基于机器学习和车载移动传感系统多源数据融合的土壤电导率预测模型构建研究

摘要

车载移动传感系统（SoilOptix）无法直接测量土壤电导率（EC），制约了其在农田盐分精准管理中的应用。本研究旨在利用该系统可预测的土壤养分属性数据，构建高精度的EC间接预测模型，以突破其技术局限，拓展输出参数。以湖北省263份土壤样本为对象，提取SoilOptix预测的10种土壤属性及实验室实测EC。首先分析属性与EC的相关性，并采用主成分分析（PCA）对原始数据（RAW）进行降维。继而，系统构建并比较了偏最小二乘回归（PLSR）、随机森林（RF）和遗传算法优化的反向传播神经网络（GA-BPNN） 3种模型在多种数据组合（原始数据、PCA主成分及衍生特征集）上的预测性能。模型训练集与测试集按7∶3比例通过Kennard-Stone算法划分，并使用决定系数（R²）、均方根误差（RMSE）等多个指标综合评估精度。研究发现，土壤有效硫、硝态氮、有效硼等属性与EC呈显著正相关（r≥0.4），是预测EC的关键因子。3种模型中，GA-BPNN结合PCA数据的预测效果最优（测试集R²=0.83），其非线性拟合能力在PCA提供的去冗余特征空间中得以充分发挥；PLSR模型表现稳定，但在使用原始数据时效果更佳；RF模型整体精度较低，但对特征优化敏感。研究表明，将PCA数据预处理与GA-BPNN模型相结合，可有效构建基于SoilOptix多源数据的EC高精度预测模型，为农田土壤盐分空间监测提供了可靠的技术补充。

关键词

土壤电导率 / SoilOptix / 机器学习 / 预测模型