比较三个数字土壤制图:监督学习方法应用到复杂的地形在厄瓜多尔的安第斯山脉

文摘

数字土壤制图方法应用于复杂,在厄瓜多尔的安第斯山区。救援功能来自一个数字高程模型和用作表土结构预测类砂、粉砂和粘土。三种统计学习方法的性能比较:线性回归,随机森林,回归树的随机梯度增加。在线性回归,逐步向后变量选择过程应用和过度拟合控制通过最小化锦葵的Cp。随机森林和提高预测效果的选择和调优过程评估。100倍重复的5倍交叉验证选择造型程序用于验证、不确定性评估,和方法的比较。绝对的评估模型的性能是通过比较所选方法的预测误差和意思。提高执行最好,提供可靠比均值的预测。均方根误差的中值减少5%左右。海拔是最重要的预测因子。所有模型明显区分山脊和山坡。 The predicted texture patterns are interpreted as result of catena sequences (eluviation of fine particles on slope shoulders) and landslides (mixing up mineral soil horizons on slopes).

1。介绍

最突出的概念模型来解释和解释的空间分布的基本方程是土壤成土因素,从珍妮(1]。这概念化分在5非常普遍影响因素制定土壤开发:气候、生物,救灾、母质、和时间。根据这些因素的初始信件,模型被称为“clorpt”模型。

这个模型可以被应用为预测土壤的空间发展一个或几个clorpt因素的函数,这种方法被称为数字土壤制图(DSM)。DSM的范围内,相当数量的研究跨越一个大范围的理论和应用目标、方法论和预测因素,数据源进行。McBratney et al。2]67年研究土壤类和/或土壤属性的空间预测和格390年)提供了一种多准则描述研究不会早于2007年仅在Geoderma和美国土壤科学学会杂志。

clorpt模型的因素中,Schaetzl和安德森(4]属性简称救援因素解释力最高规模可变性的土壤。根据他们的说法,这是由于它提供潜在和动能在水上运动,从而调节能量和物质的重新分配。同样的观察救援对土壤模式产生了巨大的影响也体现在系列概念,最初由米尔恩(5)之间的一系列土壤山顶和邻山谷底。

本文提出一种方法来比较线性回归,随机森林,和随机梯度增强回归树(后来被称为提高),应用于预测表土结构在复杂地形在厄瓜多尔的安第斯山脉。尽管大量的研究和减免土地开发的重要性,研究应用DSM广泛,复杂山区地形稀缺(例如,6,7])。而线性回归是一个普遍的方法在众多DSM的应用程序中,增加尚未应用于频繁。事实上,无论是McBratney et al。2)和格伦沃尔德(3)审查任何应用程序提高了回归树和随机森林,相同的数据。一项研究中,使用这两种技术是Viscarra Rossel和behren8]预测粘土含量、SOC和pH值从遥感数据。

2。材料和方法

2.1。研究领域

研究区位于“珍藏”意思就是旧金山(RBSF)在3°58′年代和79°4′W。它坐落在厄瓜多尔的安第斯山脉南部,东崖河山谷的旧金山。跨越了26公里²与跨越的面积高度的范围从1800米到3200米a.s.l。(图1)。

它是受热带信风政权与今年强劲的东风。结合位置在安第斯山脉东部,这导致>年降水量6000毫米,达到它的最大强度从四月到八月。西风只出现在11月有些干燥机(18]。较低的部分地区(< 2200 a.s.l。)属于“tierra templada”气温在13 - 19°C和降雨强度相对较低。上面的部分(> 2200)属于“tierra fria“气温6-13°C和36.2毫米的最大观测降水率h⁻¹(18,19]。

谷的NNW-facing斜坡的林木线大多是由常绿丘陵山地森林,其次是subparamo灌丛带树线以上。家的和沃纳20.)估计,RBSF港口大约1500 - 1700种种子植物,或整个厄瓜多尔的种子植物区系的10%左右。可以观察到明显的分化茂密的森林之间的沟壑和更开放的波峰林地(21]。树冠高度很少超过20米和大的树木很少22]。上交所面临山坡上的森林的山谷在很大程度上转化为牧场夫人年前(23]。

该地区是Chiguinda单位萨莫拉系列的一部分。母质是高度风化和包括metasiltstones、粉砂岩和石英岩,混杂在一起,千枚岩和粘土层片岩(24]。该地区富含倾斜的泥沼(17),从而导致的土壤与水属性和厚有机的视野。这些都是描述为,例如,Humaquepts [25)(根据美国农业部土壤分类(26])和有机土和Stagnosols Umbrisols,始成土,Leptosols,粗骨土27)(根据世界参考基地土壤资源(28])。

2.2。数据集

横断面被定义为Ließet al。27)封面代表还可以选择不同的地形形态。沿着每一个横断面,三个情节在字段中选择针对(1)等距离,(2)报道的横断面的长度,(3)对不同地形的报道形式,和(4)是否适合矿井建设和土壤取样。107年土壤坑出土的位置显示在图1。表层土壤质地是由湿筛分和吸管分析根据科恩(29日]。由于一些缺失的数据,99个样本进入土壤结构模型。

空间信息对地形参数区域化的采样点数据是来自一个数字高程模型(DEM)的10米光栅细胞研究单位的数据库提供的分辨率30.]。十地形特征选择的初始预测和计算地形分析模块的开源软件传奇(31日)(表1)。大多数这些地形特性或非常类似的指数已经用于预测反应相关的土壤质地(32- - - - - -36]。

2.3。监督学习方法

线性回归是非常简单、快速、高效。因此,它通常被用在许多应用程序(8,34,35]。然而,它遵循假设如预测和响应变量之间的线性关系、正态分布和独立的数据点,恒定方差(37]。

决策树方法的属性几乎是相反的线性回归。他们必须解决迭代和近似。但他们是免费的刚性的假设,他们可以容纳各种各样的变量尺度,intervariable关系和分布。随机森林decorrelates个别树木和降低了预测方差相比简单回归树(33]。这个方法是反复应用于DSM (8,38,39]。随机梯度增加是由弗洛伊德和Schapire40由弗里德曼[]和修改41,42]。另外减少方差随机森林里已经实现,提高也降低了预测的偏差43]。它被誉为“世界上最好的现成的分类器”Breiman [44]。最近所描述的回归应用DSM Viscarra Rossel和behren8和分类应用程序通过Grinand et al。45和鳄鱼等。46]。所有的造型是在完成的软件环境,版本2.14.1 [47]。

2.3.1。线性回归

一个逐步落后变量进行选择(包:飞跃)。选择最终的标准模型,并防止过度拟合是最小化锦葵Cp [48]。之间的共线性预测将违反独立同分布数据的假设,膨胀的方差参数,预测选择和偏见。在逐步变量选择,这个错误会加剧作为变量“错误地”跳过将改变的轨迹随后选择决策(49]。因此,检查共线性相关分析使用皮尔逊相关系数> 0.7作为阈值标准不包括预测按照Dormann et al。49]。

发现了异常值与拟合值与标准化残差图。排除标准是一个标准化的残余,超过三倍标准差。检查过有影响力的数据点,利用与标准化残差图。利用描述的观测值对拟合值的影响相同的数据点(50]。库克的距离来自标准化残差的组合和利用数据点。措施效果,删除一个观察对预测模型的参数(51]。排除标准为有影响力的数据点是库克的距离超过0.5。

随机检查组件的常态正常的情节。违反独立性和恒等分布的随机组件将偏差参数估计和增加的风险类型错误(错误地拒绝零假设无效)(52]。这种假设有两个方面。一方面,不断检查标准偏差通过残差与拟合值的情节。另一方面,空间残差的自相关是由空间检查块的残差和莫兰。莫兰的计算数据点在一定距离的相关课程。同样的皮尔森相关系数,正值表明积极的空间自相关,反之亦然,0表示没有空间自相关的值(53]。类的最大距离,莫兰大是由于小样本大小这些类莫兰的吗不能可靠地检测空间自相关,并因此被丢弃(49]。这种分析计算莫兰距离类250,被认为是绝对的值> 0.3自相关的指标。空间自相关情节和莫兰计算的包ncf。

2.3.2。随机森林

随机森林反复引导预测样本数据符合树木随机选择的预测,然后平均预测(43]。由于引导过程,只使用数据的一个子集,以适应每一个特定的树。随机森林模型拟合,包randomForest使用了一个平方误差损失函数。随机森林包含几个调优参数,其中一些控制内部随机过程:使用的随机选择的预测数量以适应每棵树(“mtry”),最小节点大小(“nodesize”),引导规模样本(“sampsize”),和树木的数量(“ntree”)。

除了这些调优参数,它一直辩称,随机森林不需要大量的调优工作,因为决策树方法是健壮的,如果不是免疫对噪声变量(37]。因此,许多作者认为不需要预测选择(38,54]。然而,一些初步的随机森林模型的预测分配负分数的重要性。其次,我们经常听到人们说,随机森林不overfit [8,38,55,56]。然而,Hastie et al。37状态,这一结论是错误的。实际上随机森林不会overfit当增加ntree但是方法预测的期望。然而,他们强调,预测的期望可以不过overfit数据。

因此,几个造型程序被用于比较。(1)没有预测的选择和优化(的默认值mtry,nodesize,sampsize)。(2)预测选择,但没有调优。指标选择的包Boruta被雇佣。Boruta比较原始的重要性得分与计数器变量的重要性评分预测。Boruta呈现三个类变量的重要性。”确认,”“试探性的”(决策算法nonconverging)和“拒绝了“(57]。所有确认和试探性的预测因子。(3)没有预测的选择,但调优sampsize。Sampsize被18模型拟合不同的调谐sampsizes(和选择参数值,使预测误差最低。(4)没有预测的选择,但调优mtry。mtry建议作为一个潜在的敏感参数由Breiman和卡特勒(58),因此用于常规优化(38,55,56]。这是通过使用函数来调谐tuneRF。

过程复杂性的等级次序是这样(1)<(2)=(3)=(4)。程序(2)(4)的类似程度的复杂性,但是都比(1)复杂。在分析ntree被设置为2000,以确保它足够大。有内在stochastical流程构建随机森林模型,每一个4拟合程序是在100倍进行复制。一个5倍旨在RMSE被用作预测误差的测量。

而不是测试的RMSE分布的显著差异,这是决定箱线图和直观地确定优良的拟合程序按照下列标准:RMSE值和方差的分布和造型过程的复杂性。以下决策规则应用于选择最好的程序:最低的模型平均预测误差被选,除非上铰链的箱线图比上层的箱线图与第二低平均预测误差模型。如果有几个程序与最低约等于平均预测错误,更好的箱线图上的铰链被选中。以防类似的平均预测误差和类似的上层铰链,低复杂度等级的模型被选中。

2.3.3。梯度增加

提高了引导预测样本数据,适合一棵树,并减去原始数据的预测。树木被迭代拟合残差和预测总结(37]。措施,防止过度拟合也至关重要,因为连续的本质提高(与合并模型在随机森林)允许添加到模型中是完全树overfitted [52]。

提高模型通过使用代码发布的Elith et al。43),这是基于包“绿带运动”。在随机森林有一系列的调优参数:互动深度确定的数量在每个树和分裂收缩减少每个人的贡献树最终模型。后者是越小,越低的预测风险和需要更多的树木和计算时间(37]。山脊路(59)建议设置收缩0.01 - -0.001。Elith et al。43)建议设置它小到可以允许至少1000棵树。因此,对所有程序,收缩将建议的低端(0.001),此参数可以显然不是被设置过低,除了计算的原因。这通常允许超过一千棵树。的二次抽样率的大小决定了引导示例:Elith et al。43推荐0.5 - -0.75;的默认是0.75。的数量的树(ntree)比随机森林更相关,如梯度增加overfits如果ntree是过度的。因此,ntree必须为每个应用程序决定的。然而,这个函数gbm.step自动地这样做。因此,调优ntree在后续步骤是不关心的。

关于其他参数的调优,Elith et al。43提供数据,调优互动深度和收缩有一些(但对于小数据集不是太多)对预测误差的影响。关于变量选择、Elith et al。43)认为,特别是对于小数据集,冗余预测将降低预测通过增加其方差。因此,方案比较几个造型开发程序。(1)没有变量选择和优化。(2)步骤(1)的最优模型,但是检查是否变量选择的功能gbm.simplify提高了预测。(3)程序的优化模型(2),但是二次抽样率0.5。(4)从过程(2)最优模型,但与一个互动深度2。

排序的程序复杂性因此是(1)< <(3)(2)=(4)。5倍交叉验证的RMSE被用来评估运行。这个方案是运行在100倍重复产生的变异占涉及随机过程。优越的造型过程被描述的决策规则的随机森林。

2.3.4。模型比较和验证

为了比较模型的性能和估计模型不确定性的三个应用方法,计算5倍交叉验证方案。交叉验证涵盖完整的建模程序选择在前面的部分中,包括预测的选择。交叉验证是在100倍进行重复考虑到外部的影响(例如,样本归因交叉验证组)和内部(如引导)随机事件和获得一定程度的造型过程的方差。因此,均方根误差(RMSE)分布的完整造型过程得到了一个大样本的随机配置。允许的绝对判断模型性能,RMSE分布的均值计算的数据相同的方案。

而不是评估模型的性能通过使用常见的指标,如确定系数()或Nash-Sutcliffe模型效率(60),一个图形的方法被选中,因为它更高的信息内容。因此,产生的RMSE分布100倍交叉验证的重复box-plotted,添加的RMSE分布均值的箱线图参数作为基线。呈现最实用的预测方法是由相同的决策规则是用于确定最好的造型过程,免除复杂的标准,在这里不适用。

2.4。预测

从三个模型结构类,有最小的减少中间RMSE预测误差下降和相关的类派生的区别是100%,剩下的两个类的总和。因此,三个类总是加起来是100%,不需要扩展或分对数转换。

3所示。结果与讨论

3.1。数据概述

四分位范围明显区分,而低粘土含量较高的砂含量22.8 - -41.7%和8.3 -18.7%甚至更高的淤泥的内容(图47.0 - -59.9%2)。因此纹理数据显示,大多数分析土壤非常肥沃的,依照Schrumpf et al。25]。

3.2。模型的适应

3.2.1之上。线性回归

根据最小锦葵的Cp,表现最好的模型沙()和粘土含量()包含两个预测因子,而淤泥(是最好的解释为三个预测因子。的完整公式显示在选择模型 从计算皮尔逊相关系数的预测没有超过0.7。因此,模型被共线性无偏和独立预测因子的假设并不违背。残差显示没有异方差性;是正态分布的随机组件,没有异常值测定。残差的地图数据3(一个)- - - - - -3 (c))似乎表现出一些空间自相关。但是,莫兰的(数据3 (d)- - - - - -3 (f))没有超过0.3的阈值标准距离的类。

3.2.2。随机森林

图4显示了预测误差分布的四个造型过程。预测选择只有稍微积极影响泥沙含量的预测误差分布,没有明显增加的预测误差的方差。调优进一步减少了泥沙模型的预测误差。尽管文献建议和频繁使用mtry作为主要优化参数,优化的效果sampsize比的调优mtry(图4 (b))。关于砂和粘土模型,预测选择以及性能调优受损模型(数据4(一)和4 (c))。

一般来说,变量选择和调优步骤的影响是相对较小的对所有反应。决策规则的应用导致的选择造型过程如下:砂和粘土含量,建模过程(1)被选中;关于泥沙含量,造型过程(3)被选中。

图5显示残差和莫兰的地图为选定的随机森林模型。残差的自相关没有超过莫兰。

3.2.3。梯度增加

图6显示了一个比较的旨在预测误差分布的四个提升过程。改进中值RMSE还是相当小的。方差保持不变在所有四个程序,但相对较高的平均预测误差的差异。预测选择有积极影响,而额外的调优,而没有改善,甚至预测受损。

决策规则的应用识别了造型过程如下:沙子,淤泥内容的过程(2)选择;(4)选择粘土含量的过程。完整的数据集的选择过程和使用符合最终的模型对含砂量导致了4050棵树,2250棵树为淤泥的内容,和粘土含量的950棵树。因此,Elith et al。(43)建议设置收缩低足以让至少1000棵树占除了粘土的情况下,要求略低于1000棵树,可能是由于模型允许一阶交互。残差的地图数据7(一)- - - - - -7 (c))和莫兰(数据7 (d)- - - - - -7 (f))没有显示任何自相关。

3.3。模型比较和验证

图8比较了5倍旨在选择线性回归的预测误差分布,随机森林,梯度推进模型。

线性回归预测砂和粘土和随机森林预测粘土一般都比均值但仍重叠部分的RMSE分布的意思。唯一的例外是淤泥的线性回归,显然已经过度拟合。提高预测是优越的方法根据决策规则,在所有响应比的意思是,和显示几乎没有重叠的RMSE分布除了淤泥,尽管绝对差异的其他方法仍然较小。这与发现Viscarra Rossell和behren8]报告增加执行比随机森林预测土壤属性从遥感数据中。然而,旨在减少中间的RMSE提高程序相比,平均只有5%。

3.4。预测

提高模型被用来预测响应变量的全部民主党。泥沙模型是下降了,因为它提供了最小的减少中间RMSE预测误差。相反,泥沙含量是派生的区别100%,砂和粘土的和预测的每一个细胞。三个土壤质地类显示在地图的数据9(一个)- - - - - -9 (c)。尽管依赖不同的预测,可以发现两个影响视觉,一方面高度依赖(发现也说明了证明等。61年)和Ließet al。7]),另一方面明确分型之间的山脊和山坡。

块选择的预测提高边际依赖过程(图9 (d))帮助指定预测模式。同时保持所有其他因素不变砂含量与海拔上升逐步从30到43%,这是地图(图中清晰可见9(一个))。然而,山脊没有遵守这个简单的描述;的含砂量低于周围的网站,尽管他们更高的高度。从峡谷的深度0到30米,沙内容显示之前)急速上升为更深层次的谷结构沉降约38%。北部和东北部暴露山坡显示砂含量高于所有其他博览会,38%至33%左右。

粘土含量与海拔高度之间的关系(图9 (e))是相反,含砂量和海拔之间也可以观察到地图(图9 (c))。低到中等倾向、粘土内容与ca预测。15%和13%大幅降至ca。中等高倾向(图9 (e))。斜率的影响导致增加预测粘土内容沿着山脊外伸展较低的倾向。的结合这两个因素的影响及其相互作用导致整体粘土含量预测在10%和17%之间。

西蒙森(提出的概念模型62年]设想土壤开发四类的函数过程:另外,移除,易位和转换。在relief-induced流程的情况下,粒子转换和易位是最明显的相关。易位过程根据西蒙森(62年)分类土壤系列的概念有紧密的联系,感知救灾作为土壤发展导致司机沿着斜坡(能量和物质的重新分配4]。因此,边坡长度越长,越崩积层往往积累(4]。这个过程解释的总体模式增加沙子和减少粘土含量与海拔高度。降水强度和高度的正相关关系18)以及鲍尔(63年)结论:大量的降水由浅层地下水流进行进一步加强这一发现。低预测砂脊站与这个解释内容。然而,孩子们64年)提出了一系列改性系列的五个斜率元素峰会职位经验最少的侵蚀或吸积和主要化学风化作用,因此不遭受粘土去除实际上被丰富的细粒度的物料。这个系列的扩展模型预测模式符合得很好。

此外,山体滑坡的频率也可能导致粗颗粒大小在山坡上相比于山脊,因为他们倾向于离开脊不受影响,对边坡产生的肩膀,把低背坡地区日光和混合的视野视野在下坡的地区。解释,而粘土含量低的另一个原因可能是海拔越高,主砂的石头。然而,Ließet al。7)检查母质对土壤质地的影响的预测。他们发现,这不是一个有关预测土壤质地,很可能由于小规模母体材料的变化和土壤物质的频繁易位滑坡(65年]。

4所示。结论

应用造型设计是有用的,尽管交叉验证不允许推广应用于其他领域。同时这三种方法进行同样按绝对价值计算,提高显示所有三个反应变量性能优越,更精确地预测比均值在几乎所有的重复。线性回归在淤泥砂和粘土但overfitted表现良好的反应。因此建议测试修改线性回归建模设计,包括交互和使用其他指标比锦葵的Cp模型选择。随机森林没有overfit期望的数据,但只有的粘土模型超过了预测性能的意思。然而,即使方差解释为提高模型减少了旨在RMSE的意思只有5%左右。因此,DSM应用程序在热带山区仍然是一个挑战,即使在模型校准使用的区域,建议扩展预测土壤因素发展的套件除了救济功能。

最重要的预测模式高度依赖和山脊和山坡上的差异对比。高海拔的表土结构往往是粗,中在低海拔地区,和最好的山脊。预测结构模式可以解释为连续序列,造成了坡淋溶作用的细晶粒大小初始斜率的肩膀。根据这一模式岭地区不受这样的影响排序过程由于缺乏把水流。山体滑坡被认为增加晶粒尺寸在斜坡网站由于矿物混合土壤的视野。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. h·珍妮,土壤形成的因素美国麦格劳-希尔,纽约,纽约,1941年。
2. a . b . McBratney m . l . Mendonca桑托斯,b . Minasny“数字土壤制图,”Geoderma,卷117,不。1 - 2,3-52,2003页。视图:出版商的网站|谷歌学术搜索
3. 美国格”,多标准描述最近的数字土壤制图和建模方法,”Geoderma,卷152,不。3 - 4、195 - 207年,2009页。视图:出版商的网站|谷歌学术搜索
4. r . j . Schaetzl和美国安德森土壤:《创世纪》和地貌英国剑桥,剑桥大学出版社,2005年。
5. g·米尔恩临时土壤东非的地图非洲农业研究站,阿玛尼,坦噶尼喀的领土,1936。
6. m . Ließb·格拉泽,b . Huwe“利用世界的参考基础诊断视野的系统性描述土壤的热带山地soil-landscape continuum-application厄瓜多尔南部”系列卷。97年,20 - 30,2012页。视图:出版商的网站|谷歌学术搜索
7. m . Ließb·格拉泽和b . Huwe土壤质地的空间预测的不确定性。回归树和随机森林模型的比较。”Geoderma卷,170年,第79 - 70页,2012年。视图:出版商的网站|谷歌学术搜索
8. r . a . Viscarra Rossel和t . behren”使用数据挖掘模型和解释土壤漫反射光谱,”Geoderma,卷158,不。1 - 2,页46 - 54岁,2010年。视图:出版商的网站|谷歌学术搜索
9. o .命名和f·达布”,一种快速、简单、通用的算法来填补数字高程模型的萧条,”系列,46卷,不。2 - 3、159 - 176年,2002页。视图:出版商的网站|谷歌学术搜索
10. l·w·Zevenbergen和c·r·索恩”定量分析地表地形。”地球表面过程和地貌,12卷,不。1,47-56,1987页。视图:谷歌学术搜索
11. r . Kothe f . Lehmeier,SARA-System苏珥Automatischen Relief-Analyse:用户手册哥廷根大学地理系,第二版,1996年版。
12. n . l . Lea“aspect-driven运动学路由算法,”地面水流:液压和侵蚀力学a, a·帕森斯和亚伯拉罕,Eds。,pp. 393–407, Chapman and Hall, New York, NY, USA, 1992.视图:谷歌学术搜索
13. a . n . strahle”定量分析流域地貌”,事务的美国地球物理联盟,8卷,不。6,913 - 920年,1957页。视图:谷歌学术搜索
14. j·f·奥卡拉汉和d·m·马克,“排水网络的提取数字高程数据,”计算机视觉、图形和图像处理,28卷,不。3、323 - 344年,1984页。视图:谷歌学术搜索
15. r . j .博纳Koethe o·康拉德,j·格罗斯,a . Ringeler和t . Selige”土壤通过地形分析和过程参数化、区域化特征”2001年土壤分类,大肠Micheli、f . Nachtergaele和l . Montanarella Eds。土壤,页213 - 222,欧洲,卢森堡,2002。视图:谷歌学术搜索
16. p . j . j . Desmet和g . Govers GIS程序自动计算USLE LS因素从地形上复杂的景观单元,“水土保持杂志》上,51卷,不。5,427 - 433年,1996页。视图:谷歌学术搜索
17. m . Ließm . Hitziger b . Huwe,”厄瓜多尔南部的倾斜的沼泽soil-landscape:预测的影响对随机森林预测和模型调优的决议,”应用和环境土壤学文章ID 603132卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
18. j . Bendix r . Rollenbeck m·里克特·费边和p . Emck,“气候”梯度在厄瓜多尔的热带山地生态系统e·贝克,j . Bendix Kottke, f . Makeschin和r . Mosandl, Eds。施普林格,卷。198年,柏林,德国,2008年。视图:谷歌学术搜索
19. e·贝克f . Makeschin f . Haubrich m级,j . Bendix和c . Valerezo”生态系统(珍藏Biologica旧金山),”梯度在厄瓜多尔的热带山地生态系统e·贝克,j . Bendix Kottke, f . Makeschin和r . Mosandl, Eds。施普林格,卷。198年,柏林,德国,2008年。视图:谷歌学术搜索
20. j .家的f·维尔纳,”旧金山珍藏的种子植物的初步清单(省Zamora-Chinchipe、厄瓜多尔)”临时表的动植物旧金山硅谷和周围环境(珍藏Biologica旧金山,省Zamora-Chinchipe,厄瓜多尔南部)l . s . Breckle和s . Breckle Eds。,卷。4,pp. 15–58, Ecotropical Monographs, 2007.视图:谷歌学术搜索
21. j .家的h·达立兹,s . w . Breckle”Waldstruktur和Baumarten im montanen Regenwald der Estacion Cientifica圣Franscisco Sudecuador,”Berichte der Reinhold-Tuxen-Gesellschaft,14卷,第118 - 109页,2002年。视图:谷歌学术搜索
22. k . Muller-Hohenstein a . Paulsch d Paulsch, r·施耐德“疣状赘生物——和Agrarlandschaftsstrukturen窝Bergwaldern Sudecuadors,”Geographische优异卷,56 48-55,1994页。视图:谷歌学术搜索
23. f·维尔纳,j .家的,s . Gradstein“血管附生植物的多样性在孤立的残余树厄瓜多尔南部的山区森林地带,“Ecotropica卷。11日,意向,2005页。视图:谷歌学术搜索
24. m·j·a·利阿斯彭,r . a . Jemielita厄瓜多尔的变质带11卷海外的回忆录,1994年英国地质调查局。
25. m . Schrumpf g . Guggenberger c . Valarezo w·泽赫,“热带山地雨林的土壤。发展和营养状态在一个高度的梯度在南方厄瓜多尔的安第斯山脉,”大地之死,卷132,不。1,43-59,2001页。视图:谷歌学术搜索
26. 美国农业部、美国核管理委员会土壤分类的关键、土壤调查人员,华盛顿,美国第十版,2006年版。
27. m . Ließb·格拉泽,b . Huwe“数字土壤制图在厄瓜多尔南部,”Erdkunde,卷63,不。4、309 - 319年,2009页。视图:出版商的网站|谷歌学术搜索
28. 粮农组织、国际单位工作小组方面,世界土壤资源参考基础ISRIC,意大利罗马,2007年。
29. m·科恩“Bemerkungen苏珥mechanischen Bodenanalyse III。静脉诺伊尔Pipettapparat。”Zeitschrift毛皮Pflanzenernahrung、Dungung Bodenkunde,11卷,不。1、50、1928页。视图:出版商的网站|谷歌学术搜索
30. t . Nauss d . Gottlicher m . Dobbermann, j . Bendix”中央数据服务在多学科环境研究项目”,2007年,http://www.preagro.de/ezai/index.php/eZAI/article/view/28/28。视图:谷歌学术搜索
31. 传奇用户组协会系统自动立分析版本2.0.7,传奇,汉堡,德国,2011年。
32. i o . a . Odeh d . j . Chittleborough, a . b . McBratney”说明规范祝圣礼soil-landform相互关系的分析,“Geoderma卷,49号1 - 2,学会年会,1991页。视图:谷歌学术搜索
33. 美国德熊和a·斯坦,”Soil-landscape造型采用模糊c均值聚类的属性数据来源于数字高程模型(DEM),“Geoderma,卷83,不。1 - 2,17-33,1998页。视图:出版商的网站|谷歌学术搜索
34. a . b . McBratney i o . a . Odeh t·f·a .主教,m . s .邓巴,和t . m . Shatar”的概述pedometric技术用于土壤调查,“Geoderma,卷97,不。3 - 4、293 - 327年,2000页。视图:出版商的网站|谷歌学术搜索
35. a . Gobin p Campling, j . Feyen”Soil-landscape造型量化土壤质地的空间变异性,”地球物理和化学的B:水文、海洋和大气,26卷,不。1,41 - 45页,2001。视图:出版商的网站|谷歌学术搜索
36. d·j·布朗、m·k·克莱顿和k .筹划“潜在的地形控制土壤颜色、质地的对比和粒度对原始沉积系列景观在乌干达,”Geoderma,卷122,不。1,51 - 72,2004页。视图:出版商的网站|谷歌学术搜索
37. t . Hastie r . Tibshirani和j·弗里德曼,统计学习的元素:数据挖掘、推理和预测施普林格,纽约,纽约,美国,第二版,2009年版。
38. r·格林t behren m标志,h . Elsenbeer”土壤有机碳浓度和股票Barro科罗拉多Island-digital使用随机森林土壤映射分析,“Geoderma,卷146,不。1 - 2、102 - 113年,2008页。视图:出版商的网站|谷歌学术搜索
39. m . Wiesmeier f . Barthold b .空白,Kogel-Knabner,“数字地图土壤有机质的股票在半干旱草原生态系统,使用随机森林模型”植物和土壤,卷340,不。1,7-24,2011页。视图:出版商的网站|谷歌学术搜索
40. y弗洛伊德和r·e·Schapire”决策理论泛化的在线学习和提高应用程序,”计算机与系统科学杂志》上,55卷,不。1,第139 - 119页,1997。视图:谷歌学术搜索
41. j·h·弗里德曼,“贪婪的近似函数:一个梯度增加机器,”统计年鉴卷,29号5,1189 - 1232年,2001页。视图:谷歌学术搜索
42. j·h·弗里德曼“随机梯度推进”,计算统计和数据分析,38卷,不。4、367 - 378年,2002页。视图:出版商的网站|谷歌学术搜索
43. j . Elith j . r . Leathwick, t . Hastie”提高了回归树,一个工作指南》动物生态学杂志,卷77,不。4、802 - 813年,2008页。视图:出版商的网站|谷歌学术搜索
44. l . Breiman“灭弧分类器”,统计年鉴,26卷,不。3、801 - 849年,1998页。视图:谷歌学术搜索
45. c . Grinand d . Arrouays b Laroche, m·p·马丁”推断区域土壤景观从现有的地图:抽样强度,验证程序,和集成的空间上下文,“Geoderma,卷143,不。1 - 2、180 - 190年,2008页。视图:出版商的网站|谷歌学术搜索
46. m .鳄鱼、b . Lemercier和c·沃尔特”区域映射土壤母质的机器学习基于点数据,”地貌学,卷133,不。1 - 2、90 - 99年,2011页。视图:出版商的网站|谷歌学术搜索
47. R开发核心团队,R:语言和环境统计计算(2.14.1版),R统计计算的基础,维也纳,奥地利,2011年。
48. c . l .锦葵”,一些评论CP。”技术计量学,42卷,不。1,第94 - 87页,2000。视图:谷歌学术搜索
49. c . f . Dormann j . Elith s·巴彻et al .,“共线性:回顾的方法来处理和模拟研究评估他们的表现,”描述生态学,35卷,不。1,1,2012页。视图:出版商的网站|谷歌学术搜索
50. d . c . Hoaglin和r . e . Welsch”这顶帽子矩阵在回归和方差分析,美国统计学家,32卷,不。1,17-22,1978页。视图:出版商的网站|谷歌学术搜索
51. r·d·库克,“检测影响观测的线性回归,”技术计量学,19卷,不。1、15—18,2000页。视图:出版商的网站|谷歌学术搜索
52. c . f . Dormann j·m·麦克弗森m . b . Araujo et al .,”方法占物种分布的空间自相关分析数据:复习一下,”描述生态学,30卷,不。5,609 - 628年,2007页。视图:出版商的网站|谷歌学术搜索
53. m·福丁和m .戴尔空间分析指南生态学家英国剑桥,剑桥大学出版社,2005年。
54. r . Diaz-Uriarte和s·阿尔瓦雷斯德安德烈斯,”基因微阵列数据的选择和分类使用随机森林,”BMC生物信息学第三条,卷。7日,2006年。视图:出版商的网站|谷歌学术搜索
55. j·彼得斯,b . d . Baets n e·c·Verhoest et al .,“随机森林作为特性分布的建模工具,”生态模型,卷207,不。2 - 4、304 - 318年,2007页。视图:出版商的网站|谷歌学术搜索
56. a·m·普拉萨德·l·r·艾弗森,a . Liaw”新的分类和回归树技术:装袋和随机森林生态预测,“生态系统,9卷,不。2、181 - 199年,2006页。视图:出版商的网站|谷歌学术搜索
57. w . Rudnicki和b . Kursa Boruta-a工具显著属性信息系统,“凹口535参考手册,2012年,http://cran.r-project.org/web/packages/Boruta/Boruta.pdf。视图:谷歌学术搜索
58. l . Breiman和a·卡特勒,“随机Forest-manual”2004http://www.stat.berkeley.edu/ breiman / RandomForests /。视图:谷歌学术搜索
59. g .山脊路”,广义提高模型:指南“绿带运动”计划,“2007年,http://cran.r-project.org/web/packages/gbm/gbm.pdf。视图:谷歌学术搜索
60. j·e·纳什和j . v .拍摄,”河流量预测通过概念模型讨论我一部分的原则,“《水文,10卷,不。3、282 - 290年,1970页。视图:谷歌学术搜索
61. w .证明,y Oelmann, a·施密特,c . Valarezo w·泽赫和j .家的“土壤属性和树木生长在一个高度的横断面在厄瓜多尔热带山地森林,”植物营养和土壤科学杂志》上,卷171,不。2、220 - 230年,2008页。视图:出版商的网站|谷歌学术搜索
62. r·w·西蒙森“广义土壤成因理论的轮廓,“美国土壤科学学会程序,23卷,第156 - 152页,1956年。视图:谷歌学术搜索
63. f·鲍尔水流路径在土壤的原状和滑坡影响成熟山地雨林在厄瓜多尔南部[博士。论文)德国拜罗伊特大学拜罗伊特2010。
64. r . v .孩子们“土壤景观的元素,”第七届国际大会的土壤科学的交易,4卷,页165 - 170,国际土壤科学协会,麦迪逊,威斯康星州,美国,1960年。视图:谷歌学术搜索
65. r·w·商量之后,w .证明,和m·里克特“山体滑坡重要干扰regimes-causes和再生,”梯度在厄瓜多尔的热带山地生态系统e·贝克,j . Bendix Kottke, f . Makeschin和r . Mosandl, Eds。卷,198年,页319 - 330,施普林格,柏林,德国,2008年。视图:谷歌学术搜索

版权

版权©2014年马丁Hitziger和Mareike Ließ。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。