基于堆叠模型的土壤有机碳预测方法OA

土壤有机碳(SOC)含量是评估土壤质量与农业可持续性的关键指标。针对高维光谱数据中存在的特征冗余、非线性建模难题以及传统模型泛化性能不足的问题,提出一种异构集成学习框架——DeepStack-Ridge。该模型融合了深度神经网络(DNN)、极端梯度提升(XGBoost)、随机森林(RF)和K近邻(KNN)4类基学习器,并以岭回归(RR)作为元学习器,构建了多模型协同预测结构。研究基于LUCAS 2015农业土壤数据集,设计了原始光谱、一阶微分(FD)、主成分分析(PCA)及FD+PCA组合4种预处理策略,并开展了SOC含量预测建模试验。结果表明,该模型在所有预处理条件下均优于传统单一模型和主流模型,尤其在PCA降维下SOC含量预测精度最高,R^(2)达到了0.8809,RMSE为11.5420 g/kg,计算时间由原始光谱的7487.42 s降至385.97 s,效率提升了约94.85%,展现出良好的建模稳定性与实用性。为进一步验证模型在多属性土壤建模中的迁移性,将其应用于电导率(EC)与磷(P)含量等光谱响应较弱的目标变量上。结果显示,尽管EC在个别预处理条件下略低于部分单一模型的最优值,但整体性能仍具有竞争力,而P含量的建模效果则优于所有单一模型,说明模型结构在面对目标属性响应差异时具备一定的适应能力。综上所述,研究验证了DeepStack-Ridge模型在SOC含量预测中的有效性,并在多属性扩展分析中表现出良好的稳健性与迁移潜力,为面向高维、多源土壤光谱特征建模提供了理论依据与技术支撑。