数据产品(http://www.worldclim.com/version2),潜在蒸散量来源于Global-PET全球潜在蒸散量数据产品(https://cgiarcsi.community/data/global-aridity-and-pet-database),大气氮沉降来源于全球氮沉降数据库(https://conservancy.umn.edu/handle/11299/197613);生物变量中的归一化植被指数(NDVI)和加强植被指数(EVI)由Landsat 8数据根据以下公式计算所得。
EVI=2.5×((NIR-R)/(NIR+6×R-7.5×B+1)
其中,NIR为近红外波段(Band 5),R为红外波段(Band 4),B为蓝波段(Band 2)。
本发明提供的地形变量的高程数据来源于90米分辨率全球SRTM数字高程数据库(https://srtm.csi.cgiar.org)。所有环境变量投影变换及对样点位数据提取均通过免费开源软件R中的sp和raster软件包实现。
(2)筛选环境变量集合:通过递归特征消除算法筛选出预测土壤矿物结合态有机碳含量强相关的重要环境变量。
本发明提供的递归特征消除算法的具体步骤为:
S1:基于环境变量集合拟合第一随机森林模型,从环境变量集合中去除单一环境变量后剩余的环境变量拟合第二随机森林模型,基于第一随机森林模型和第二随机森林模型通过交叉验证方法分别获得第一随机森林模型精度和第二随机森林模型精度,将第二随机森林模型精度与第一随机森林模型精度的差值作为对应去除单一环境变量的重要度,差值越大重要度越高,依次去除单一环境变量直到环境变量集中的每个环境变量均获得重要度;
S2:移除重要度最低的单一环境变量得到环境变量组合,环境变量组合拟合第三随机森林模型,从环境变量组合中去除单一环境变量后剩余的环境变量拟合第四随机森林模型,再次通过交叉验证方法分别获得第三、四随机森林模型精度,将第四随机森林模型精度与第三随机森林模型精度进行差值得到对应的去除单一环境变量重要度,依次去除单一环境变量直到环境变量组合中的每个环境变量均获得重要度;
S3:重复步骤S2,直到环境变量组合为单个环境变量停止重复,从而得到多组环境变量拟合的多个随机森林模型精度。
本发明提供的递归特征消除筛选出12个最相关环境变量,包括土壤有机质、全氮、阳离子交换量、粉粒+黏粒、砂粒、黏粒、净初级生产力、归一化植被指数、潜在蒸散量、年均温、加强植被指数和大气氮沉降。
本发明提供的随机森林模型精度的评价指标为均方跟误差RMSE为:
(3)构建建模集和独立验证集:将土壤数据集以及对应的筛选环境变量集作为样本集,将样本集分为建模集和独立验证集,通过随机抽样将通过随机抽样将土壤数据集中70%的数据划入建模集,剩余30%的数据则归入独立验证集。本实施例中建模集包含245土壤样本,独立验证集包含105个土壤样本,这些样本均包含土壤矿物结合态有机碳含量,以及通过递归消除算法筛选出的环境变量。
(4)训练初始随机森林预测模型:利用建模集中土壤矿物结合态有机碳含量及筛选的环境变量作为训练数据,对初始随机森林预测模型进行训练,通过十折交叉验证优化初始随机森林预测模型参数得到随机森林预测模型。本实施例中随机森林中的决策树结点划分预测变量个数优化为5。
本发明提供的随机森林预测模型是一种数据挖掘算法,其通过靴襻法(放回抽样)生成n个(n通常设为500)与训练样本集大小相同的数据集,并被用于构建n个决策树。将环境变量随机分为多个环境变量子集,在每个决策树中,通过随机划分多个环境变量子集进行结点的分枝。模型最终的预测结果是所有决策树预测结果的平均值。
(5)验证随机森林预测模型:将建立的随机森林预测模型预测独立验证集,对比独立验证集中真实土壤样本实测矿物结合态有机碳和预测矿物结合态有机碳,评价随机森林转换函数的预测精度;当预测精度达标后,即可用建立的随机森林转换函数进行土壤矿物结合态有机碳预测。
本实施例通过决定系数(R2)和均方根误差(RMSE)来评价独立验证集的预测精度。评价的结果如图2所示。由图2可知,独立验证集的R2为0.93,RMSE为3.44g kg-1,具有很好的预测效果。
本发明提供的决定系数R2为:
本发明提供的均方跟误差RMSE为:
应用时,将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
本发明还提供一种基于随机森林与环境变量的土壤矿物结合态有机碳预测装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中采用基于随机森林与环境变量的土壤矿物结合态有机碳预测方法构建的最终随机森林预测模型;
所述计算机处理器执行所述计算机程序时实现以下步骤:
将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
本发明具有的有益效果是:本发明提出的随机森林转换函数结合环境变量能够快速准确地预测土壤矿物结合态有机碳含量,不仅降低了传统土壤实验室理化分析的测试费用,同时大大提高了土壤历史数据库的使用效率,为低成本、高精度、大尺度土壤资源调查和生态环境建模的关键土壤数据获取提供了新思路。利用本发明提供的预测方法能够基于历史重要环境变量对土壤矿物结合态有机碳含量进行追溯。
Claims (9)
1.一种基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,包括:
(1)获得多个土壤样本,将多个土壤样本的真实土壤矿物结合态有机碳含量作为土壤数据集,基于土壤样本空间位置通过土壤数据库和遥感数据产品库获得环境变量集合;
(2)基于环境变量集合通过递归特征消除算法获得多组环境变量以及对应的随机森林模型精度,将最高的随机森林模型精度对应的一组环境变量作为重要环境变量;
(3)将土壤数据集以及对应的筛选环境变量集作为样本集,将样本集分为建模集和独立验证集;获得初始随机森林预测模型,基于建模集采用十折交叉验证优化初始随机森林预测模型参数得到随机森林预测模型;基于独立验证集采用决定系数和均方根误差评价随机森林预测模型的预测精度,当达到预测精度阈值获得最终随机森林预测模型;
(4)应用时,将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
2.根据权利要求1所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,所述将多个土壤样本的真实土壤矿物结合态有机碳含量作为土壤数据集,包括:
根据土地覆盖和分类图采集涵盖农田和林地的多个土壤样本,通过理化分析获得每个样本的真实土壤矿物结合态有机碳,多个样本的真实土壤矿物结合态有机碳构建土壤数据集。
3.根据权利要求1所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,基于土壤样本空间位置通过土壤数据库和遥感数据产品库获得环境变量,所述环境变量集合包括土壤变量、气候变量、生物变量和地形变量。
4.根据权利要求3所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,所述土壤变量包括土壤有机碳、全氮、全磷、全钾、阳离子交换量、砂粒、粉粒、黏粒、粉粒+黏粒、pH和土壤降雨侵蚀;
所述气候变量包括年降水、年均温、潜在蒸散量和大气氮沉降;
所述生物变量包括归一化植被指数、加强植被指数和净初级生产力;
所述地形变量为高程。
5.根据权利要求1所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,所述基于环境变量集合通过递归特征消除算法获得多组环境变量以及对应的随机森林模型精度,包括:
S1:基于环境变量集合拟合第一随机森林模型,从环境变量集合中去除单一环境变量后剩余的环境变量拟合第二随机森林模型,基于第一随机森林模型和第二随机森林模型通过交叉验证方法分别获得第一随机森林模型精度和第二随机森林模型精度,将第二随机森林模型精度与第一随机森林模型精度的差值作为对应去除单一环境变量的重要度,差值越大重要度越高,依次去除单一环境变量直到环境变量集中的每个环境变量均获得重要度;
S2:移除重要度最低的单一环境变量得到环境变量组合,环境变量组合拟合第三随机森林模型,从环境变量组合中去除单一环境变量后剩余的环境变量拟合第四随机森林模型,再次通过交叉验证方法分别获得第三、四随机森林模型精度,将第四随机森林模型精度与第三随机森林模型精度进行差值得到对应的去除单一环境变量重要度,依次去除单一环境变量直到环境变量组合中的每个环境变量均获得重要度;
S3:重复步骤S2,直到环境变量组合为单个环境变量停止重复,从而得到多组环境变量拟合的多个随机森林模型精度。
7.根据权利要求1所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法,其特征在于,通过靴襻法生成多个与训练样本集大小相同的数据集用于构建随机森林预测模型的多个决策树,在每个决策树中,将环境变量随机分为多个环境变量子集,通过随机划分环境变量子集构建每个决策树的结点分枝。
9.一种基于随机森林与环境变量的土壤矿物结合态有机碳预测装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中采用权利要求1~8任一项所述的基于随机森林与环境变量的土壤矿物结合态有机碳预测方法构建的最终随机森林预测模型;
所述计算机处理器执行所述计算机程序时实现以下步骤:
将待检测土壤样本的重要环境变量输入最终随机森林预测模型得到预测土壤矿物结合态有机碳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484139.9A CN115758270A (zh) | 2022-11-24 | 2022-11-24 | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484139.9A CN115758270A (zh) | 2022-11-24 | 2022-11-24 | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758270A true CN115758270A (zh) | 2023-03-07 |
Family
ID=85337177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211484139.9A Pending CN115758270A (zh) | 2022-11-24 | 2022-11-24 | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
CN117219182A (zh) * | 2023-06-19 | 2023-12-12 | 浙江大学 | 基于原位光谱和机器学习模型的有机碳组分快速预测方法 |
-
2022
- 2022-11-24 CN CN202211484139.9A patent/CN115758270A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219182A (zh) * | 2023-06-19 | 2023-12-12 | 浙江大学 | 基于原位光谱和机器学习模型的有机碳组分快速预测方法 |
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
CN116818687B (zh) * | 2023-06-21 | 2024-02-20 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Ecological drivers of spatial community dissimilarity, species replacement and species nestedness across temperate forests | |
Koch et al. | Revealing areas of high nature conservation importance in a seasonally dry tropical forest in Brazil: Combination of modelled plant diversity hot spots and threat patterns | |
Gratzer et al. | Spatio‐temporal development of forests–current trends in field methods and models | |
Benaud et al. | National-scale geodata describe widespread accelerated soil erosion | |
Haraldsson et al. | Finding simplicity in complexity in biogeochemical modelling | |
CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
Descombes et al. | Spatial modelling of ecological indicator values improves predictions of plant distributions in complex landscapes | |
CN112986538A (zh) | 大区域土壤重金属检测与时空分布特征分析方法及系统 | |
Mazier et al. | Two hundred years of land-use change in the South Swedish Uplands: comparison of historical map-based estimates with a pollen-based reconstruction using the landscape reconstruction algorithm | |
Lara et al. | Local-scale Arctic tundra heterogeneity affects regional-scale carbon dynamics | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
Bond‐Lamberty et al. | Estimating heterotrophic respiration at large scales: Challenges, approaches, and next steps | |
CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
Bonannella et al. | Forest tree species distribution for Europe 2000–2020: mapping potential and realized distributions using spatiotemporal machine learning | |
Asif et al. | Modelling of land use and land cover changes and prediction using CA-Markov and Random Forest | |
Xiang et al. | Mapping potential wetlands by a new framework method using random forest algorithm and big Earth data: A case study in China's Yangtze River Basin | |
Sadayappan et al. | Nitrate concentrations predominantly driven by human, climate, and soil properties in US rivers | |
Suo et al. | Local-scale determinants of elemental stoichiometry of soil in an old-growth temperate forest | |
Wang et al. | Exploring the potential of multispectral satellite images for estimating the contents of cadmium and lead in cropland: The effect of the dimidiate pixel model and random forest | |
Moon et al. | Model application niche analysis: assessing the transferability and generalizability of ecological models | |
Wadoux et al. | Shapley values reveal the drivers of soil organic carbon stock prediction | |
Fredh | The impact of past land-use change on floristic diversity in southern Sweden: a quantitative approach based on high-resolution pollen data | |
Rafiee et al. | Nurse shrubs influence plant biodiversity across environmental gradients in rocky outcrops and surrounding rangelands | |
Bouslihim et al. | The effect of covariates on Soil Organic Matter and pH variability: a digital soil mapping approach using random forest model | |
Brunello et al. | Soil δ15N spatial distribution is primarily shaped by climatic patterns in the semiarid Caatinga, Northeast Brazil |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |