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。     

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。     

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。     

县域土壤质量数字制图方法比较

土壤质量研究几乎涵盖土壤研究的所有领域,土壤质量制图理论与方法是土壤质量研究的一项重要研究内容。该研究以北京市密云县为研究区,基于土壤质量评价最小数据集和指数和法计算的土壤质量指数,探究了在地学模型支持下区域土壤质量数字制图方法。研究设计了5种区域土壤质量数字制图方法,并比较了不同方法的空间数字制图精度。结果显示,目前广泛使用的基于参评指标空间插值结果的土壤质量数字制图方法精度最低、工序较繁琐,且无法反映研究区景观高度异质的特点;而基于计算后的土壤质量指数（soil quality index,SQI）,借助于地统计学方法的土壤质量数字制图方法相对比较科学合理,其中又以基于计算后的SQI和回归克里格法预测效果最好,均方根误差最小,仅为0.01897,相对于基于参评指标空间插值结果的土壤质量数字制图方法,精度相对提高率最大,达到50%以上。综合考虑空间制图精度、工序的繁简程度,在该研究设计的5种方法中基于计算的SQI和回归克里格法最佳,该法避免了地统计插值在景观高度异质区的应用局限性,预测结果与实际最为相符。     

应用土壤-景观定量模型预测土壤属性空间分布及制图

以土壤-景观定量模型为基础的土壤制图方法在世界范围内得到了广泛研究。本文在皖南宣城的丘陵地带内选择研究区,从该区的数字高程模型(DEM)中获取景观信息:地形因子,定量地分析了土壤属性与地形因子之间的相关关系,并建立基于该关系的线性土壤-景观定量模型,最后应用该模型来预测土壤属性在空间上的分布并制图。结果表明:土体厚度和表层有机质含量与地形因子之间有着显著相关性;建立的线性回归模型分别能解释土体厚度、表层有机质含量空间变异的32.2%和35.3%;依据该模型预测的土体厚度和表层有机质含量具有较高的准确度,并能制图表达土壤属性在空间上的自然连续性。     

一种基于样点代表性等级的土壤采样设计方法

采样设计是获取土壤空间分布信息的关键环节,直接影响到土壤制图的精度。目前常用的采样设计方法大多存在着设计样本量大、采样效率不高的问题。当可投入资源难以完成一次性大量采样时,采样往往需要多次、分批进行。然而现有分批采样方法多考虑各批采样点在地理空间的互补性,可能造成样本点在属性空间的重叠,影响采样资源的高效利用。鉴于此,本研究通过对与土壤在空间分布具有协同变化的环境因子进行聚类分析,寻找可代表土壤性状空间分布的不同等级类型的代表性样点,建立一套基于代表性等级的采样设计方法。将该采样方法应用于位于黑龙江省嫩江县鹤山农场的研究区,利用所采集的不同代表性等级的样点进行数字土壤制图并进行验证,探讨采样方案与数字土壤制图精度的关系,以评价本文所提出的采样方法。结果表明,通过代表性等级最高的少量样点可获取研究区的大部分主要土壤类型(中国土壤系统分类的亚类级别),且制图精度较高;随着代表性等级较低样点的加入,土壤图精度提高;但当样点增加到一定数量时,土壤图的精度变化不大。因此,与样点数相比,样点的代表性高低对制图精度的影响更大。该方法所提出的代表性等级可以为样点采集顺序提供参考,有助于设计高效的逐步采样方案。     

轮作模式在农耕区土壤有机质推测制图中的应用

人类活动近年成为数字土壤制图亟需考虑的要素。本文以农业活动中轮作模式为例,将轮作信息应用于数字土壤制图,探讨其对土壤空间变异刻画的有效性。以安徽宣城两个县市的耕地平区为研究区,通过野外调查获得近年三种主要轮作模式,基于监督分类对多期遥感影像解译得到轮作类型空间分布图,使用方差分析探讨轮作对土壤表层有机质空间变异是否有显著性影响,采用随机森林重要性指标对自然环境因子、轮作模式、土地利用方式和归一化植被指数进行重要性排序,并构建不同的环境因子组合,利用基于相似度的土壤推测模型和随机森林模型进行制图和交叉验证。结果表明,轮作模式对土壤表层有机质有显著性影响,其重要性排序为第二,引入轮作使得基于相似度的土壤推测模型和随机森林模型制图精度分别提高4.8%~65.9%和1.9%~2.7%。     

DEM栅格分辨率对多元线性土壤—景观模型及其制图应用的影响

以亚热带丘陵地区为对象,以该区4 km×3 km的5 m、10 m、15 m、20 m、25 m、30 m数字高程模型(DEM)为基础,建立多元线性土壤景观模型,并应用该模型预测研究区内土壤表层有机质含量分布,进而比较不同分辨率DEM中土壤景观模型及其预测制图的精度。结果表明:在本研究区11 km2范围内,随着DEM栅格分辨率降低,坡度、曲率、比汇水面积(对数)频度均表现出了向其中值区集中的趋势;地形因子的这一变化规律对土壤景观模型的影响较小,例如模型的变量、变量系数及R2在不同分辨率DEM中的差异很小;但地形因子的这一变化规律对模型预测制图的精度具有较大影响,各项指标均说明,模型在10~25 m DEM中的制图精度较高,而在更高分辨率(5 m)或更低分辨率(30 m)DEM中较低。本研究结果对其他亚热带丘陵地区具有一定的指示意义。     

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。     

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。     

Quantitative mapping of soil types based on regression kriging of taxonomic distances with landform and land cover attributes

Nowadays, French soil scientists tend to gather new and existing soil data into a common database. The use of this database potentially allows for resolving environmental issues, largely through soil mapping. The purpose of this study is to present a methodology for mapping soil types illustrated by typical observations in the soil database, in this case from the La Rochelle area on the French Mid-Atlantic Coast. The main hypothesis underlying the method is that soil types result from environmental factors such as landform, parent material, and land cover. The method can be divided into four stages. The first step is to construct a local soil type classification from the database by a two-stage continuous classification procedure. The result of this procedure is that at each observation point, the soil is described by a vector of taxonomic distances to each of k centroidal soil types. In the example given, k=18. The second step involves fitting soil–environment equations, one for each centroidal soil type, by regressing taxonomic distances on layers of multivariate environmental data observed on a fine 20-m grid, by multiple linear regression. In this case, the layers are terrain attributes derived from a digital elevation model and land cover attributes derived from three bands of a SPOT image. The third step is to predict k maps or raster GIS layers representing taxonomic distances to soil types on the 20-m grid, using the soil–environment equations and the kriging of the residuals from the regressions. This results in many potential maps: a summary map depicting the nearest centroidal soil type (the soil type for which the taxonomic distance is least) at each location is possibly the most useful, and another one representing the minimum taxonomic distance which, if considered too large, might suggest locations for further field survey to refine the soil types. A map of standard errors of the kriged taxonomic distance residuals to the nearest centroidal soil type can be made to indicate spatial uncertainty. Continuous fuzzy membership maps can also be constructed from the distances. The fourth step involves validation with an independent soil data set allowing discovery of the nature of the actual prediction errors. Thirty-eight percent of sites in a validation sample of 1234 sites was unequivocally validated, 23% was equivocally validated, and the remainder was predicted wrongly by the method.     

土壤流失量遥感监测中GIS像元地形因子算法的研究

ＧＩＳ橡元地形因子的算法，是土壤流失量遥感监测中的关键技术。对于其算法原理，应用程序，应用结果和应用精度，本文作了介绍和讨论。经实际应用表明，ＧＩＳ像元地形因子算法虽比图斑地形因子算法的运算量大和较复杂，但它有较严密可靠，较高的应用精度和较好的自动 化程度。因像元坡长几乎相等而忽视或视像元坡长因子为相同的常数，都将导致流失量监测的重大错误。     

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.     

基于模糊集理论的土壤重金属污染空间预测

基于54个土壤表层样品重金属全量浓度实验室测定数据,应用模糊c-均值算法对南京城市边缘带化工园附近20km^2样区内土壤重金属浓度进行了连续分类,对样点土壤的隶属度进行空间普通克里格插值,实现样区土壤重金属浓度和污染状况的空间预测.结果表明,样区土壤中重金属Cu、Zn、Cr、As和Cd的浓度均低于国家土壤环境质量标准,未发生污染;受工业、交通排放的影响,样区左侧和南部Cu、Zn、Cr、As较高,个别区域有Zn、Cr富集现象.Hg为样区主要的土壤重金属污染元素,土壤Hg污染主要发生在蔬菜基地及滁河流经区,较为严重的Hg污染土壤集中分布在样区中部的蔬菜基地.与利用样点测定数据直接插值的空间预测方法相比,基于模糊集理论的土壤污染空间预测方法可获得较好的预测效果.     

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。     

海南岛地形-母岩(母质)单元与土壤系统分类类型关系及其在编绘土壤图中的应用

对海南岛 2 43个土壤剖面 ,按中国土壤系统分类体系 ,逐一进行鉴别、检索、分类定名 ;并讨论归纳出地形 -母岩 (母质 )单元与土壤系统分类类型的对应关系 ;然后 ,根据对应关系试拟按土壤系统分类的全岛土壤图的制图单元 (土壤部分 ) ,编绘选择地段的土壤草图 ( 1∶5 0万 )。全岛共设有 5 0个制图单元 (土壤部分 )。结果表明 ,用本研究中的方法步骤编绘按土壤系统分类的土壤草图 ,比单纯用已有按发生分类的土壤图直接进行两个系统间土壤名称更换 ,更具有客观性和可操作性。     

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。     

对全国第二次土壤普查中土类、亚类划分及其调查制图的辨析

按照中国发生分类对新采集的68个北京市山区的土壤剖面进行了分类命名,并与剖面点所在土壤普查图上的分类名称进行比较,结果是只有18个剖面的分类名称一致。造成分类名称不一致的原因:1发生分类以区域典型土壤剖面分类命名,而区域内很多土壤不同于典型土壤剖面;2发生分类往往以现代生物气候带为主要分类标准命名区域土壤,而不是根据土壤性质;3分类不一致的最大原因可能是制图精度不够。研究认为,土壤分类必须依据土壤性质本身,而不是土壤形成因素;采取野外单土壤性质调查制图,室内叠加单土壤性质图形成多属性图斑,根据分类系统对它们进行综合分类,以提高分类制图精度。     

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。