基于机器学习算法的喀斯特峰丛洼地石漠化程度评估.pdf

摇第 21 卷摇 第 5 期2023 年 10 月中 国 水 土 保 持 科 学Science of Soil and Water ConservationVol.21摇 No.5Oct.2023基于机器学习算法的喀斯特峰丛洼地石漠化程度评估张亚丽1,田义超1,2覮,王栋华3(1.北部湾大学资源与环境学院,535011,广西钦州;2.北部湾大学北部湾海洋地理信息资源开发与利用重点实验室,535011,广西钦州;3.桂林理工大学环境科学与工程学院,541004,广西桂林)摘要:喀斯特石漠化区域水土流失严重,生态环境脆弱。准确定量评估喀斯特区域石漠化程度,对水土流失防治和生态环境治理具有重要的意义。基于遥感数据、气象数据和野外调查等数据,结合特征选择方法和优化算法对支持向量机参数优化,采用最佳模型评估桂西南峰丛洼地流域的石漠化程度。结果表明:Boruta 构建的特征集具有最佳的降维效果和最高的拟合精度,裸岩率和植被覆盖度在石漠化程度评估中贡献率较高,其次是坡度;优化算法可以有效辅助支持向量机的超参数调优,混合评估模型的总体精度均达到 93%,Kappa 系数均达到 0郾 90。其中,萤火虫优化算法、粒子群和万有引力搜索优化的支持向量机模型具有较高的评估精度和运行效率,适合应用于大区域的石漠化程度评估;研究初期(20012010 年)重度石漠化、极重度石漠化呈现出大面积连片分布,后期(20102020 年)由于国家石漠化治理效果显著,极重度石漠化呈局部零星分布,该流域内石漠化呈改善的趋势。本研究有效地提高了石漠化程度分类准确性,为大范围的石漠化程度监测提供新的思路和方法。关键词:石漠化;支持向量机;优化算法;特征选择;机器学习;峰丛洼地中图分类号:P931郾 5文献标志码:A文章编号:2096鄄2673(2023)05鄄0051鄄11DOI:10.16843/j.sswc.2023.05.006收稿日期:2022 03 14摇 修回日期:2023 03 10项目名称:国家自然科学基金“桂西南峰丛洼地流域生态系统服务权衡关系及其驱动机制冶(42061020);广西高校中青年教师(科研)基础研究能力提升项目“桂西南峰丛洼地流域生物多样性情景模拟及其驱动力机制冶(2021KY0431)第一作者简介:张亚丽(1987),女,硕士研究生,讲师。主要研究方向:喀斯特区域生态环境保护。E鄄mail:覮 通信作者简介:田义超(1986),男,博士,教授。主要研究方向:喀斯特与海岸带生态水文过程。E鄄mail:Evaluation of rocky desertification degree in karst peak clusterdepression based on machine learningZHANG Yali1,TIAN Yichao1,2,WANG Donghua3(1.School of Resources and Environment,Beibu Gulf University,535011,Qinzhou,Guangxi,China;2.Key Laboratory of Marine GeographicInformation Resources Development and Utilization in the Beibu Gulf,Beibu Gulf University,535011,Qinzhou,Guangxi,China;3.College of Environmental Science and Engineering,Guilin University of Technology,541004,Guilin,Guangxi,China)Abstract:Background Rocky desertification(RD)has become one of the most serious ecologicaland environmental problems in karst areas.The ecological environmental security problems such as soilerosion caused by rocky desertification have seriously affected people蒺s living environment and sustainabledevelopment.Accurately evaluating rocky desertification is the key to implementing soil and waterconservation projects,and ecological projects in karst areas.The study is aimed to compare theperformance of seven different optimization algorithms machine鄄learning models so as to assess the degreeof rocky desertification and then invert the spatial and temporal distribution of rocky desertification in atypical peak cluster depression basin in Southwest Guangxi by selecting the optimal model.Methods摇中国水土保持科学2023 年Based on Boruta,the Maximal Information Coefficient(MIC)and Extreme Learning Machine(ELM)feature selection method,Cuckoo Search(CS)algorithm,Whale Optimization Algorithm(WOA),Firefly Algorithm(FA),Artificial Bee Colony(ABC)optimization algorithm,Difference Evolution(DE)algorithm,Particle Swarm Optimization(PSO)algorithm,and Gravitational Search Algorithm(GSA)were used to adjust the super parameters of Support Vector Machine(SVM)model for assessingthe extent of rocky desertification,using Moderate鄄resolution Imaging Spectroradiometer(MODIS)remotesensing data,topographic data,and meteorological data from 2001 to 2020 as well as the field surveydata in 2020.Results 1)The bare rock rate and fractional vegetation coverage played an importantrole in assessing the degree of rocky desertification,followed by slope.2)As shown by comparativeanalyses of three feature selection methods,the feature set constructed by Boruta had the best dimensionreduction effect and the highest accuracy.3)Seven intelligent optimization algorithms could effectivelyassist in the super parameter optimization of SVM.In addition,the accuracy of the optimization models,in descending order,were PSOSVM,FASVM,GSASVM,CSSVM,ABCSVM,WOASVM,and DESVM.The corresponding overall accuracy values were 96郾 2%,95郾 4%,95郾 4%,93郾 1%,93郾 1%,93郾 1%and 93郾 1%,and the Kappa coefficients were 0郾 95,0郾 93,0郾 93,0郾 90,0郾 90,0郾 90 and 0郾 90,respectively.4)In terms of spatial variation,in the early study period(2001-2010),severe rocky desertification and extremely severe rocky desertification accounted for large areas.However,from 2011 to 2020,the degree of rocky desertification was contained,and the extremely severerocky desertification was scattered in small areas.Conclusions Generally speaking,the rockydesertification in the study area demonstrates a positive trend of improvement.The optimization algorithmand support vector machine have a good prospect for assessing rocky desertification in peak clusterdepression basins.In short,this result may provide data support for the control of rocky desertificationand the implementation of soil and water conservation plans in the karst area of the peak clusterdepression in Southwest Guangxi.Keywords:rocky desertification;support vector machine;optimization algorithm;feature selection;machine learning;peak cluster depression摇 摇 石漠化是岩溶区受自然因素和人为活动干扰而形成的一种土地退化类型1。石漠化广泛分布于我国西南部,面积约 54 万 km2,其中位于滇黔桂的峰丛洼地类型石漠化面积最大,为 12郾 5 万 km22。石漠化区域由于长期受到可溶性碳酸盐岩的影响,成土极为缓慢,土层薄且不连续,水文过程响应迅速3。石漠化导致的土壤侵蚀、地表水流失、生物多样性丧失等一系列的生态环境问题,严重影响当地人民的生存环境和可持续发展4;准确定量的石漠化的程度,对于喀斯特区域的水土保持工程和生态建设工程精准化调控具有重要的参考意义。国内外学者基于遥感数据,采用监督分类、非监督分类和构建石漠化指数等方法,对不同区域不同尺度石漠化程度的空间分布状况和演变趋势开展大量研究5,为喀斯特区域生态工程与治理措施提供科学参考。然而,由于喀斯特区域地表复杂且峰丛叠嶂,从而造成遥感影像阴影较多,传统的石漠程度评估方法存在一定的弊端6。近年来,相关学者将机器学习算法和特征数据相结合实现石漠化程度评估。与传统方法相比,机器学习算法,具有较强的自主学习能力和解决复杂非线性问题的优势,能够更准确地做出预测。基于机器学习模型评估石漠化程度目前已有众多研究成果,在评估石漠化时学者们多采用某一个机器学习模型算法中的默认参数,但往往机器学习中的默认参数评估出的石漠化与实际石漠化的分布存在着一定的差异性,这限制了机器学习模型在石漠化中的进一步应用7 9。鉴于此,如何采用优化算法对机器学习模型参数进行优化,从而精确的评估石漠化程度是亟需解决的问题。桂西南峰丛洼地流域位于贵州高原向广西盆地过渡的斜坡地带,流域内喀斯特地貌广泛发育。受碳酸盐岩地质背景制约,岩溶发育强烈景观异质性25摇摇 第 5 期张亚丽等:基于机器学习算法的喀斯特峰丛洼地石漠化程度评估高,水土流失和石漠化问题长期存在,生态环境极其脆弱10。该流域地表起伏较大,峰丛、谷地、洼地、塔峰、锥峰等交错分布,传统的石漠化程度评估方法困难。鉴于此,笔者基于石漠化影响因素数据和实地调查数据,构建 7 种基于优化算法的 SVM 的混合模型,用于石漠化程度与其影响变量之间的关系建模。采用 Boruta、最大互信息数和极限学习 3 种特征选择方法提取的特征数据集。最后,选择最优模型评估桂西南峰丛洼地石漠化程度,以期为生态工程建设和石漠化治理提供数据支撑。1摇 研究区概况桂西南峰丛洼地流域介于 E 104毅33忆 108毅43忆,N 21毅35忆 24毅39忆 之间,面积 6 万 1 485郾 16 km2,位于贵州高原向广西盆地过渡的斜坡地带(图 1)。流域的上游为滇东南岩溶高原区,平均海拔高于1 200 m,年均气温 16郾 7 益,年平均降水量 1 056郾 5mm,属中亚热带高原季风气候,代表岩性为从晚泥盆世至早、中二叠世持续发育的灰岩、白云质灰岩,以峰丛洼地、谷地、溶丘洼地等岩溶地貌形态为主,是云南严重石漠化最为典型代表区域11;流域的中游以山地地形为主,海拔介于 600 1 000 m,年均气温为 19郾 5 益,平均降雨量为 1 634郾 2 mm,属亚热带季风气候,岩性背景属中泥盆世 二叠纪发育的连续性碳酸盐12,地貌形态以峰丛洼地和峰林洼地组合为主,是全国喀斯特地貌发育最典型的区域之一;流域的下游为丘陵地带,平均海拔低于 400 m,年均气温 22 益,平均降雨量为 1 361郾 1 mm,位于属亚热带季风气候区,岩性背景为石炭纪 早三叠世发育的碳酸盐岩,地貌形态以锥峰谷地、塔峰谷地和低山丘陵组合为主,是浅碟型锥塔峰洼谷地区10。该流域在气候条件和地貌类型具有显著的空间分异性,地势呈西北高、东南低,喀斯特地貌广泛发育,生态系统较为脆弱,是中国西南典型的峰丛洼地喀斯特地区之一13。该地区既是珠江流域重要的生态屏障,是我国重要的水源涵养区和生物多样性优先保护区,也是中国通往东盟国家最便捷的海陆通道,在“一带一路冶倡仪实施中居于重要枢纽的地位。图 1摇 桂西南峰丛洼地流域研究区域Fig.1摇 Study area of peak cluster depression basin in Southwest Guangxi2摇 数据来源与方法2郾 1摇 数据来源笔者使用的石漠化影响因子数据(表 1),并基于 ArcGIS 平台对石漠化因子数据进行投影变换,统一采用 WGS84UTMzone48 坐标系,以研究区边界为掩膜进行裁剪,重采样至为 250 m 的栅格数据。样地调使用手高精度手持 GPS 面采集,记录裸露岩石和植被覆盖的面积,用于计算样本点的植被覆盖度、岩石裸露率等指标。另外对于高海拔区域采用无人机航测和 RTK 采集,制作正射影像图,基于 ArcGIS 平台矢量化统计岩石裸露面积14和植被面积,用以确定石漠化程度。共采集 526 个调查数据,其中 75%(395 个)用于训练模型,25%(131 个)用于测试模型。按照 HJ 11742021中华人民共和国国家生态环境标准,将石漠化程度分为无石漠化、轻度石漠化、中度石漠化、重度石漠化和极重度石漠化 5 种程度(表 2)。2郾 2摇 特征选择方法特征选择对基于机器学习算法的运行效果有着重要的影响。对于机器学习模型,输入过多的影响35摇中国水土保持科学2023 年摇 摇 摇表 1摇 桂西南峰丛洼地石漠化影响因素Tab.1摇 Influencing factors of rocky desertification in peak cluster depression in Southwest Guangxi因子数据 Factor计算公式 Formula说明及来源 Description and sources地表温度数据Land surface temperature(LST)摇 https:椅earthexplorer.usgs.gov/蒸散发数据Evapotranspiration(ET)摇 https:椅earthexplorer.usgs.gov/MOD09A1 的 B2 和 B7 波段Bands 2 and 7 of MOD09A1摇 https:椅earthexplorer.usgs.gov/叶面积指数Leaf area index(LAI)摇 https:椅earthexplorer.usgs.gov/光合利用效率Fraction of photosynthetically activeradiation(FPAR)摇 https:椅earthexplorer.usgs.gov/降雨数据 Precipitation(P)摇 http:椅 Population(POP)摇 https:椅www.worldpop.org/geodata/listing?id=64土壤类型 Soil type(ST)摇 https:椅 Rock properties(RP)摇 http:椅 Drought index(DI)摇 http:椅climexp.knmi.nl/selectfield_obs2.cgi?id=someone somewhere高程 DEM摇 http:椅 Slope(SL)摇 http:椅 Slope aspect(SP)摇 http:椅 rate of bedrock(RE)N=(B7-B2)/(B7+B2)R=(N-Nr)/(Nr-No)摇 N:归一化岩石指数;B2和 B7为 MODIS 的波段2 和7 数据。N is normalizeddifference rock index;B2and B7are the second and seventh band data of MODIS摇 R:裸岩率;Nr:纯裸露岩石的像元值;No:无裸露的岩石像元值。R:Rockrate.Nr:Pixel value of pure bare rock.No:No exposed rock pixel value植被覆盖度Fractional vegetation coverage(FVC)F=(N-N1)/(Nv-N1)摇 F:植被覆盖度。F:Fractional vegetation coverage摇 N:归一化植被指数。N:Normalized difference vegetation index摇 Nv指纯植被的像元值。Nvrefers to pixel value of pure vegetation摇 N1指无植被的像元值。N1refers to pixel value without vegetation表 2摇 喀斯特石漠化程度划分依据Tab.2摇 Classification basis of karst rocky desertification degree石漠化程度Classification of rocky desertification岩石裸露率Exposure rate ofbedrock/%植被覆盖度Vegetation and soilcoverage/%岩石裸露特征Distribution characterof the exposed rock无石漠化 None rocky desertification(NRD)20逸80无 None轻度石漠化 Light rocky desertification(LRD)逸20 30逸60 80点状 Point中度石漠化 Moderate rocky desertification(MRD)逸30 50逸40 60点状或线状 Point,line重度石漠化 Severe rocky desertification(SRD)逸50 70逸20 40线状和面状 Line,Patch极重度石漠化 Extremely severe rocky desertification(ESRD)逸7095%。对于生产者精度,无石漠化和轻度石漠化类型的精度分别为 80%和 84郾 6%,其余均分类精度 95%。3郾 3摇 石漠化空间分布基于 FASVM 模型评估桂西南峰丛洼地流域的石漠化程度(图 4)。从空间上来看:2000、2005和 2010 年,流域上游的石漠化程度以极重度石漠化为主,呈大片连续分布;中、下游的石漠化程度以重度石漠化为主,极重度石漠化呈块状分布。2015年,流域上游的石漠化程度以重度和极重度石漠化为主,而中、下游的石漠化程度主要为中度和重度石漠化程度。2020 年,流域内重度和极重度石漠化面积较小,分布较散,呈零星分布。从时间上来看:1)20012020 年,轻度石漠化65摇摇 第 5 期张亚丽等:基于机器学习算法的喀斯特峰丛洼地石漠化程度评估摇 NRD:无石漠化,LRD:轻度石漠化,MRD:中度石漠化,SRD:重度石漠化,ESRD:极重度石漠化。下同。NRD:None rocky desertifica鄄tion.LRD:Light rocky desertification.MRD:Moderate rocky desertification.SRD:Severe rocky desertification.ESRD:Extremely severe rockydesertification.The same below.图 3摇 基于 FASVM 模型的不同程度石漠化精度Fig.3摇 Inversion accuracy of different degrees of rocky desertification图 4摇 20012020 桂西南峰丛洼地流域石漠化程度空间分布Fig.4摇 Spatial distribution of KRD degree in peak cluster depression basin in Southwest Guangxi from 2001 to 2020摇和中度石漠化面积增加,重度和极重度石漠化面积减少;2)2000、2005、2010 和 2015 年桂西南峰丛洼地流域的石漠化程度以重度石漠化为主,2020 年的石漠化程度则以轻度和中度石漠化程度为主。总体来看:20012020 年,桂西南峰丛洼地流域石漠程度在空间分布上呈现出上游重,中、下游轻的特征。究其原因主要与流域内地形地貌、气候条件和人类活动差异有关。石漠化总面积(轻度以上程度)呈先增加后减少,整体减少趋势。这是由于流域内实施退耕还林和生态工程政策有关,石漠化治理效果较好;其次是城镇化和经济的发展,减少对林地和草地的破坏。3郾 4摇 石漠化面积转移矩阵表 5 8 展示桂西南峰丛洼地流域不同程度石漠化相互转移的关系。1)20012005 主要是重度石漠化转变成中度石漠化,轻度石漠化转变为中度石漠化,中度石漠化转变为重度石漠化,恶化面积大于改善面积。2)20052010 年,重度石漠化转变为中度石漠化、中度石漠化转变为轻度石漠化,石漠化改善面积大于恶化面积,石漠化程改善态势。75摇中国水土保持科学2023 年表 5摇 20012005 年石漠化转移矩阵Tab.5摇 Transition matrix of RD from 2001 to 2005km2年份Year程度Classification2005NRDLRDMRDSRDESRDNRD222郾31442郾38298郾7581郾690郾13LRD257郾69 1838郾881508郾94412郾500郾562001MRD223郾63 1097郾252568郾941867郾440郾25SRD72郾06263郾752037郾63 11848郾38193郾69ESRD00郾131郾00714郾31 1409郾31表 6摇 20052010 石漠化转移矩阵Tab.6摇 Transition matrix of RD from 2005 to 2010km2年份Year程度Classification2010NRDLRDMRDSRDESRDNRD310郾63274郾63154郾0635郾880郾50LRD286郾69 2055郾751146郾31152郾750郾882005MRD185郾63 1472郾063267郾561483郾506郾50SRD50郾31351郾252176郾63 11895郾88450郾25ESRD00郾130郾81321郾19 1281郾81表 7摇 20102015 年石漠化转移矩阵Tab.7摇 Transition matrix of RD from 2010 to 2015km2年份Year程度Classification2015NRDLRDMRDSRDESRDNRD538郾75203郾8880郾2510郾130郾25LRD991郾44 2632郾13483郾1945郾941郾132010MRD686郾13 2735郾882740郾25579郾134郾00SRD164郾56845郾443721郾008905郾88252郾31ESRD0郾8751郾37521郾56816郾75899郾38表 8摇 20152020 石漠化转移矩阵Tab.8摇 Transition matrix of RD from 2015 to 2020km2年份Year程度Classification2020NRDLRDMRDSRDESRDNRD696郾311479郾81192郾198郾195郾25LRD691郾504000郾881595郾19127郾503郾632015MRD171郾252068郾754453郾38347郾255郾63SRD64郾06518郾815240郾004474郾8160郾13ESRD0郾947郾6946郾38862郾75239郾313)20102015 年,重度和中度石漠化进一步得到改善,向 低 程 度 转 移,其 它 转 移 的 面 积 较 小。4)20152020 年,石漠化面积转移最显著的是重度石漠化转为中度石漠化,改善面积远大于恶化面积。20012020 年桂西南峰丛洼地流域无石漠化和轻度石漠化面积共计增加 4 636郾 19 km2;重度和极重度石漠化面积共计减少 1 万 1 033郾 69 km2,石漠化治理效果显著。究其原因为:城镇化发展以及农村太阳能和沼气等供气工程的建设,降低对木材能源的依赖;科学的石漠化治理技术,如水土流失防控与肥力提升、植被修复等方面技术,为石漠化治理奠定技术基础26;生态工程的建设,植被得以恢复,恢复的植被和土壤的相互作用,影响流域水文过程,改变石漠化结构。4摇 讨论4郾 1摇 机器学习算法中石漠化程度评估的影响因素特征因子过多会降低机器学习模型的运行效率和分类精度,特征因子太少则会导致机器学习模型欠拟合27。笔者构建 3 种特征选择算法用于选择评估石漠化程度的特征因子,3 种特征选择方法的结果一致表明,裸岩率和植被覆盖度是石漠化程度评估的重要特征,这是由于裸岩率和植被覆盖度的变化直接反映峰丛洼地岩溶区岩石裸露情况,这也与习慧鹏等28观点一致。此外在 3 种特征选择算法中,LAI 和 FPAR 相比海拔数据更重要,这与李素敏等29的研究结果相符,但 HUANG 等认为坡度和海拔是影响石漠化的关键影响因素。这说明岩溶区地理位置差异、植被类型和季节条件的不同,引起石漠化的驱动因素是不同和多维的。4郾 2摇 评估机器学习算法的效率和敏感性笔者采用 7 种优化算法的对 SVM 超参数进行调整,避免人工选择参数值的不确定性,从而达到更好的分类精度,当采用 SVM 模型的默认内置参数时,SVM 模型的分类的总体精度仅有 77%。此外,相较于 QIAN(模型总体精度 91郾 1%,Kappa 系数为 0郾 86),PU(模型总体精度 85郾 21%),本文基于优化算法构建的 FASVM 模型(模型总体精度95郾 4%,Kappa 系数为 0郾 93),优于上述结果。就模型的运行效率而言,7 种优化算法构建的混合模型的训练时间和运行时间相差很大:其中,FASVM 算法的训练和运行时间是最短的,而DESVR 和 WOASVM 算法时间是最长的。这是由于 DE 算法和 WOA 算法对参数进行全局搜索导致维度过多问题,从而严重影响模型的运行效率。FASVM 和 PSOSVM 混合模型比其他模型具有85摇摇 第 5 期张亚丽等:基于机器学习算法的喀斯特峰丛洼地石漠化程度评估更好的评估精度,更高的效率,适合将其应用于大范围大区域的石漠化程度空间分布的评估。4郾 3摇 桂西南石漠化形成的机理和原因喀斯特地区石漠化的形成与发展是由地形地貌、气象环境和地层岩性等自然因素和人类活动综合作用的结果7。桂西南峰丛洼地流域广泛分布着泥盆系、石炭系、二叠系、三叠系碳酸盐岩,以灰岩、灰岩与白云岩互组为主12,其基底岩石结构和酸不溶物为石漠化的发生提供了客观先决条件。碳酸盐岩地区的成土机制主要是以化学风化作用为主,成土困难,使土壤的厚度比较浅薄、稀少和零星3。碳酸盐岩的酸不溶物含量低,溶蚀作用强。该区的地貌多为峰丛洼地和峰林洼地石,加上水文地质条件的催化,使稀薄的土壤和大量的可溶物流失,从而导致水土流失严重、植被覆盖率低、基岩裸露,进而形成石漠化。图 5摇 研究区降雨Fig.5摇 Precipitation of the study area气候因素和地形地貌叠加作用同样是导致不同程度的石漠化重要因素。流域的上游位于北热带北缘降雨量较低,在岩性构造的影响下,地表水迅速转化为地下水,导致地表干旱缺水,不利于植被的生长,以草地和灌丛类植被为主。流域的下游位于南亚热带南缘,降雨量较大(图 5),虽然可能会加剧水土流失,但同时为植被生长提供所需的水分,促进植被的生长进而又改善了石漠化,这也是上游石漠化程度较重下游轻的原因之一。坡度是诱发石漠化程度另一个重要因素。坡度越大、地形切割深度大,地表物质的稳定性就越差,受降雨的冲刷力,导致水土流失越严重,石漠化的程度加剧30。流域的上游、中游峰丛洼地山高坡陡坡,大于 25毅区域面积较广(图 6),极易发生水土流失;而下游丘陵区域坡度较小,石漠化程度轻。图 6摇 研究区坡度Fig.6摇 Slope of the study area人类活动是控制着石漠化的发展趋势重要因素。研究前期流域上游人口密度大、人地紧张,存在着大量乱砍滥伐和过度耕种现象,这是研究前期(20012010 年)石漠化程度重的主要原因之一。研究后期(20102020 年),城镇化发展,减少对土地过度开垦,对林地的砍伐和毁坏。并且实施一系列生态修复政策,如 2008 年岩溶地区石漠化综合治理试点工程(https:椅 年关于全国水土保持规划(20152030 年)和 2017 年国家发展改革委岩溶地区石漠化综合治理工程“十三五冶建设规划等生态工程建设政策,桂西南峰丛洼地石漠化治理成效显著。因此,需继续实施生态环境治理工程,实现喀斯特区域生态环境重建。5摇 结论1)本研究提出的混合模型在评估峰丛洼地石漠化程度的空间分布具有良好的潜力。ABC、CS、PSO、DE、GWO、GSA 和 FA7 种智能优化算法,可以有效辅助 SVM 的超参数调优。2)裸岩率和植被覆盖度在石漠化程度评估中发挥了重要作用,其次是坡度。Boruta 构建的特征集具有最佳的降维效果。3)特征选择和 7 种优化算法的结合有效地提高了机器学习算法的石漠化程度评估精度。其中,FASVM 模型运行时长最短,PSOSVM 分类精度最高;虽然 WOASVM 和 DESVM 模型耗时最多,但没有显著改善模型的性能;总体而言,PSOSVM、FASVM、和 GSASVM 混合模型比其他模型具有更好的分类精度,分类的总体精度到达96郾 2%、95郾 4%和 95郾 4%,Kappa 系数分别为 0郾 96、0郾 95 和 0郾 95,适合将其应用于大范围、大区域的石漠化空间分布的评估。95摇中国水土保持科学2023 年6摇 参考文献1摇 汪泓,王跃跃,蔡宏,等.基于多源数据的多尺度石漠化时空变化研究 J.地下空间与工程学报,2021,17(S2):1044.WANG Hong,WANG Yueyue,CAI Hong,et al.Re鄄search on temporal and spatial changes of multi鄄scalerocky desertification based on multi鄄source data J.Chinese Journal of Underground Space and Engineering,2021,17(S2):1044.2摇 王克林,岳跃民,陈洪松,等.科技扶贫与生态系统服务提升融合的机制与实现途径 J.中国科学院院刊,2020,35(10):1264.WANG Kelin,YUE Yuemin,CHEN Hongsong,et al.Mechanisms and realization pathways for integration ofscientific poverty alleviation and ecosystem services en鄄hancement J.Bulletin of Chinese Academy of Sci鄄ences,2020,35(10):1264.3摇 种国双,海月,郑华,等.石漠化遥感信息提取方法进展 J.应用科学学报,2021,39(6):961.CHONG Guoshuang,HAI Yue,ZHENG Hua,et al.Re鄄search on temporal and spatial changes of multi鄄scalerocky desertification based on multi鄄source data J.Chinese Journal of Underground Space and Engineering,2021,39(6):961.4摇 HUANG Xianfei,ZHANG Zhenming,ZHOU Yunchao,et al.Driving factors and prediction of rock desertificationof non鄄tillage lands in a karst basin,southwest ChinaJ.Polish Journal of Environmental Studies,2021,30,3627.5摇 FAN Zemeng,LI Saibo,FANG Haiyan.Explicitly iden鄄tifying the desertification change in CMREC area based onmultisource remote data J.Remote Sensing,2020,12:3170.6摇 李长春,陈伟男,王