福州市农田土壤养分空间变异特征

研究农田土壤养分空间分布特征及变异规律,分析地形因子对土壤养分空间分布的影响,对土壤养分的有效利用与管理具有重要意义。本文采用GIS和地统计学相结合的方法,揭示东南丘陵区福州市农田土壤养分（有机质、碱解氮、有效磷和速效钾）的空间分布特征和变异规律,并进一步探讨土壤养分含量与地形因子（地形起伏度、高程、地形湿度指数、沉积运输指数和坡度）之间的相关性。结果表明：福州市农田有机质、碱解氮、有效磷和速效钾含量范围分别为1.10~89.5 g/kg、 1.00~461 mg/kg、0.300~298 mg/kg、和4.00~399 mg/kg,其变异系数范围为35.3%~99.0%,均属于中等变异水平;区域内耕地土壤养分存在明显的空间丰缺差异,大部分地区有机质和有效磷含量较为丰富,碱解氮含量处于中等偏上水平,速效钾含量相对较低;有机质、碱解氮、有效磷和速效钾的块金系数分别为32.0%、37.3%、50.0%和50.0%,均呈中等强度空间自相关,表明同时受到结构和随机因素控制;有机质和碱解氮空间自相关尺度较大,且在步长小于0.3 km时,各方向（0°、45°、90°和135°）变化平稳,为各向同性,而有效磷和速效钾变程较小,且各方向变化较复杂,为各向异性。这些结果表明,政府需加强施肥指导,保持氮肥施用量的同时,合理增加钾肥,适当降低有机肥和磷肥施用。此外,在后续调查采样时,样点布设要考虑密度和方向性,适当加密有效磷和速效钾的采样,而有机质和碱解氮采样可以在此基础上适当减少样点。     

江浙典型茶园土壤有机质空间异质性分析

茶园土壤有机质分布有明显的空间性,如何凭借有限的采样点数据预测研究区的有机质分布,对了解茶叶种植区土壤状况、指导茶园经营管理、提高茶叶品质和产量有重要意义。本文对江浙4种名茶种植区,利用描述性统计,以及地统计学中的半方差函数模型、空间插值等方法对比分析了茶园土壤有机质的空间异质性。研究结果表明:(1)4个研究区的土壤有机质平均水平均较高,适合茶叶生长,且浙江省2个茶叶种植区的有机质平均水平高于江苏省2个茶叶种植区的有机质水平;(2)半方差函数模型拟合表明,溪龙乡种植区有机质含量表现出中等空间相关性,而其他3个种植区表现出强烈的空间相关性;(3)各种植区土壤有机质的空间分布以结构性因子(土壤理化性质、地形地貌)为基础,受人类活动、经营模式、茶园管理等随机性因子影响,整体趋势上表现出局部变异的特征。     

稀疏格网样点的国家尺度土壤属性制图方法与应用

 国家尺度土壤属性数据是地球生物化学循环及水循环等领域研究的重要数据,目前,该尺度土壤属性数据的获取方法主要有两类:土壤属性-空间数据连接法和空间插值。为了确定哪一类方法更适合稀疏样点的国家尺度土壤属性制图,本文以中国吉林省的土壤有机质含量制图为例,采用8~32km格网样点和1∶100万土壤图,对这两类方法进行对比分析。独立样本验证结果表明,土壤属性-空间数据连接法的平均误差(ME)大于距离反比加权(IDW)插值,而平均绝对误差(MAE)和均方根误差(RMSE)都小于IDW插值。IDW插值获得的土壤属性图虽然能大致反映土壤属性空间分布的基本规律,但出现了类似"牛眼睛"的空间结构,且存在无样点区估计值不准确等问题;土壤属性-空间数据连接法尽管忽略了同种土壤类型内部的差异,保留了不同土壤类型边界处的属性值突变,但获得的土壤属性图更能反映土壤属性分布的基本规律,也具有比较详细的土壤属性空间结构。因此,在基于稀疏样点的国家尺度土壤属性制图中,土壤属性-空间数据连接法的制图效果要优于IDW空间插值法。     

克里格法的土壤水分遥感尺度转换

 尺度效应往往会制约着定量遥感反演的精度,对地学信息进行空间尺度转换是生产实践的必然要求,而常用的尺度转换模型多利用光谱数据进行差值计算,不适合升尺度和降尺度转换。由于土壤含水量数据具有区域变化量的随机性和结构性特点,本文以15m分辨率的ASTER图像像元为基本单元,采用点克里格法完成ASTER 15m至7.5m分辨率的土壤含水量数据降尺度转换,从分维数的相似程度上来看,转换结果是合理的;并利用块状克里格法对地面实测样点数据进行点到7.5m分辨率的面数据升尺度转换,将升尺度和降尺度转换结果与实测样点均值相比较,结果表明:7.5m分辨率的实测样点土壤水均值误差在1.5782-5.019之间,块状克里格法获取的升尺度土壤含水量数据与点克里格法获取的降尺度土壤含水量数据之间误差则为1.2825-5.0481,可见克里格法考虑了点与周边的关系,所获得的土壤含水量值要优于未考虑空间异质性的土壤含水量平均值。     

基岩露头采样密度对黄土古地形重建的影响

下伏古地形对黄土地貌的形成、演化与发育具有重要的控制作用。基于下伏地层露头的采样数据,通过空间插值方法进行古地形数字模型(DEM)重建是研究黄土地貌的重要方法。其中,采样点密度是下伏地形DEM重建精度的主要影响因子。本文以1:20万绥德幅地质图所涉及区域为实验样区,研究采样点密度及样条函数方法对下伏古地形重建精度的影响。实验结果表明,在高密度样本条件下,采用规则样条插值方法进行古地形重建时,插值结果呈现显著的“龙格现象”,即多项式插值结果出现剧烈波动现象,且随着样本密度增加,样条插值结果的误差呈逐步趋缓的降低趋势,并逐步趋于稳定。同时,基于古地形DEM提取的特征点,其局部最高点和局部最低点的数目呈直线上升趋势,说明在一定程度上基于有限数据采用样条函数进行地下三维建模并不一定能获得平滑曲面。研究结果对如何选择合理的空间采样密度进行古地形DEM重建具有重要的指导意义。     

水稻土有机碳密度的空间预测分析——以浙江省长兴县为例

准确预测未采样区域SOC密度,是研究SOC演变趋势和探索土壤固碳作用对缓解全球气候变化的基础。采用泛克里格法(Universal Kriging,UK)和土壤类型法(pedological professional knowledge-based method,PKB),分别对长兴县水稻土有机碳密度进行了预测,其中,UK直接以长兴水稻土剖面资料为源数据、PKB以长兴水稻土剖面数据和长兴1∶5万数字土壤图为源数据进行预测。根据平均绝对误差(MAE)及均方根误差(RMSE)大小,评价了两种方法在县域尺度土壤有机碳密度空间预测效果。结果表明:UK的MAE(31.2)、RMSE(52.5)均大于PKB的MAE(24.7)、RMSE(43.1),说明PKB法的预测效果较好,UK法相对较差。研究表明,对土壤类型、土壤母质,以及剖面点位置等信息的综合考虑能使PKB法更好地表达土壤属性的空间特征,也更适于县域尺度土壤有机碳密度的空间预测。     

考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律

对于滑坡易发性预测中的水系、公路和断层等线状环境因子, 现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量, 带有大小不等的随机波动性且对点或线要素的误差较为敏感, 导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例, 选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子), 再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子); 之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型, 分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性; 最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明: ①改进因子机器学习预测精度均高于原始因子机器学习模型, 表明空间密度对于易发性预测的适宜性更好; ②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好, 其次是SVM、MLP和LR; ③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。      

面向稀疏散布数据集的时空Kriging优化

时空Kriging法通过将变异函数向时空域进行扩展得到时空变异函数,有效地利用时空邻近的采样点综合进行插值,由于时空稀疏散布数据集具有单一时刻下样本点数量少以及时空分布不规律的特点,难以满足使用时空Kriging插值法的基本条件,导致插值精度不高,据此本文提出了优化方法：通过多时段叠置拟合空间变异函数的方法,综合利用时空邻域内的采样点以解决单一时刻下空间邻域内数量不足情况;控制时间变异对空间变异函数拟合的误差影响;采用积合式模型构建时空变异函数进行插值。最后使用Argo海温数据进行插值实验,在相同条件下与时空Kriging法以及时空权重法的交叉验证结果对比得出,该方法在保证拟合所需采样点数量要求的同时,有效削减了一般时空Kriging法中时间变异对空间变异函数拟合结果的干扰,插值结果的绝对误差均值从0.5降低至0.2以内,稳定性进一步增强,改善了时空Kriging法在稀疏散布数据条件下精度上的不足。     

基于厦门港的海上交通事故地理空间分布及风险预测研究

利用海上交通事故空间分布特征进行安全分析是海上交通安全管理的重要组成部分。本文使用厦门港2008—2020年的海上交通事故数据,经过事故数据空间分布特征提取、分析及预测等流程,最终得到厦门水域海上交通事故潜在危险区域。本文首先使用原始事故数据在GIS软件中进行空间定位,形成事故点的可视化空间分布图,然后使用核密度分析法鉴别海上交通事故多发区域,再利用空间自相关分析法,得到该区域事故空间的分布特征和具体的聚集点,最后使用该分布特征、对目标水域数据进行标准化网格切分,并利用机器学习算法对潜在事故风险区域进行预测。本文在核密度分析结果中发现：就事故频度而言,厦门湾和西海域交通事故频度较高。在空间自相关分析的结果中表明：就空间分布特征而言,厦门港的空间分布出现聚集特征且为空间正相关模式,且就事故具体的空间聚集点而言,厦门湾和西海域仍是事故高发的中心区域。而最后的厦门湾及周边水域风险预测模型显示：潜在事故风险区域多位于沿海和河口交汇区域。本文研究结果表明在基于地理空间数据分布特征提取和网格化分析的基础上,结合机器学习方法（随机森林）,对于海上交通事故的预测具有良好的效果。     

基于机器学习的滑坡易发性预测建模及其主控因子识别

不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异, 另外如何有效识别滑坡易发性的主控因子意义重大。针对上述问题, 以支持向量机(support vector machine, 简称SVM)和随机森林(random forest, 简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性, 创新地提出了"权重均值法"来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子, 将因子频率比值作为SVM和RF的输入变量; 再将滑坡与随机选择的非滑坡样本划分为训练集和测试集, 用训练好的机器学习预测出滑坡易发性并制图; 最后用受试者工作曲线、均值和标准差等来评估建模不确定性, 并计算滑坡主控因子。结果表明: ①机器学习能有效预测出区域滑坡易发性, RF预测的滑坡易发性精度高于SVM, 而其不确定性低于SVM, 但两者的易发性分布规律整体相似; ②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。      

基于广义回归神经网络的GPS高程转换

为提高GPS高程转换的精度,采用广义回归神经网络(GRNN)进行拟合。将控制点的X、Y坐标作为网络输入,高程异常作为网络输出,采用实验数据训练网络,训练完成的网络作为模型进行高程异常预测。结果表明,GRNN方法具有较高的GPS转换精度。     

结合TRMM数据的区域降水高精度曲面建模研究

高精度曲面建模方法（High Accuracy Surface Modeling, HASM）,从理论上解决了传统方法在插值过程中峰值削平和边界震荡等问题。其模拟精度相对于经典插值方法有很大提高,已成功应用于人口密度、土壤属性,以及气候要素等领域的空间制图。然而,由于地面气象站点数量和分布的限制,使得HASM仅依靠站点数据难以得到高精度的空间降水估计数据,因此,本文以地貌与气候类型复杂多样的我国中西部地区2010年年降水量空间分布模拟为例,采用混合插值法进行HASM区域降水模拟。结果表明,TRMM作为背景场的HASM模拟的年降水量精度,在全局和局部明显优于IDW、Spline和Kriging等经典插值方法的结果,作为背景场的HASM模拟精度,MAE和RMSE分别为125.15 mm和155.80 mm,其他方法最好的模拟结果比其误差值分别高出53.6%和54.5%;其模拟误差在不同子区域都较小;各种方法在平原的精度都高于山区的精度。     

日降水量的空间插值方法与应用对比分析——以深圳市为例

综合分析了四种空间插值方法,即距离权重倒数法、局部多项式法、普通克里金法和考虑海拔的协克里金法的特点,并以深圳市36个雨量站2006年雨季27天的日累计降水量数据为实例进行了研究和验证,采用交叉检验的方法对插值结果进行比较。研究表明,四种方法均能反映降水总体情况,但插值曲面相对真实曲面较平滑,距离权重倒数法的插值曲面最为平滑;多项指标比较显示,克里金法优于距离权重倒数法和局部多项式法。与普通克里金法相比,考虑海拔的协克里金法对插值精度没有明显提高。依照雨量站海拔、日均降水量分别对插值结果数据分组统计比较表明,海拔高的雨量站插值结果普遍大于实测结果,海拔低的雨量站则相反;日均降水量较大时(>50mm),插值误差明显增大。     

全球36 km格网土壤水分逐日估算

土壤水分是陆面生态系统和能量循环的核心变量之一,利用微波遥感技术获得的土壤水分产品的时间分辨率一般是2-3 d,因此精确地获得具有较高时间分辨率的土壤水分成了人们关注的焦点。本文尝试将SMAP (the Soil Moisture Passive and Active）土壤水分和MODIS光学数据相结合,利用广义回归神经网络进行全球36 km土壤水分的估算,提升SMAP土壤水分的时间分辨率。结果显示,广义回归神经网络估算土壤水分与SMAP保持了高相关性(r = 0.7528),但其却保留了较高的误差 (rmse = 0.0914 m³/m³)。尽管如此,估算的土壤水分能够很好地保持SMAP土壤水分的整体空间变化,并且提升了土壤水分的时间分辨率（1 d）。此处,本文研究了SMAP土壤水分与MODIS光学数据之间的关系,这对今后利用机器学习进行SMAP土壤水分降尺度研究提供了重要的参考价值。     

Storage and density of soil organic carbon in urban topsoil of hilly cities: A case study of Chongqing Municipality of China

Rapid urbanization results in the conversion of natural soil to urban soil,and consequently,the storage and density of the soil carbon pools change.Taking Chongqing Municipality of China as a study case,this investigation attempts to better understand soil carbon pools in hilly cities.First,the vegetated areas in the study area were derived from QuickBird images.Then,topsoil data from 220 soil samples(0-20 cm) in the vegetated areas were collected and their soil organic carbon(SOC) densities were analyzed.Using the Kriging interpolation method,the spatial pattern of SOC was estimated.The results show that the SOC density exhibited high spatial variability in the urban topsoil of Chongqing.First,the SOC density in topsoil decreased according to slope in the order 2°-6° < 25°-90° < 0°-2° < 6°-15° < 15°-25°.Second,the newly developed areas during 2001-2010 had a lower SOC density than the areas built before 1988.Third,urban parks and gardens had a higher SOC density in topsoil,residential green land followed,and scattered street green land ranked last.For hilly cities,the variability of terrain affects the distribution of SOC.The Kriging results indicate that Kriging method combining slope with SOC density produced a high level of accuracy.The Kriging results show that the SOC density to the north of the Jialing River was higher than the south.The vegetated areas were estimated to amount to 73.5 km2 across the study area with an SOC storage of 0.192 Tg and an average density of 2.61 kg/m2.     

机载LiDAR点云密度和插值方法对DEM及地表粗糙度精度影响分析

机载LiDAR点云是获取高质量数字高程模型（Digital Elevation Model, DEM）的主要数据源，而地表粗糙度作为DEM的主要派生产品，在地学研究中发挥了重要作用，但点云密度和插值方法对DEM及地表粗糙度精度影响程度并没有明确结论。为此，本文利用不同地形条件下的林区机载LiDAR点云为实验对象，将原始点云随机缩减为不同的采样密度，利用5种常用插值方法（克里金（Ordinary Kriging, OK），径向基函数（Radial Basis Function, RBF），不规则三角网（Triangulated Irregular Network, TIN），自然邻域（Natural Neighbor, NN）和反距离加权（Inverse Distance Weighting, IDW））构建各个测区不同采样密度条件下的DEM，并通过空间特征和统计特征两方面对DEM及其地表粗糙度精度分析。结果表明：① DEM插值算法的精度随点云密度缩减而降低，且数据量缩减至原始数据量的30%后，不同算法精度区别较为明显，其中，RBF和OK精度最优，IDW精度最低；② DEM误差与地表粗糙度存在正相关，随数据密度降低，OK、RBF、IDW所得粗糙度与DEM误差的相关系数均降低，与TIN和NN的相关系数先降低后在30%处升高；③ 从插值生成的DEM中提取地表粗糙度，其误差随数据密度缩减而增大，其中IDW所得粗糙度的精度在密度为90%和70%时最高，而数据密度缩减至50%后，RBF能够更准确地捕捉到地形变化。     

顾及数据配准的江西省SRTM DEM精度评价和修正

目前,ICESat/GLAS是大尺度SRTM DEM精度评价的主要数据源。然而,现有的精度评价方法均忽略了2组数据的有效配准。为此,本文分析了数据配准前、后SRTM DEM整体精度差异,以及不同地形因子和土地利用类型对SRTM DEM影响程度。在此基础上,充分考虑SRTM DEM精度影响因素,分别借助多元线性回归（MLR）、后向传播神经网络（BPNN）、广义回归神经网络（GRNN）以及随机森林（RF）对SRTM DEM修正。结果分析表明：配准前,ICESat/GLAS与SRTM DEM沿x、y方向的平均水平位移分别为-17.588 m、-29.343 m,高程方向系统偏差为-2.107 m;配准后,SRTM DEM的系统误差基本消除,而且中误差降低了14.4%。配准前,坡向与SRTM DEM误差呈正弦函数关系,配准后这种关系基本消失。SRTM DEM误差均随地形起伏度、坡度、高程的增加呈增大趋势; 6种土地利用类型中,SRTM DEM在林地误差最大,未利用土地误差最小。对配准后SRTM DEM修正表明,RF效果最优,其中误差分别比MLR、BPNN、GRNN降低了3.1%、2.7%、11.3%。     

��С������������ͨKriging���ıȽ�

?????????????????????????????????С???????ú????Kriging????????????????????????÷??????Kriging??????????????????????????μ??????????????????1??????????????????￡?????????????Kriging???????????????÷??????????????￡?????????????÷??????????????Kriging????????2????:???????????????У????Kriging??????????Ч?????????