基于相关分析和自适应遗传算法的盐渍化建模变量和参数优选

作者：徐红涛; 陈春波; 郑宏伟^*; 罗格平; 杨辽; 王伟胜; 吴世新

来源：地球信息科学学报, 2020, 22(07): 1497-1509.

• 盐渍化
• 遗传算法
• 机器学习
• 特征优选
• 参数优化
• 土壤盐分含量
• 土地利用
• 相关分析

机器学习结合遥感等其他数据反演土壤盐分含量(Soil Salt Content, SSC)较少关注对模型精度影响较大的建模特征变量和模型参数的优选。本文基于自适应遗传算法(Adaptive Genetic Algorithm, AGA)同步优选建模特征变量和模型参数的支持向量回归(Support Vector Regression, SVR)算法反演三工河流域2016年SSC,并分析其在不同土地利用类型的分布特征。建模特征变量和模型参数的同步优选及实验设计如下:首先基于Landsat 8 OLI和SRTM高程数据提取7类共40个盐渍化相关因子,经相关分析初步筛选出候选特征变量,分别代入AGA、遗传算法(Genetic Algorithm, GA)和格网搜索算法(Grid Search, GS)同步优选SVR的建模特征变量和模型参数,并建立盐渍化监测模型(AGA-SVR、GA-SVR、GS-SVR)。结果表明:①AGA-SVR精度最优,GA-SVR次之,GS-SVR最差,相较于GS-SVR,AGA-SVR的R2/RMSE提高了44.65%;②三工河流域非、轻度、中度、重度盐渍地和盐土的面积占比分别为42.83%、11.02%、15.88%、9.22%、21.05%;③草地和未利用地主要以非盐渍地和盐土为主,耕地和林地中非盐渍地分布比例均为最大;不同土地利用类型的SSC均值和标准差均呈现未利用地>草地>耕地>林地的规律。本研究的建模特征变量和模型参数的优选方法可在一定程度上提高盐渍化监测的精度。

• 单位
  中国科学院新疆生态与地理研究所; 中国科学院大学; 荒漠与绿洲生态国家重点实验室