基于机器学习的干旱区土壤盐渍化定量估算

【目的】探讨对土壤盐渍化进行快速、准确监测技术与方法。【方法】利用 353 个地面表观电导率数据,以及从 Worldview-2 影像获取对应采样点的波段反射率值,结合两波段组合植被指数和三波段组合植被指数,筛选最佳二维、三维波段组合方式,引入人工神经网络、K 近邻和支持向量回归来构建区域土壤盐渍化定量反演模型。【结果】(1) WV-2影像的红边和近红外波段与 ECa 呈现显著相关(P < 0.01)。(2) 二维植被指数(RVI₍(B5-B2))、NDVI₍(B6-B2))、DVI₍(B2-B6)))和三维植被指数(3DVI₍(B2-B6-B6))、3DVI₍(B3-B5-B6))、3DV₍I(B5-B2-B1))、3DVI₍(B2-B1-B6))、3DVI₍(B2-B1-B6))、3DVI₍(B6-B1-B2))、3DVI₍(B5-B3-B7)))的波段组合计...     

环境敏感变量优选及机器学习算法预测绿洲土壤盐分

基于机器学习预测干旱区(如新疆)土壤盐分的研究目前较少涉及且敏感变量的筛选还需深入探讨。该研究比较5种机器学习算法(套索算法,The Least Absolute Shrinkage and Selection Operator-LASSO;多元自适应回归样条函数,Multiple Adaptive Regression Splines-MARS;分类与回归树,Classification and Regression Trees-CART;随机森林,Random Forest-RF;随机梯度增进算法,Stochastic Gradient Treeboost-SGT)在3个不同地理区域(奇台绿洲,渭-库绿洲和于田绿洲)的性能表现;参与的变量被分为6组:波段,植被相关变量集,土壤相关变量集,数字高程模型(digital elevation model,DEM)衍生变量集,全变量组,优选变量组(全变量组经过算法筛选后的变量集合)。通过算法筛选,以示不同研究区的盐度敏感变量。同时借助以上述6组结果评判算法的性能。结果表明:综合分析6个变量组的R2和RMSE,预测精度排名如下:优选变量组植被指数变量组土壤相关变量组波段DEM衍生变量组。由于结果不稳定,全变量组未参与排名。在所有变量中,植被指数(EEVI,ENDVI,EVI2,CSRI,GDVI)和土壤盐度指数(SIT,SI2和SAIO)与土壤盐度相关性高于其他变量。综合评价以上5种算法,Lasso和MARS的预测结果出现极端异常值,但其预测结果能基本呈现土壤盐分空间分布格局。CART的结果能清晰分辨灌区和非灌区土壤盐分的分布态势,但二者内部并无太多变化且稳定性较差。RF和SGT的结果显示,二者在3个绿洲的土壤盐分值域范围和土壤盐分空间分布格局相似,纹理信息相对其他3个算法更为丰富。更为重要的是,算法在各个地区的结果都较为稳定。二者相比,SGT验证精度相对最高,其次为RF。     

土壤质量数字制图方法浅论

本文简要论述了土壤质量数字制图的一般过程及其与传统土壤制图的异同,并依据土壤制图原理确定数字制图的几个重要参数,同时简述了数字制图对野外土壤调查的要求以及对传统图件的处理。     

基于Fisher判别分析的数字土壤制图研究

利用已知类型的土壤样点及其所处位置的高程、坡度、平面曲率、剖面曲率、复合地形指数等数据,基于Fisher判别分析方法对安徽宣城样区的土壤类型进行预测和制图表达。结果表明,土纲级别的预测效果较好,正确率达到84.2%。但随着从土纲到亚类级别的降低,由于受土壤样点数量限制,土壤类型预测的准确率也逐步降低。通过与样区1986年基于发生分类的土壤图进行对比,采用的方法无论是在制图精度,还是图面信息的负载量方面都要优于传统方法,能够更加客观真实地反映土壤在自然界的空间分布。     

数字土壤制图技术研究进展与展望

土壤调查与制图是获取土壤信息的基本手段,在土壤科学发展中发挥了至关重要的作用,采用新方法开展数字土壤制图是土壤学科新兴的研究方向。本文全面回顾总结了近年来国内外数字土壤制图工作开展情况、方法的发展和应用,分析了当前在数字土壤制图研究中存在的主要问题,并且对数字土壤制图研究的发展趋势进行了展望,提出了今后一段时间我国开展这方面工作的建议,可以为数字土壤制图研究工作提供参考。     

用于灌溉耕地制图的特征变量优选

灌溉耕地制图可以为粮食安全、水资源管理和气候变化等相关研究提供数据基础。构建和选择表征灌溉耕地信息的特征变量是灌溉耕地制图最重要的环节之一。该研究选择有良好灌溉信息数据基础的美国内布拉斯加州为研究区,基于已有灌溉耕地空间分布图和灌溉信息数据,提取灌溉耕地和雨养耕地的样本,计算了样本的4类82个特征变量,利用随机森林对比分析了82个特征变量对灌溉耕地识别的重要性。研究结果显示四类特征变量对灌溉耕地识别的贡献程度由高到低为综合特征变量、植被特征变量、土壤特征变量、气象特征变量。不同时相的特征变量对于灌溉农田的识别效果存在差异。重要性排序前4的特征变量包括4月和5月的作物水分胁迫指数,7月的增强型植被指数以及灌溉概率指数。利用重要性前16的特征变量分类得到的灌溉农田的总体精度最高,为88.44%。研究可为灌溉耕地制图相关研究中特征变量的选择提供参考。     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

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。     

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Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GBDT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）考虑红边波段的Sentinel-2A数据建立的模型（A-1）比不考虑红边波段的模型（A-0）,R2提高了9.752%;;3）从不同的预测算法来看,GBDT算法能较好地适用于研究区的土壤有机质预测,GBDT算法、Sentinel-2A与GEE的结合是土壤有机质预测制图的一种有效方法。     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。     

基于多种极化分解方法和全极化合成孔径雷达数据的干旱区盐渍化监测

土壤盐渍化不仅严重制约着干旱区农业可持续发展,并且对绿洲生态环境构成了重大威胁。该文提出将多种极化目标分解方法、绕封模型（wrapper feature selector, WFS）特征子集选择方法和支持向量机（support vector machine, SVM）结合起来（简称WFS-SVM）,利用全极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）数据实现对土壤盐渍化监测。以新疆干旱区典型绿洲--渭干河-库车河三角洲绿洲（渭-库绿洲）为研究区,对研究区四极化Radarsat-2数据进行多种极化目标分解处理,得到相应的特征参数和特征分量。采用WFS方法进行SVM最佳特征子集的选择,并选出最佳适应度的子集对 SVM进行训练。从而构建基于最佳特征子集和最优分类参数的WFS-SVM分类模型,对研究区进行不同程度盐渍地信息（包括重度盐渍地和中-轻度盐渍地）的提取,并结合野外实地考察验证数据,将分类结果与经典的Wishart监督分类方法和一般SVM分类方法进行了对比和验证。结果表明,该方法较大程度地提高了全极化PolSAR影像在干旱区盐渍地信息提取的精度,相比Wishart监督分类,该方法分类总精度和Kappa系数分别提高了14.12个百分点和0.18,证明了该文所提出的监测方法具有有效性和研究潜力。该成果也将促进PolSAR数据在干旱区盐渍化监测中发挥更大的作用。     

基于典范对应分析的干旱区春季盐渍化特征研究

运用常规统计学和典范对应分析方法,对干旱区盐渍土土壤全盐量(TS)、盐分离子组成、碱化度(ESP)、pH、电导率(EC)的空间分布特征进行了分析。结果表明,该区土壤为重度至轻度盐化,不同层次土壤中,Na+与Cl-、Ca2+与Mg2+保持较好的关联性。TS的空间分布,在0～50 cm全剖面上主要受控于Cl-、HCO3-和Na+离子;分层与全剖面的情况略有不同,Cl-、Na+在各个土层仍为主要控制离子。ESP在全剖面上其空间分布受环境因子的影响较小,0～10 cm土层主要受Na+与Cl-离子的制约;10～30 cm土层内主要受HCO3-离子的制约;30～50 cm土层未表现控制因子。pH在全剖面上受盐分离子的影响较小,分布较为均匀,表层受离子影响很小,在10～30 cm、30～50 cm土层内受HCO3-离子的影响微弱。EC在全剖面上的空间分布受控于Ca2+、Mg2+离子,30～50 cm土层主要受K+离子的控制,其他土层与全剖面相同。     

基于两点机器学习方法的土壤有机质空间分布预测

准确预测土壤有机质（Soil Organic Matter,SOM）空间分布对精细农业、耕地质量建设、生态环境保护以及固碳减排等均具有重要的意义。该研究探讨了基于两点机器学习方法（Two-point Machine Learning,TPML）提高SOM空间分布预测的可行性。以黑龙江省海伦市为研究区,以气候、地形地貌、社会经济和空间位置信息等因素作为辅助变量,充分利用空间位置信息和属性相似关系,有效处理SOM空间分布异质性及其与辅助变量间关系异质性,以提高TPML方法进行SOM空间分布预测的精度。采用随机森林、基于随机森林的回归克里格、反距离权重法和普通克里格（Ordinary Kriging,OK）方法作为对比,以平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）、预测值与真实值相关系数（r）和决定系数（R2）作为评价指标,进行不同样本量下的多组对比试验,评价不同方法的预测精度。结果表明：1）研究区SOM含量在1.775～7.188 g/kg之间,平均值为3.179 g/kg,空间分布不均匀,呈东高西低的分布趋势。2）在不同样本量条件下,与其他模型相比,TPML的预测精度均最高,其MAE（0.088～0.097 g/kg）和RMSE（0.116～0.139 g/kg）均为最小,r（0.992～0.996）和R2（0.971～0.985）均为最高。3）预测值的误差标准差（理论误差）与实际误差具有相似的空间模式,说明TPML可以为预测结果提供合理的不确定性估计。综上,TPML模型可以通过同时利用空间自相关性和属性相似性来提高预测精度,该模型适用于预测具有一定空间自相关性且具有可用辅助数据的资源环境变量。     

基于施肥处方的烤烟变量施肥机设计及应用

采用土壤网格采样法研究了贵州省烟草公司遵义乐山科技园内土壤的变异状况,提出了相对应的肥料变量处方。以小型手扶拖拉机为施肥机载体,组装了变量施肥机具,并对其自动实施和施肥效果进行了田间验证,形成了完整的变量施肥技术体系和施肥机。试验结果表明,烤烟变量施肥较农户习惯施肥可节省肥料4.6%; 提高烤烟的整齐度,变量施肥烤烟株高的变异系数下降29.6%,上等烟率和下等烟率同步减少,而中等烟率增加13.05%; 增加农户收益,变量施肥产值较农户习惯施肥增加4310.65 yuan/hm2。变量施肥对提高肥料资源效率、 农民增收具有重要意义。