基于CLUE-S模型的煤矿城市土地利用变化模拟

以淮南市为研究区,选择1985、1995、2005、2016年土地利用数据,在分析土地利用动态变化特征的基础上,利用CLUE-S模型模拟预测了未来土地利用格局。结果表明：1985—2016年,研究区耕地面积减少11.62%;建设用地和水体面积百分比分别增加7.98个百分点和4.29个百分点。2005—2016年是各地类变化最强烈的阶段,其综合土地利用动态度最大,为13.46%。建设用地变化速率最快,其土地利用动态度为5.19%。土地转移主要发生在耕地、水体和建设用地之间,以耕地向建设用地和水体的转换为主。耕地转为建设用地的面积达207.61 km²,新增水体集中分布在潘谢矿区。加入空间自相关性和土壤质量因子后,耕地和建设用地的Logistics回归效果显著改善,ROC分别增加0.201和0.133。年均降水量是影响耕地变化的主要驱动因子,与耕地分布概率呈负相关;而建设用地变化主要驱动因子为GDP。土地利用模拟的Kappa系数为0.74,CLUE-S模型在研究区域具有较好的模拟能力。运用CLUE-S模型预测了研究区2028、2034、2040年土地利用空间分布,未来...     

淮北平原土壤高光谱特征及有机质含量预测

以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。     

基于随机森林模型的安徽省土壤属性空间分布预测

为探讨随机森林(random forest,RF)模型对土壤属性空间预测的精度,本文以安徽省为例,收集140个土壤样本,利用GIS和RS技术,获取相关的地形因子、遥感植被指数及气候数据,利用RF模型分析土壤有机碳(SOC)含量、土壤容重和土壤黏粒含量与地形因子、遥感植被指数及气候数据之间的关系,并进行空间分布预测。研究结果表明:①RF建模预测中,当节点分裂次数(mtry)值为1,决策树数量(ntree)值分别为100、1 000和100时,获得的SOC含量、土壤容重和土壤黏粒含量RF模型最优;②高程、归一化植被指数(NDVI)、地貌、多尺度山谷平坦指数(MrVBF)和土壤类型是SOC含量的重要预测因子;地貌、年均降水量(MAP)、MrVBF、高程和土壤类型是土壤容重的重要预测因子;高程、MAP、MrVBF和平面曲率是土壤黏粒含量的重要预测因子;③RF模型可以较好地进行土壤属性空间预测,多源环境变量组合可以分别解释SOC含量、土壤容重和土壤黏粒含量的26%、23%和22%;同时RF模型对于土壤类型和地貌等类型变量的处理具有一定优势。研究表明,在大尺度研究区域内,利用RF模型进行土壤属性空间预测有一定的意义。     

基于地理加权回归的地形平缓区土壤有机质空间建模

气候变化效应评估、土壤固碳潜力和肥力管理等，迫切需要详尽的土壤有机质（soil organic matter, SOM）空间分布信息。该文以江苏省第二次土壤普查的1 519个典型土壤剖面的表层（0～20 cm）SOM含量为例，选择1 217个样本为建模集，302个为验证集，选取年均温度、年均降雨、物理性黏粒和土壤pH值等因子进行SOM的地理加权回归（geographically weighted regression, GWR）建模。从建模集中分别随机抽取100%（1 217个）、80%（973个）、60%（730个）、40%（486个），20%（243个）的样点，对比不同样点数量下GWR和传统全局回归模型的精度差异，并选择最优模型进行SOM空间预测制图。结果表明：1）江苏省SOM含量在不同空间尺度上存在极显著的空间自相关性。不同样点数量的建模集的全局自相关性和局部空间自相关聚类图结果相似。全局Moran’s I值介于0.25～0.61（P<0.001）。SOM含量空间分布以空间聚集特征为主，“高-高”聚集区主要分布在苏中和苏南地区，“低-低”聚集区主要分布在苏北地区。2）GWR建模结果均优于传统的全局回归建模，其残差在不同的空间尺度上均不存在空间自相关性。不同建模集的GWR的R2adj较全局建模均提高0.15～0.20，其AIC和RSS均比全局模型有大幅降低，为56.08～360.19和17.40～76.67。不同建模样本数量的GWR模型对SOM的解释能力差异较小。3）建模样点数量（除建模样本n=243）对GWR预测制图结果的精度影响不大，RMSE介于5.56～5.75 g/kg之间，MAE介于3.87～4.05 g/kg之间，R2介于0.52～0.48之间，均优于全部建模样点的普通克里格插值验证结果。该研究可为样点数较少的省级尺度地区SOM空间建模与制图提供借鉴。