基于双重优化的改进SCSO酶敏感性土壤肥力预测方法

《Scientific Reports》：Enzyme-aware soil fertility prediction using dual optimization with improved SCSO

　　

摘要

土壤酶活性是决定作物产量的关键因素，它影响着养分循环、有机物分解以及氮的转化。目前用于土壤肥力评估的机器学习与深度学习方法，由于存在噪声、数据缺失以及复杂的特征相互作用问题，往往未能充分利用生化指标。这些模型将特征选择与超参数调优视为独立过程，从而限制了模型的整体性能。传统的沙猫群优化方法存在探索与利用转换过于生硬以及过早收敛的问题。为克服这些缺陷，本研究提出了一种改进的沙猫群优化框架。该框架在统一的优化过程中依次进行特征选择与超参数调优，并引入了随机逃避最差值更新机制。模型还采用了余弦调制搜索策略以增强探索能力，同时通过时间自适应的最佳解继承策略提升了利用效率与收敛稳定性。与酶相关的土壤属性被明确纳入优化过程，从而能够筛选出具有生物学意义的特征。此外，还通过基于相关性的过滤步骤去除冗余特征，提高预测一致性。最终，使用多种机器学习、深度学习及混合模型对优化后的特征子集进行了评估，以了解所提框架的预测性能。评估采用分层k折交叉验证方法，通过准确率、精确率、召回率及F1分数来衡量模型性能。实验结果表明，所提框架的性能始终优于传统的沙猫群优化方法。梯度提升模型的准确率最高，达到98.48%，其次是决策树与随机森林组合模型（98.38%）以及梯度提升模型与随机森林组合模型（98.28%）。此外，研究还开发了一种动态作物映射策略，根据预测的肥力水平与酶活性来判断作物的适宜种植区域，进而提升了该方法的实际应用价值。总体而言，所提框架提高了预测的准确性与时效性，为土壤肥力评估以及基于数据的作物推荐提供了有效的解决方案。