基于遥感影像和决策树算法的土壤制图

传统土壤信息获取方法已经无法完全满足当前各领域对土壤数据的需求,如何结合新的技术提高土壤普查效率,获取高精度土壤图成为了现阶段的研究重点。本研究综合利用高分二号遥感影像提取的遥感光谱指数以及DEM数据提取的地形因子,通过决策树算法进行数据挖掘,获取各土壤类型的土壤—环境规则,然后利用SoLIM结合土壤—环境规则进行推理制图,获得研究区的土壤类型分布图。结果表明,预测土壤图总体精度为88%,高于传统土壤图的精度72%,且在三种不同的采样方式(均匀采样、横截面采样和主观采样)下土壤预测精度分别为89%、88%、86%,均高于传统土壤图。这说明,预测土壤图比传统土壤图更能反映土壤类型空间差异,且预测土壤图在表达土壤类型整体空间分布信息的同时也可捕捉到土壤类型与地貌类型的耦合关系。     

基于土壤-环境关系的更新传统土壤图研究

传统土壤图是流域管理、生态水文模型所需土壤空间分布信息的主要数据源。然而,受传统制图技术和基础数据质量所限,传统土壤图的空间详细度和属性精确度并不高。随着地理信息技术的发展,如何利用可获取的高质量空间数据和现代空间分析技术来更新传统土壤图显得十分必要。基于传统土壤图中的土壤多边形与通过模糊聚类所得环境因子组合之间存在着对应关系这一假设,本文提出了一种从传统土壤图中提取土壤-环境关系知识并利用该知识更新传统土壤图的方法。该方法包括四个步骤:对环境数据进行模糊c均值聚类获取环境因子组合;利用传统土壤图建立环境因子组合与土壤类型间的对应关系;提取土壤-环境关系知识;进行土壤推理制图。将该方法应用于加拿大New B runsw ick省的W akefield研究区,以更新该区现有的1∶20 000的传统土壤图。应用结果表明:更新后的数字土壤图显示了更详细的空间分布信息;经野外独立验证点验证,所得土壤图(制图单元为土壤组合-排水等级)精度高出原土壤图约20%。因此,该方法是一种有效的更新传统土壤图的方法,可增加土壤图的空间详细度、提高土壤图的属性精确度。     

基于不确定性模型的土壤——环境关系知识获取方法的研究

土壤与环境关系知识的获取是精细数字土壤制图的关键,如何快速准确地获取该知识成为现阶段研究的重点。以湖北省黄冈市红安县华家河镇为例,利用土壤—环境推理模型(Soil-Land Inference Model,So LIM)得到土壤类型的夸大和忽略不确定性分布图,依据不确定性分布图在可信度高的位置重新采集样点,对样点进行数据挖掘,获取环境因子组合,建立其与土壤类型的对应关系。结合原始规则,生成新的土壤—环境关系知识,并将其用于土壤推理制图,获得新的土壤类型分布,利用253个野外独立样点进行精度验证。结果表明:推理土壤图显示了更加详细的空间分布信息,经野外验证点验证,总体精度为86.9%,高于原土壤图精度约13%。因此,利用不确定性模型重新获取土壤—环境关系知识的方法是可行且有效的,该方法不仅增加了土壤图的空间详细度,而且提高了土壤图的精确度。     

基于多时相遥感影像和随机森林算法的土壤制图

获取准确的土壤-环境关系是数字土壤制图的关键,目前遥感影像已作为环境因子应用于土壤-环境知识的建立过程,但单幅遥感影像所包含的光谱信息差异难以将不同土壤类型区分开来。因此本文提出了一种基于多时相遥感影像的土壤制图方法：选取红安县滠水河流域为研究区,以母质类型图、等高线数据和多时相哨兵二号遥感影像为基础,提取与土壤形成有关的环境因子,通过随机森林算法获取土壤-环境关系,预测研究区各土壤类型的空间分布并成图,利用野外实地分层采样点验证推理图的精度。结果表明：推理土壤图总体分类精度高达86%,与原始土壤图对比,各土壤类型的空间分布具有一定相似性,展现了更为详细的空间细节信息,该研究成果可为更新土壤图工作提供新方法。     

应用模糊c均值聚类获取土壤制图所需土壤-环境关系知识的方法研究

在没有土壤普查专家及土壤图的地区,获取土壤环境间关系的知识是基于知识进行预测性土壤制图中的关键问题。本文建立了一套应用模糊c均值聚类(Fuzzyc-means,FCM)获取土壤环境间关系知识的方法:得到对土壤形成发展具有重要作用的环境因子,建立环境因子数据库;对环境因子进行模糊聚类,得到环境因子组合隶属度分布图;根据隶属度值确定野外采样点;将环境因子组合与土壤类型对应,进而提取土壤-环境关系知识。为检验该方法的有效性,应用所得知识进行土壤制图,通过独立采样点对土壤图进行精度评价。本文在黑龙江鹤山农场一个研究区的应用结果表明,该方法仅需要少量的野外采样即可获得有效的土壤-环境关系知识,为预测性土壤制图提供必需的依据,同时也显著提高了野外采样的效率。     

应用基于PLSR的土壤-环境模型预测土壤属性

土壤-环境模型对于正确理解土壤属性与环境因子间的关系,以及进行土壤属性预测与制图均具有重要的意义。研究区位于陕西省长武县内多年退耕还林还草沟壑区域,采集72个土壤表层样本,选择3/4的样本作为建模集,其余1/4的样本作为验证集;环境因子选择容易获取的地形因子和由遥感影像提取的植被因子和湿度因子,建立基于偏最小二乘回归(PLSR)的土壤-环境模型。结果表明:全氮、速效钾、全钾、有机质与环境因子间均有显著相关性;建立的PLSR模型可解释土壤属性的空间变异从23%(全氮)到27%(全钾);与逐步回归方法构建的模型相比,利用PLSR构建的土壤-环境模型可以更好地表征土壤属性与环境变量间的关系,拟合精度和预测精度也相对较高,说明PLSR建立的模型可以更好地应用于相似区域的土壤属性预测。     

土壤图更新中基于土壤类型面积分级的训练样点选择方法

基于数据挖掘模型的土壤图更新是一项重要的研究。数据挖掘模型构建中训练样点的质量不仅决定其对研究区土壤-环境关系表达的充分程度,而且会对推理制图的结果产生至关重要的影响。本文提出一种基于土壤类型面积分级的典型训练样点选择方法,即依据土壤面积对土壤类型分级,并按照等级之间的比例关系基于典型点选择训练样点。将方法应用于更新美国威斯康星州Raffelson流域的传统土壤图,并与另外两种训练样点选择方法对比,以验证该方法的有效性。结果表明,500次重复实验中,本研究方法与另外两种训练样点选择方法相比,能够更新传统土壤图的比例分别为79.5%、71.8%和63.6%,而且其推理制图结果更符合研究区土壤分布的特征。本研究所提方法是一种有效的训练样点选择方法。     

基于人工神经网络的土壤颗粒组成制图

以浙江西苕溪流域为研究区,综合考虑地形和土壤类型等信息,采集典型土壤样本,测定土壤颗粒组成,并基于土壤颗粒组成与景观位置和特征之间的关系,利用径向基函数(RBF)神经网络建立了高程、坡度、平面曲率、剖面曲率、径流强度系数和地形湿度指数6个地形因子与土壤颗粒组成之间的非线性映射关系,预测土壤颗粒组成的空间分布。验证结果表明,RBF神经网络方法能够挖掘出地形因子信息与土壤颗粒组成之间的非线性映射关系,其预测精度较高,模型稳定性较好,是一种低成本、高效率的制图方法。     

基于特征筛选算法的数字土壤制图研究

平缓地带数字土壤制图中，环境协变量的选择是提高制图精度的关键。已有研究证明遥感影像可作为推理制图的辅助因子，而如何确定环境因子推理制图时各自的权重已成为现阶段研究的重点。选取湖北省麻城市乘马岗镇为研究区，采用3种特征筛选方法进行有效环境变量筛选，探索参与平原-丘陵混合区域制图的因子并确定其重要性，依据选择的相对稳定的指标，进一步探索提高土壤类型制图准确性的途径。根据141个野外独立样点的检验结果表明：在推理制图中，遥感因子在平原区域的重要性程度高于丘陵区域，且遥感因子中归一化植被指数(NDVI)和均值(Mean)较为稳定；基于递归特征算法的按地形推理制图精度最高为75.89%，分别高于ReliefF算法和基于Tree的特征筛选算法13.48%和4.97%；此外3种特征筛选算法制图结果中，按地形因子分区制图的精度均高于整体区域制图。因此，遥感因子作为辅助手段参与推理过程可有效提高制图精度。本研究采用的特征挖掘与机器学习算法对提升土壤制图精度具有一定的理论意义。     

中尺度土壤预测制图中地形变量提取的适宜分辨率探讨

地形变量是土壤预测制图中重要的预测变量之一,为了满足中尺度土壤预测制图的精度要求,又能够减少数据的冗余,需要选择合适分辨率范围的地形变量。基于ASTER GDEM数据,对不同地形起伏状况的3个样区,通过重采样得到30 m、60 m、90 m、120 m、150 m共5组不同分辨率的DEM数据,分别选取土壤预测制图中常用的高程、坡度、平面曲率和剖面曲率4组地形变量,通过地形信息熵、局部方差均值以及比例尺和空间分辨率的关系,选取巢湖流域用于土壤预测制图的地形变量提取的适宜分辨率范围。研究表明:对于特定比例尺的土壤预测制图,地形变量的提取需要综合考虑两个因素:一是土壤预测制图的比例尺,二是地形变量提取的分辨率。中尺度土壤预测制图地形变量提取的适宜分辨率为30m,既能保留有实际意义的地形信息,又能满足土壤预测制图的精度要求。     

基于GIS、模糊逻辑和专家知识的土壤制图及其在中国应用前景

详细的土壤空间与属性的信息已成为环境模型和土地管理的基本参数,传统的以类别多边形和手工编制为基础的传统土壤制图效率低精度也较差。本文基于GIS、模糊逻辑和专家知识,建立了土壤一环境推理模型(SoLIM),通过基于土壤一环境关系模型的土壤相似度模型与对该模型进行赋值的推理技术来编制土壤图,从而克服了传统土壤制图中的简化。通过两个小区的研究表明,与传统土壤制图相比,通过SoLIM得出的土壤信息在空间详细度和属性精确度都有较大的提高,也能够大量减少调查的时问和经费,从而大大提高土壤调查的效率。SoLIM方法在我国推广十分必要且具有一定的条件,但仍需要进一步完善。     

基于模糊集理论提取土壤—地形定量关系及制图应用

通过对研究区地形因子的模糊聚类,提取了地形因子组合与特定土壤属性的定量隶属度关系,然后对隶属度高值区土壤进行目的性采样为隶属度函数赋值,制作研究区土层厚度连续分布图。通过野外实地验证,将观测值与图中预测值比较,结果显示该方法制图精度在82%左右,具有一定的可靠性。进一步考察认为该模型在地形部位较低,地势较为平坦,土壤发育较好,土层较厚,成土环境相对稳定的地区预测效果更好,适用性更强。该方法能提高土壤制图效率,降低制图成本,提高制图精度,对土壤微域变异的表现更为详细,图面信息负载量更高。应用该方法制作大比例尺土壤详图不失为土壤调查与制图领域一种可行的新方法。     

结合多等级代表性采样和模糊隶属度的区域土壤制图方法

High-resolution and detailed regional soil spatial distribution information is increasingly needed for ecological modeling and land resource management. For areas with no point data, regional soil mapping includes two steps: soil sampling and soil mapping. Because sampling over a large area is costly, efficient sampling strategies are required. A multi-grade representative sampling strategy, which designs a small number of representative samples with different representative grades to depict soil spatial variations at different scales,could be a potentially efficient sampling strategy for regional soil mapping. Additionally, a suitable soil mapping approach is needed to map regional soil variations based on a small number of samples. In this study, the multi-grade representative sampling strategy was applied and a fuzzy membership-weighted soil mapping approach was developed to map soil sand percentage and soil organic carbon(SOC) at 0–20 and 20–40 cm depths in a study area of 5 900 km2 in Anhui Province of China. First, geographical sub-areas were delineated using a parent lithology data layer. Next, fuzzy c-means clustering was applied to two climate and four terrain variables in each stratum. The clustering results(environmental cluster chains) were used to locate representative samples. Evaluations based on an independent validation sample set showed that the addition of samples with lower representativeness generally led to a decrease of root mean square error(RMSE). The declining rates of RMSE with the addition of samples slowed down for 20–40 cm depth, but fluctuated for 0–20 cm depth. The predicted SOC maps based on the representative samples exhibited higher accuracy, especially for soil depth 20–40 cm, as compared to those based on legacy soil data. Multi-grade representative sampling could be an effective sampling strategy at a regional scale. This sampling strategy, combined with the fuzzy membership-based mapping approach, could be an optional effective framework for regional soil property mapping. A more detailed and accurate soil parent material map and the addition of environmental variables representing human activities would improve mapping accuracy.     

复杂景观环境下土壤厚度分布规则提取与制图

复杂景观环境下,土壤—环境关系知识的获取是预测性土壤制图的基础。为了探究复杂景观下土壤厚度分布与环境条件的关系,该文以黑河上游祁连山区典型小流域为研究区,应用模糊c均值聚类(fuzzy C-means cluster,FCM)和决策树(decision Tree,DT)方法,建立了一套获取土壤厚度分布与环境间关系知识的方法。利用2种方法结合获得流域内土壤厚度各分布等级的环境要素关键阈值与土壤-环境关系知识集,将所得环境阈值和知识集进行预测性制图,并通过野外独立样点对制图结果进行精度评价。结果表明:土壤厚度图的总体精度为74.2%,Kappa系数为0.659。该研究将2种方法结合获得了土壤厚度分布对应的土壤环境关键阈值和土壤-环境关系知识集,为复杂景观环境下土壤厚度的预测性制图提供了一种有效的解决方案。     

模糊c-均值算法在区域土壤预测制图中的应用

基于模糊c-均值算法和地统计学空间插值,在面积约为1km2的研究区内进行区域土壤预测制图。研究结果表明:根据研究区123个剖面和土钻样点,通过分析它们在形态学上的特征和定量属性,建立了9类诊断特征土层。通过FCM算法模型,获得4类最佳分类数,模糊指数为1.7。类别数目与研究区受地形、母质和土地利用方式影响的主要成土过程决定的土纲下土壤类型数目一致。将经过对称对数比转换的隶属度成分数据进行单一模糊类别隶属度土壤预测制图,4种类别土壤在空间上具有明显的渐变过渡特征,制图结果较理想。在单一类别隶属度土壤图的基础上生成最大隶属度土壤图,与常规土壤调查土壤图具有共同参比的基础。     

面向数字土壤制图的土壤采样设计研究进展与展望

全球化土壤环境问题的出现对基础输入数据的精度、尺度和时序提出了更高要求,面向数字土壤制图的土壤采样研究得到了快速发展。首先利用文献计量学的方法定量化分析国内外土壤采样研究学科分布和研究热点变化;随后重点梳理了国内外土壤采样研究的文献,根据不同的土壤调查目的、调查区历史采样点将土壤采样设计分为:土壤全面采样设计、土壤补充采样设计、土壤验证采样设计和土壤监测采样设计;最后介绍了基于样点的推理制图方法。在此基础上,对未来在多尺度的土壤采样设计、土壤–环境因子关系的新型假设和采样设计中现实问题的量化等方面进行了展望,旨在为数字土壤调查工作的开展提供参考依据。     

Improved three-dimensional mapping of soil chromium pollution with sparse borehole data: Incorporating multisource auxiliary data into IDW-based interpolation

Deriving an accurate three-dimensional (3D) spatial distribution of heterogeneous soil pollutants at contaminated sites using traditional spatial interpolation methods, such as inverse distance weighting (IDW), is challenging; especially when only limited borehole data are available. This study presents a novel IDW-COV method, where weighting is determined by optimizing relative importance between feature distances of covariates and spatial distances to soil sample locations. The method was tested by mapping the 3D distributions of Cr (VI) and total Cr at a Cr salt production workshop (Site A) and a legacy Cr slag stacking site (Site B). The results were compared with those of IDW, the soil land inference model (SoLIM), and the SoLIM combined with IDW method (SoLIM-IDW). The proposed IDW-COV method returned the highest accuracy, with R² values of 0.83 for Cr (VI) in Site A and 0.75 for total Cr in Site B, compared with 0.65 and 0.57 for IDW, 0.16 and 0.58 for SoLIM, and 0.73 and 0.61 for SoLIM-IDW. This study highlights the importance of considering differences in explanatory power between multidimensional covariate and geographical spatial distance when incorporating multisource auxiliary data into weighted average estimators and provides guidance for mapping 3D distributions of heterogeneous pollutants from sparse soil borehole data .     

Soil property mapping by combining spatial distance information into the Soil Land Inference Model (SoLIM)

The Soil Land Inference Model(SoLIM) was primarily proposed by Zhu et al.(Zhu A X, Band L, Vertessy R, Dutton B. 1997. Derivation of soil properties using a soil land inference model(SoLIM). Soil Sci Soc Am J. 61: 523–533.) and was based on the Third Law of Geography. Based on the assumption that the soil property value at a location of interest will be more similar to that of a given soil sample when the environmental condition at the location of interest is more similar to that at the location from which the sample was taken, SoLIM estimates the soil property value of the location of interest using the soil property values of known samples weighted by the similarity between those samples and the location of interest in terms of an attribute domain of environmental conditions. However, the current SoLIM method ignores information about the spatial distances between the location of interest and those of the sample. In this study, we proposed a new method of soil property mapping, So LIM-IDW, which incorporates spatial distance information into the SoLIM method by means of inverse distance weighting(IDW). The proposed method is based on the assumption that the soil property value at a location of interest will be more similar to that of a known sample both when the environmental conditions are more similar and when the distance between the location of interest and the sample location is shorter. Our evaluation experiments on A-horizon soil organic matter mapping in two study areas with independent evaluation samples showed that the proposed SoLIM-IDW method can obtain lower prediction errors than the original SoLIM method, multiple linear regression, geographically weighted regression, and regression-kriging with the same modeling points. Future work mainly includes the determination of optimal power parameter values and the appropriate setting of the parameter under different application contexts.