美国基于GIS、专家系统和模糊推断的土壤制图方法

基于地理信系息统 (GIS)或专家系统的模糊土壤推断法 (土壤—土地推断模型 ,SoLIM) ,主要包括 3部分 :1)土壤相似性模型 ;2 )土壤相似性推断技术 ;3 )相似性描述的应用。相似性描述将土壤景观看作一个连续体 ,因而克服了传统土壤制图的概括性。此推断技术基于成土因素方程和土壤—景观模型。土壤—景观意味着只要知道某个地区土壤与环境的关系 ,则能通过评价某点的环境特征推断出特定景观下某处的土壤类型。在SoLIM中 ,成土环境特点可通过GIS或RS技术来确定。土壤与成土环境之间的关系可通过当地土壤专家或野外观察来确定。结合环境特点和土壤—环境关系推断某地土壤类型。在土壤调查方面 ,SoLIM与传统土壤调查相比 ,SoLIM得到的土壤信息的空间详细程度和属性准确度均相当高。另外 ,该方法显示出了在提高土壤调查效率进而更新调查时节省时间和代价方面的巨大前景。然而 ,SoLIM是否成功在很大程度上还依赖于环境资料的可用性和质量 ,以及对当地土壤—环境关系了解的程度     

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。     

基于样点的数字土壤属性制图方法及样点设计综述

土壤剖面数据与土壤类型图按照某种原则进行连接是目前获取土壤属性空间分布信息的主要方法,这种传统的土壤属性制图方法以土壤专家的“经验”和手工描绘为基础,耗费资本高、生产周期长.数字土壤制图通过借鉴先进的空间信息处理技术和高分辨率地形数据的优势,能够快速地获取高精度、高分辨率的土壤属性空间变化信息,是一种精细、高效、经济的土壤属性制图技术.本文详细介绍了基于样点进行数字土壤属性制图的3种方法:①基于空间自相关的方法:②基于空间自相关和土壤-环境关系混合相关的方法:③基于土壤-环境关系的方法.同时,为保证样点能够全面地捕捉到研究区内土壤属性空间变异特征,以上3种方法都对样点的数量、分布或典型性提出了较为严格的要求,即样点应具有全局代表性.因此,如何设计样点成为数字土壤属性制图中的一个重要问题.依据样点设计过程中是否能够整合已有样点,本文将样点设计方案分为采样设计方案和补样设计方案两种,并对其分别进行了详细的综述.     

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。     

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。     

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。     

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。     

模糊逻辑在土壤连续分类和制图表达中的应用及展望

土壤是复杂的历史自然综合体,在属性空间和地理空间上均是连续渐变的,因此基于"双清晰模型"的常规土壤调查制图理论基础明显存在不足,且随着精准农业的快速发展和环境模型模拟精度的提高,客观上对土壤调查输出信息的内容与精度提出了更高的要求。模糊逻辑应用于土壤分类和制图,是继地统计学之后土壤计量学领域又一创新性发展,为国外许多学者所推崇,但是国内在这一领域的研究还较少。因此,本文系统地介绍了模糊逻辑引入土壤分类研究中的必然性和科学意义,以及模糊逻辑在国内外土壤分类和连续制图领域的应用研究进展,并分析了基于模糊逻辑的土壤连续制图表达方法存在的不足及研究展望。     

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%。     

土壤制图中土壤类型配色模型构建与应用

在全国1∶5万土壤图集制图中,土壤类型的配色既需表现土类等高级类型的分布特征,也要表现土属等较低级类型的差别。我国土壤低级类型众多,且1∶5万基本比例尺图幅达2万余幅,采用传统人工设色方法进行土壤制图,不仅效率低,而且难以保持图幅间土壤颜色的协调一致性。针对这一技术难题,本研究采用图幅间相似配色方法和人机交互的设计思想,通过建立1个多层级管理色库、人工设置土壤类型的Q配色单元及其多个近似色系(色组),建立了Q配色单元的避让选色和区域土壤特征分析等5个组件模型,构建了土壤类型配色模型(SCO-Model)。该模型在大比例尺土壤制图中不仅反映了区域土壤的总体分布特征,也表达了土壤类型间的差异,特别是实现了大比例尺土壤制图中土壤类型的快速智能配色,大大提高了制图效率。     

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。     

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.     

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。     

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 .     

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。     

半干旱沙区土类/亚类的遥感调查制图方法

传统土壤调查制图存在低时效性、低精度等问题。为了解决半干旱沙区土壤遥感调查制图问题,该文以科尔沁左翼后旗为例,基于野外实地调查和专家知识分析了半干旱沙区土壤类型分布特征与环境因素之间的关系,并探讨了基于多时相Landsat8 OLI影像数据的半干旱沙区土类/亚类遥感调查制图方法。结果表明:利用多时相Landsat8 OLI影像数据提取的归一化差异水体指数(modified normalized difference water index,MNDWI)、盐分指数(salt index,SI)、归一化差异湿度指数(normalized difference moisture index,NDMI)、归一化差异植被指数(normalized difference vegetation index,NDVI)等环境信息,可实现对沼泽土、盐碱土、草甸土、风沙土及其亚类等半干旱沙区主要土壤类型的遥感调查制图。应用本文提出的半干旱区土类/亚类遥感调查制图方法对科左后旗进行土壤遥感调查制图和精度验证,总体精度约为72.84%,Kappa系数为0.667 8。该方法可为半干旱沙区数字土壤调查制图提供思路和参考。     

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.     

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。     

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。