利用基于GF-6和谷歌地球引擎的机器学习算法预测和绘制土壤有机质含量的空间分布

土壤有机质的预测对测量土壤的环境质量和退化程度至关重要。在本研究中，我们结合了中国的GF-6遥感数据与研究区域土壤采样点获得的有机质含量数据，以预测土壤有机质含量。我们对这些数据应用了随机森林（RF）、轻梯度提升机（LightGBM）、梯度提升树（GBDT）和极端提升机（XGBoost）学习模型。我们使用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）来评估预测模型。结果表明，XGBoost（R2 = 0.634）、LightGBM（R2 = 0.627）和GBDT（R2 = 0.591）的准确性和计算速度优于RF（R2 = 0.551）。基于特征优化的人土数据集建立的XGBoost算法回归模型具有最佳准确性，R2为0.771。基于GF-6数据结合XGBoost模型的土壤有机质含量反演具有良好的应用潜力.