基于机器学习与多源变量的干旱区土壤有机碳高精度预测方法

本发明公开了一种基于机器学习与多源变量的干旱区土壤有机碳高精度预测方法，解决了干旱区土壤有机碳空间异质性强、传统检测成本高的问题。方法包括：采用分层随机抽样采集土壤样本，整合气候、植被、地形及遥感等7类环境变量构建特征集；采用Boruta算法筛选，得到优化特征集，消除冗余数据；通过Kolmogorov‑Smirnov检验划分训练集与测试集；利用参数优化的随机森林与极端梯度提升双模型协同预测，结合Bootstrap集成策略生成100个基模型；输入目标区域优化特征集获取有机碳预测结果；建立包含预测精度评估和不确定度分析的综合评价体系，本发明有效减少了监测成本，支持基于历史环境变量的土壤有机碳时空动态反演，为土壤碳动态监测与生态管理提供可靠技术方案。