Integrating Proximal and Remote Sensing to Improve Characterization and Mapping of Soil Organic Carbon Stocks under Contrasting Land Uses
结合近地与遥感数据及随机森林预测并制图巴西农场不同土地利用下的土壤有机碳储量。
← 主题
#随机森林
Mapping groundwater-dependent vegetation in temperate climates on the example of Central Germany
将干旱区地下水依赖植被制图方法迁移到温带，以德国中部为例绘制GDV分布图。
Landscape historic trough spatial changes of mangroves in Benin Coastal area (West-Africa) using random forest algorithm applied to Landsat images
利用随机森林与Landsat影像分析贝宁沿海红树林1986-2023年时空动态。
Spatial assessment of soil degradation under intensive agricultural pressure in the central loess plateau
构建融合土壤指标、遥感与随机森林的空间显式框架，评估黄土高原中部高强度农业下的土壤退化。
Use of smartphone images in the evaluation of weed control with glyphosate: A computational approach using Random Forest
用智能手机图像和随机森林模型评估草甘膦对杂草的防效。
CLOUD-BASED MULTI-TEMPORAL SAR-OPTICAL FUSION USING RANDOM FOREST FOR GEOSPATIAL INTELLIGENCE MONITORING OF KIPP IKN NUSANTARA
提出云端多时相SAR-光学融合与随机森林方法，监测印尼新首都核心区土地覆盖变化。
Google Earth Engine-Based Random Forest Classification of Land Use/Land Cover Change in Mojolaban, Sukoharjo
利用GEE和随机森林分类，监测2004-2024年城乡过渡区土地利用变化，精度高。
基于FAO全球农业数据的机器学习作物产量预测:线性回归 随机森林 XGBoost比较研究
International Journal for Multidisciplinary Research (IJFMR) 2026年第8卷第4期(2026-08-28发表):基于FAO全球农业数据集(覆盖212个国家和地区、10种主要作物、1961-2016年56,717条记录),比较线性回归、随机森林、XGBoost三种机器学习模型。80:20 train-test split,Random Forest取得最佳性能:R²=0.9586、MAE=6724.19 hg/ha、RMSE=13829.60 hg/ha;XGBoost: R²=0.8115;线性回归:R²=0.0608。特征重要性分析识别作物类型(Item Code)为最具影响力预测因子,其次是地理区域和时间因素。[注:本论文使用2016年截止数据,模型泛化能力可能存在边界]
农户数字能力对低碳农业采纳的影响——基于陕黔川10057户猕猴桃种植户的机器学习分析
基于陕西、贵州、四川三省10057名猕猴桃种植户的微观调查数据,西安建筑科技大学向雯与西北农林大学高建中等于Sustainability发表论文。以农户对低碳农业技术的初始与持续采纳为因变量,构建涵盖数字接入、数字获取、数字处理和数字共享4个维度的数字能力综合评价体系。比较Lasso回归、极端梯度提升、随机森林和反向传播神经网络等多种实证模型,结果显示随机森林模型表现最优。采用SHAP方法定量评估各变量边际贡献,研究发现农户数字能力显著正向促进低碳农业技术的初始与持续采纳,且具有明显的维度异质性:数字接入和获取能力是初始采纳的核心驱动因素,数字处理和共享能力对持续采纳起决定性作用。