Kastamonu University Journal of Forestry Faculty·9月28日 · 周一论文农业遥感与作物表型阅读 2
Estimation of Soil Organic Carbon Using Artificial Neural Networks and Regression Models
Ergün Kahveci · Salih Malkoçoğlu
论文解读
65接近精选线
速览
用人工神经网络与多元线性回归估算半干旱区红松林土壤有机碳含量。
方法
92个扰动土样，结合地形与遥感指数，构建MLR和ANN模型。
发现
ANN预测性能更高（R²=0.937），优于MLR（R²=0.822），能更好处理非线性关系。
机会点
可探索多源遥感与深度学习结合，提升不同气候区SOC估算精度与泛化能力。
影响力8
信息增量20
专业深度16
信源权威12
时效性9
方法对比扎实、样本与指标明确，但属区域性小样本研究，应用范围有限，可作为技术参考而非重大资讯。
原文摘要
研究目的：本研究旨在利用多元线性回归（MLR）和人工神经网络（ANN）模型估算半干旱气候条件下红松（Pinus brutia Ten.）人工林区域的土壤有机碳（SOC）含量。研究区域：研究在土耳其托卡特-尼克萨尔阿伊瓦兹森林管理区范围内开展。材料与方法：研究材料包括在46个采样样地采集的表层土壤（0~10 cm和10~30 cm）的92个扰动土壤样品，以及植被和地形指数。对土壤样品进行了多种物理和化学分析。除土壤性质外，还将地形和遥感指数用作预测变量。采用MLR和ANN模型进行SOC估算。主要结果：研究结果表明，SOC含量随凋萎点（WP）、海拔和归一化植被指数（NDVI）的升高而增加，随石灰含量（CaCO₃）、pH和容重（BD）的升高而降低。在MLR模型中，WP、BD、pH、CaCO₃、土壤水分指数（MSI）、东坡向（EExp.）和谷深（VDep.）被确定为显著变量，R²值为0.822。ANN模型在相同变量下表现出更高的预测性能，R² = 0.937，相对预测误差较低（4.3%）。研究亮点：两种模型均适用于SOC估算；然而，ANN模型能更有效地表征复杂且非线性的环境交互作用。