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。     

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。     

基于传统土壤图的土壤—环境关系获取及推理制图研究

在数字土壤制图研究中,从历史资料中提取准确的、详细的土壤—环境关系对于土壤图的更新和修正十分重要。从传统土壤图中提取土壤类型并从地形数据中提取环境参数,采用空间数据挖掘方法建立土壤—环境关系,并进行推理制图和精度验证。以湖北省黄冈市红安县华家河镇滠水河流域为例,首先选取成土母质和基于地形数据提取的高程、坡度、坡向等7个环境因子;然后利用频率分布原理得到包含土壤类型与环境因子信息的典型样本数据1 410个;采用See5.0决策树方法进行空间数据挖掘,建立土壤—环境关系;将其导入So LIM中进行推理制图;最后利用270个实地采样点验证所得土壤图的精度。土壤图的精度提高了约11%,证明了本研究方法对土壤类型和空间分布推理的可靠性。     

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。     

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。     

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。     

运用模糊隶属度进行土壤属性制图的研究——以黑龙江鹤山农场研究区为例

通过传统土壤类型图所得的土壤属性图已不能满足精准农业和生态环境模型所需土壤属性的精度,而目前应用较多的统计方法和地统计方法均存在一定的局限性。鉴于此,本文探索了一种采用模糊聚类获取模糊隶属度进行土壤属性制图的方法。首先,采用模糊c均值聚类(Fuzzyc-means clustering,FCM)方法对环境因子进行聚类,通过野外采样(称为建模点)建立土壤-环境关系知识;然后,计算区域内各像元点对土壤类型的模糊隶属度;最后,对模糊隶属度采用加权平均的方法获取土壤属性值。将该方法应用于黑龙江鹤山农场老莱河流域的研究小区,以土体厚度和表层有机质为例进行土壤属性制图。为了评价该方法的有效性,将其与采用环境因子所建立的多元线性回归模型进行比较,通过野外验证点集评价两种模型所得的土壤属性,评价指标为观测值和预测值的相关系数、平均绝对误差(MAE)、均方根误差(RMSE)和准确度(AC)。结果表明,尽管通过建模点建立的多元线性回归方程R2较大,但该方程并不适用于研究区内的其他样本点,这表明多元线性回归方法在该区具有一定的局限性。与之相比,模糊隶属度加权平均的方法则可以通过较少的建模点得到更好的预测效果。     

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。     

流域尺度土壤厚度的模糊聚类与预测制图研究

基于土壤厚度与景观位置和特征之间的关系,运用模糊c均值聚类(FCM)方法对西苕溪流域的土壤厚度分布进行了空间预测。选取高程、坡度、平面曲率、剖面曲率、径流强度系数和地形湿度指数6个地形因子进行模糊聚类,根据相应的聚类参数将流域地形组合分为8类。利用部分调查获得的土壤剖面数据,结合样点属性和专家经验为典型区赋值,最后由加权平均得到流域土壤厚度预测图。验证结果表明,FCM方法可以对地形因子组合进行有效合理的分级,其预测精度较高,模型的稳定性较好,是一种低成本高效率的制图方法。该方法在土壤厚度预测方面具有一定的可靠性。     

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。     

Match method and its application for the development of a large-scale soil map

A method for interpolating field soil data to obtain the maps of soil taxa is suggested. It is based on representation of categorical data in the form of Voronoi map with barriers limiting the areas with particular combinations of indicative soil-landscape relationships. The predictive capacity of the proposed model depends on the level of the taxon and exceeds 80% for soil types and subtypes in the study area. At different levels of detail of the indicative soil-landscape relationships, the accuracies of prediction are different. The proposed method significantly reduces the time of soil mapping and opens new possibilities for investigating the soil-landscape relationships.     

Extrapolating regional soil landscapes from an existing soil map: Sampling intensity,validation procedures,and integration of spatial context

This paper aims to investigate the potential of using soil-landscape pattern extracted from a soil map to predict soil distribution at unvisited location. Recent machine learning advances used in previous studies showed that the knowledge embedded within soil units delineated by experts can be retrieved and explicitly formulated from environmental data layers However, the extent to which the models can yield valid prediction has been little studied. Our approach is based on a classification tree analysis which has underwent a recent statistics advance, namely, stochastic gradient boosting. We used an existing soil-landscape map to test our methodology. Explanatory variables included classical terrain factors (elevation, slope, curvature plan and profile, wetness index, etc.), various channels and combinations of channels from LANDSAT ETM imagery, land cover and lithology maps. Overall classification accuracy indexes were calculated under two validation schemes, either taken within the training area or from a separated validation area. We focused our study on the accuracy assessment and testing of two modelling parameters: sampling intensity and spatial context integration. First, we observed strong differences in accuracy between the training area and the extrapolated area. Second, sampling intensity, in proportion to the class extent, did not largely influence the classification accuracy. Spatial context integration by the use of a mean filtering algorithm on explanatory variables increased the Kappa index on the extrapolated area by more than ten points. The best accuracy measurements were obtained for a combination of the raw explanatory dataset with the filtered dataset representing regional trend. However, the predictive capacity of models remained quite low when extrapolated to an independent validation area. Nevertheless, this study offers encouragement for the success of extrapolating soil patterns from existing soil maps to fill the gaps in present soil map coverage and to increase efficiency of ongoing soil survey.     

自动土壤图基于知识的分类

A machine-learning approach was developed for automated building of knowledge bases for soil resources mapping by using a classification tree to generate knowledge from training data. With this method, building a knowledge base for automated soil mapping was easier than using the conventional knowledge acquisition approach. The knowledge base built by classification tree was used by the knowledge classifier to perform the soil type classification of Longyou County, Zhejiang Province, China using Landsat TM bi-temporal images and GIS data. To evaluate the performance of the resultant knowledge bases, the classification results were compared to existing soil map based on a field survey. The accuracy assessment mad maalysis of the resultant soil maps suggested that the knowledge bases built by the machine-learning method was of good quality for mapping distribution model of soll classes over the study area.     

运用分类树进行土壤类型自动制图的研究

提供了一种基于机器学习的方法来自动建立针对土壤资源制图的规则库。以浙江省龙游县研究区为例,将已有的土壤图与地质图、土地利用现状图、DEM及其派生属性、双时相的TM卫星数据相结合,使用分类树算法从训练数据中生成该地区土壤制图的规则知识,并进行了研究区土壤类型的知识分类。这种建立土壤自动制图知识库的方法要比传统的知识获取方法更为简便易行。精度评价结果表明,所建立的知识库对于研究区的大部分土壤类型的预测是可行的。     

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。