模糊坡位信息在精细土壤属性空间推测中的应用

坡位的空间渐变特征影响着小流域及坡面尺度上的土壤、水文、地貌等现象和过程,因此对精细尺度下的地理建模(如土壤空间信息推理)有重要作用。虽然目前已有多种模糊坡位信息定量提取方法,但所得到的模糊坡位信息还缺乏实际应用。本文以精细尺度下的土壤属性空间分布推测为例,对此展开探索。应用模型假设:(1)在小流域内,地形因素主导着土壤属性空间分布的变化;(2)典型坡位上对应分布着典型的土壤属性值,土壤属性与坡位之间存在协同变化关系。据此建立以模糊坡位信息对各类典型坡位上土壤样点属性值的加权平均模型,推测土壤属性的空间分布。模型应用于黑龙江省嫩江流域一个地形平缓的小区(面积约60 km²),通过一个以坡位典型位置作为原型的模糊坡位定量方法提取5类坡位(山脊、坡肩、背坡、坡脚、沟谷)的空间渐变信息,对土壤表层有机质含量的空间分布进行推测。推测结果通过研究区70个土壤采样点进行评价,以推测结果与评价样点集之间的相关系数、平均绝对误差、均方根误差作为定量评价指标,与使用常用地形属性的多元线性回归模型推测结果进行对比。评价结果表明,仅使用极少建模点的加权平均模型的推测结果优于多元线性回归模型的推测结果。     

基于典型点的目的性采样设计方法及其在土壤制图中的应用

鉴于经典采样和空间采样存在的局限性,提出了一种旨在寻找典型点的目的性采样设计方法。该方法通过分析与目标地理要素空间分布具有协同变化关系的环境因子,提取地理要素空间变化的典型模式,进而在典型模式上布设样点,即可获得典型点,从而减少所需样本量。以位于黑龙江鹤山农场的2个研究区为例,分别选择土壤厚度和表层有机质2个土壤属性,通过对土壤属性空间变化的4个协同环境因子进行模糊c均值聚类,获得对应土壤属性空间变化模式的环境因子组合;根据其模糊隶属度结果设计典型点并进行采样,最后结合典型点的属性值与环境因子组合模糊隶属度结果,采用加权平均模型得到土壤属性空间分布图,反映了土壤属性随地形变化的连续性分布。基于独立野外验证点,选择了4个评价指标对所得属性图进行定量评价。结果表明：2个研究区验证点集的预测值和观测值一致性指数均较高,可见本研究提出的方法是一种有效的样点布设方法。研究还对在每一环境组合类设计不同数量典型点所得土壤属性制图结果的差异进行了讨论,认为典型点增多并不一定能提高土壤属性空间推测的精度。     

基于分层策略和模糊推理的北方石质山区土壤厚度制图——以滦平县虎什哈流域为例

土壤厚度信息对土壤碳储量估算、水文-生态过程模拟等有着重要影响,但我国北方石质山区缺乏现势性好、分辨率高的土壤厚度分布数据及其快速获取方法。基于北方石质山区土壤厚度的分布特点,先将地貌信息和植被类型叠加生成制图单元,再根据每类单元的特征,针对性地选取地形参数和地表覆被参数作为指示土壤厚度空间分布的环境变量,结合少量土壤样点,依据模糊推理模型,构建了基于分层制图策略的土壤厚度空间推测方法。以河北省滦平县虎什哈流域为例,利用从ASTER GDEMs提取的地形变量和从我国环境减灾卫星影像(HJ-A)提取的地表覆被信息对土壤厚度进行了推测。结果表明,该方法精度较高,是利用免费地形和遥感数据进行低成本快速土壤制图的实用途径。     

坡位渐变信息的模糊推理

坡位的空间变化通常是渐变的,定量的坡位空间渐变信息对于精细尺度上的坡面土壤侵蚀、预测性土壤制图等应用具有重要意义。现有基于栅格DEM的坡位模糊识别方法,或是仅在属性域内模糊聚类,忽略了空间信息;或是需要繁琐的规则进行模糊分类,实用性受限。本文建立了一种基于相似度的模糊推理方法,根据各类坡位在空间上的典型位置,计算其他位置与典型位置间的相似度,从而对坡位空间渐变信息进行系统、定量的描述。应用表明本方法能够合理地描述山脊、坡肩、背坡、坡脚、沟谷等重要坡位类型的渐变信息,所获得的坡位渐变信息也能够合理地解释土壤样点的A层土壤含砂量随坡位渐变的变化趋势。     

基于地学信息的土壤属性高精度曲面建模

目前土壤属性的曲面建模面临两大问题,一是缺乏足够多的采样点进行模拟,二是采样点的土壤属性与环境变量间存在非线性关系。高精度曲面建模(HASM)方法在如何融合地学信息对土壤属性进行空间插值,尚需深入研究。本文提出高精度曲面建模与地学信息相结合的土壤属性空间插值方法(High accuracy surface modeling for soil properties, HASM-SP),分别基于研究区的土壤类型、土地利用类型和母岩类型,模拟了江西省典型红壤丘陵区土壤的速效磷(AP)、锂(Li)、pH、碱解氮(AN)、全钾(K) 和铬(Cr) 6 种土壤属性的空间分布。将HASM-SP与普通克立格(OK)、OK与地学信息相结合的方法(OK-Geo) 和分层克立格(SK) 相对比,结果表明：结合地学信息可以使插值方法(HASM-SP和OK-Geo) 模拟结果的平均误差更趋近于0;相对于其他3 种方法,HASM-SP具有较小的平均绝对误差和均方根误差。从模拟的空间分布图上来看,HASM-SP获得了由于地学要素类型突变导致的土壤属性空间变异的细节信息。因此,基于地学信息的土壤属性高精度曲面建模方法(HASM-SP) 与传统插值方法相比,不仅提高了土壤属性空间分布的模拟精度,还能更好地刻画突变边界处土壤属性的空间变异,使土壤属性分布图更好地符合地学规律和实际情况。HASM-SP的提出对于丰富土壤属性的高精度曲面建模理论具有重要意义,并为土壤管理、精准农业的实施以及区域环境规划等提供科学依据。     

中国表层土壤全氮的空间模拟分析

基于第二次全国土壤普查5336个典型土壤剖面数据,分析表土全氮(A层)与环境因素的相关关系,利用多元回归模型和HASM模型结合的方法模拟中国国家尺度上表层土壤全氮的空间分布格局。结果表明:对350个检验点模拟结果的平均绝对误差和平均相对误差为0.67g·kg^-1和61.06%,与普通克里格法相比分别降低了0.05g·kg^-1和17.53%;对样点分布较少的西北地区的模拟结果也更符合实际情况。多元回归模型和HASM模型结合的方法考虑了环境因素的影响,可作为目前模拟大尺度土壤性质空间分布相对有效的方法。     

橡胶园土壤养分精准管理合理取样数目的确定（英文）

实施合理的养分综合管理是提高橡胶树生产力的重要手段。养分精准管理的前提是详细了解橡胶园土壤属性空间分布特征。本文应用地统计学方法对海南典型丘陵区橡胶园土壤的全氮、有机质、速效磷和速效钾进行空间变异分析,结果表明在该尺度上橡胶园土壤养分属性均属于中等变异程度,但速效磷和速效钾的变异程度明显大于全氮和有机质。从土壤养分属性的空间分布特征来看,除了速效钾外,高程和修筑等高梯田明显影响橡胶园土壤性质的空间异质性。为了获得更好的取样精度,应沿着高程落差和垂直等高梯田方向上布置较多取样样点。应用克里格方法指导土壤属性的取样效率比传统统计学方法提高约2～5倍。     

土壤制图中多目标属性的环境因子及其尺度选择——以黑龙江鹤山农场为例

研究影响不同土壤属性空间分布的协同环境因子及其作用尺度,对于理解不同土壤属性的成土发展、土壤推测制图及针对多种土壤属性的空间采样设计具有重要意义。针对多种土壤属性,探索不同土壤属性的重要相关环境因子及其作用尺度,并就不同环境因子及其尺度的不同对土壤属性推测制图的影响展开研究。以黑龙江省鹤山农场为研究区,以表层砂粒、粉粒、黏粒、有机质含量和土壤厚度5种土壤属性为研究对象,根据计算邻域窗口大小的不同,生成173个不同尺度的地形因子,对单尺度地形因子和多尺度地形因子进行重要性排序,并根据重要性排序构建单尺度环境因子集1和多尺度环境因子集2,和基于专家知识选出的基准环境因子集3进行制图精度的对比。结果表明：当单尺度地形因子进行重要性排序选择时,所选出的5种土壤属性的重要相关环境因子与基准环境因子集3明显不同。当多尺度环境因子参与时,尽管对各土壤属性的作用尺度不同,各土壤属性排名靠前的因子绝大多数是基准环境因子。砂粒和粉粒的重要相关因子及作用尺度相当,但与黏粒的重要相关因子和作用尺度差别很大,有机质和土壤厚度的重要相关因子十分相似。环境因子集2较基准环境因子集3的制图精度显著提高,RMSE均值提高百分比为7.8%~21.3%,较环境因子集1的制图RMSE均值提高百分比为8.7%~16.5%。因此,针对不同的土壤属性进行制图或采样设计时,需充分考虑其环境因子和作用尺度的不同,针对基准环境因子选择适宜的尺度较选择不同的相关环境因子更重要。     

整合已有土壤样点的数字土壤制图补样方案

我国多数地区经过两次土壤普查以及科研工作者的野外调查, 积累了一定数量的土壤样点“( 已有样点”)。本文在充分整合已有样点的基础上, 提出了逐次、高效地设计补充样点的方案, 它包括3 个步骤:首先, 确定已有样点集的空间代表范围“( 可推测范围”);然后, 将已有样点集不能代表范围内的每一个栅格都看作一个候选样点, 计算每一个候选样点的可扩推范围, 选择可扩推范围最大的点作为第一个补充样点;最后, 基于已有样点和补充样点更新样点集的空间代表范围图。重复以上过程, 直至新样点集的空间代表范围能够覆盖整个研究区。该方法在充分利用已有样点资源的基础上, 不仅能够确定补充样点的数量、位置, 而且能够给定补充样点的重要性次序, 在采样资源有限的情况下, 为采样者合理地选择样点提供了重要依据。     

基于环境相关法的土壤属性空间分布特征研究——以黄土丘陵沟壑区小流域为例

在横山县朱家沟小流域采集111个样点,分析土壤属性与地形因子相互关系,进行空间预测分析。结果表明:土壤密度与复合地形指数CTI显著正相关,土壤有机质与复合地形指数CTI、汇流动力指数SPI、沉积物运移指数STI显著负相关,全磷只与坡度β显著负相关。多元线性逐步回归模型对于土壤密度和有机质拟合较好,而对于全磷,预测结果较差;回归-克里格预测有效地减小了残差,消除了平滑效应,预测极差更宽,对于局部的变异及地形、土地利用的关系体现更为细化,提高了预测精度。     

基于模糊聚类的新疆典型高寒草原土壤pH值空间制图

准确、高效地掌握草原土壤属性的空间分布能够为草地资源境管理提供基础信息和参考依据。相比于传统土壤调查方法,基于模糊逻辑的土壤—环境推理能够提高野外采样效率和预测制图精度,被广泛应用于数字土壤制图。但由于土壤自身的空间变异性及其与环境条件间的非线性,现有推理模型的稳定性较低,尚未在高寒草原区进行应用。选择新疆巴音布鲁克典型亚高山草原地区约4 km^2区域为研究区,以高程、坡度、坡向、沿剖面曲率、沿等高线曲率、地形湿度指数6个地形因子为土壤环境因子,采用模糊C均值聚类(Fuzzy C-means Clustering,FCM)方法对环境因子聚类,得到9个环境因子组合,并在隶属度值高的环境因子组合中心共设置18个典型点。运用土壤—环境推理方法模拟研究区表层土壤pH值空间分布,其变化范围在7.170~8.186之间。选取35个独立样本进行精度检验(均匀采样点16个,横截面采样点9个,垂直带采样点10个),模拟结果与实测值基本吻合,且基于模糊聚类和土壤—环境推理方法的模拟精度高于普通克里格法和反距离权重法。通过基于模糊逻辑和土壤—环境推理的数字土壤制图方法在小尺度区域的运用验证,结果表明基于典型点的采样方案能够快速、有效地对区域土壤属性进行空间模拟,该方法对于类似小尺度的研究区同样有效。     

黑土区土壤有机质和全氮含量遥感反演研究

以东北典型黑土区耕地为研究区,以Sentinel-2A（全球环境与安全监测计划的第二颗卫星,于2015年6月23日发射）影像作为数据源,构建光谱指数,分别采用多元逐步线性回归（Multiple Stepwise Linear Regression, MSLR）和随机森林（Random Forest, RF）算法建立土壤有机质（SOM）和土壤全氮（STN）预测模型,并采用十折交叉验证方法评估模型的性能。研究对比分析了不同气候、土壤类型和地形下土壤有机质和全氮的空间分布差异。研究表明：① 海伦示范区的SOM和STN含量最高,其年均温最低,高程最高,年降水量多,SOM含量升高,其年均温最低,年降水量多,STN含量升高;② 与基于多元逐步线性回归算法建立的SOM和STN预测模型相比,随机森林算法建立的SOM和STN预测模型,有着更高的精度和稳定性;③ 运用RF算法建立的SOM反演模型的R²为0.96,均方根误差为5.49 g/kg,STN反演模型的R²为0.95,均方根误差为0.27 g/kg; ④ 不同示范区统一建立SOM和STN预测模型,有助于提高预测精度,实现跨区域建模与制图。     

Soil depth estimation through soil-landscape modelling using regression kriging in a Himalayan terrain

Soil formation depends upon several factors such as parent material, soil biota, topography and climate. It is difficult to use conventional soil survey methods for mapping the depth of soil in complex mountainous terrains. In this context, the present study aimed to estimate the soil depth for a large area (330.35 km²) using different geo-environmental factors through a soil-landscape regression kriging (RK) model in the Darjeeling Himalayas. RK with seven predictor variables such as elevation, slope, aspect, general curvature, topographic wetness index, distance from the streams and land use, was used to estimate the soil depth. While topographic parameters were derived from an 8-m resolution digital elevation model, the ortho-rectified Cartosat-1 satellite image was used to prepare the land use map. Soil depth measured at 148 sites within the study area was used to calibrate and validate the RK model. The result showed that the RK model with the seven predictors could explain 67% spatial variability of soil depth with a prediction variance between 0.23 and 0.42 m at the test site. In the regression analysis, land use (0.133) and slope (–0.016) were identified as significant determinants of soil depth. The prediction map showed higher soil depth in south-facing slopes and near valleys in comparison to other areas. Mean, mean absolute and root mean-square errors were used to access the reliability of the prediction, which indicated a goodness-of-fit of the RK model.     

Classification of Soil Groups Using Weights-of-Evidence-Method and RBFLN-Neural Nets

Weights-of-Evidence (WofE) and Radial Basis Function Link Net (RBFLN) were applied to soil group mapping in eastern Finland. The data consisted of low altitude airborne geophysical measurements, Landsat 5 TM-satellite image, and digital elevation model (DEM) and slope information derived from it. Probability maps were constructed for each soil group one by one and combined into a prediction map of soil groups using maximum posterior probability (WofE) or pattern membership (RBFLN). Self-Organizing Map (SOM) and Sammon’s Mapping were applied for selecting the data sets for modeling and visualizing the data. The soil types belonging to each soil group used in the Arc-SDM modeling were defined by clusters revealed by the SOM and Sammon’s Mapping algorithms. The soil types with similar characters were collected in the same cluster. Numerical evaluation of the models’ performance was performed using the confusion matrix. The Ratio of Correct Classifications (RCC) for the best WofE model was 0.64 in the training area and 0.61 in the testing area. The RCC for the best RBFLN model was 0.62. Modeling of soil groups using Arc-SDM is time consuming because models need to be constructed for each soil group before combining them into a final prediction map. In this study a simple method was tested for combining the maps. In the future, more attention should be paid to combining the posterior probability models and also to selecting data sets used for modeling.     

莱州湾海岸带土壤光谱分析与有机质反演研究

利用土壤光谱反射率预测海岸带典型土壤有机质含量。对莱州湾海岸带典型地区97个土壤样本的光谱反射率特性进行分析,把光谱曲线划分为4个区域,提取每个区域的代表性特征参数,与土壤有机质含量进行相关性分析,最终选用458～587.1nm区间的挠度(相关系数达0.87)作为自变量进行模型回归,并利用均方根误差(RMSE)和预测残差(RPD)进行模型检验与评价。结果表明,以458～587.1nm区间的挠度作为自变量建立的对数函数预测模型具有较高的精度和稳定性,经验证计算出其RMSE为0.39,RPD为2.5,该模型应用效果较好。     

基于PI指数模型的南方典型红壤丘陵区稻田土壤肥力评价

通过田间采样和室内分析的方法,对南方典型红壤丘陵区稻田土壤44个样品进行检测分析,以pH、有机质、全氮、碱解氮、有效磷、速效钾为评判指标,运用PI指数模型法对水稻土的肥力质量进行综合评价,探讨该区域的土壤养分肥力水平以及水稻产量与土壤肥力的关系。研究结果表明:(1) 本实验区水稻土有机质含量丰富,供氮能力较高,土壤为弱酸性与中性土壤,较适合水稻生长,但其供磷与供钾水平相对较低。(2) 各样品肥力指数与实际产量之间的相关系数为0.736^**,即水稻产量对土壤肥力呈极显著正相关关系。     

Estimation of Areal Soil Moisture by use of Terrain Data

In this study measured soil moisture is related to primary and secondary topographical attributes within two small-scale drainage basins. The study sites are the Buddby and the Dansarhllarna drainage basins within the NOPEX area. The primary topographic attributes slope, aspect, plan and profile curvature, and the secondary topographic attribute, the wetness index, are derived from a 5 m resolution digital elevation model. The relationship with measured soil moisture in the Buddby basin is investigated by linear regression analysis. Based on mean plot measurements for the whole measurement period two different models were established, resulting in a high R ² value. The best model was achieved with slope, profile curvature and aspect as regression variables. The models obtained were further used to regionalise the results into basin scale at both Buddby and Dansarhällarna. This demonstrated a soil moisture pattern different from the pattern resulting from the wetness index. Finally, models were established, based on two different dates of field campaigns. The results showed a good agreement with the observed soil moisture values, and a higher R ² value was obtained when using the wetness index for the medium wet period compared to the wettest period. Further analysis is needed to verify the physical significance of the results and their suitability for hydrological modelling.     

基于定性和定量辅助变量的土壤有机质空间分布预测——以四川三台县为例

准确获取土壤性质的空间分布信息,是区域土壤资源优化利用和土壤环境保护的需要。以川中丘陵区三台县为案例区,运用人工神经网络模型,构建融合区域定性及定量辅助变量的空间预测方法,模拟三台县土壤有机质的空间分布格局。结果表明,研究区土壤有机质在4.20~47.60 g kg^-1之间,平均为17.97 g kg^-1;变异系数为36.89%,属中等程度变异。土壤有机质的块金值与基台值之比为0.742,变程为7.0 km,即空间自相关性较弱。不同土壤类型间有机质含量差异显著;土属的空间分布较土类能更好地揭示研究区土壤有机质含量空间分布格局的差异。除土壤类型因素的影响外,坡度、地形湿度及植被盖度是研究区土壤有机质空间变异的主要因子。融合土壤类型因素和地形植被因子的神经网络模型预测结果,比普通克里格法、回归克里格法以及神经网络结合普通克里格的方法,更符合研究区地学规律和实际情况;其预测结果的平均绝对误差、平均相对误差和均方根误差较其他3种方法均降低幅度显著。同时,该方法对极值有较好的预测能力。研究为复杂环境条件下准确获取区域土壤性质的空间分布信息提供了较可行的方法。     

基于土壤水分和气象要素的林火预报研究——以广东省为例

基于国内现行的森林火险气象指数和单因子火险贡献度模型,以及逻辑回归模型和随机森林模型,在林火预报中引入微波遥感土壤水分信息,使用MCD14DL火点数据集和地面气象观测资料对广东省不同时间尺度的林火发生概率进行预测。结果表明：逻辑回归模型和随机森林模型构建的林火预测模型显著优于现行的森林火险气象指数和单因子火险贡献度模型,预测精度提升约20%。其中,随机森林模型对林火频数的解释程度最高（两者相关系数为0.476）。此外,加入微波土壤水分信息后,相较原有的基于气象要素的林火预测模型,2种机器学习模型的预测精度均略有提升,体现了表层土壤水分信息在林火预报中的重要性。研究可为高效提取对地观测信息,以改进华南地区不同时间尺度的林火预报工作提供参考。