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。     

基于分融策略的土壤采样设计方法

采样设计方法在地理要素空间分布推测中起着关键作用。采集的样点数量尽可能少且推测精度较高通常是采样设计的目标。此外,高效合理的采样方案应保证较高的推测可信度,同时尽可能避免冗余样点。传统的采样方法大多依靠增加样点个数来提高推测精度,且对样点集内部的冗余情况考虑较少。为获取更加高效合理的样点集,在环境条件越相似、地理要素越相似的假设下,通过环境相似度分析计算,得到样点的推测可信度和样点集内部的冗余度,并提出一种基于分融策略的样点设计方法。该方法在分化阶段将推测可信度低的样点进行分化,增加样点以降低推测不确定性,在融合阶段将环境条件过于相似的样点进行融合以降低冗余,通过多次分化融合最终使得推测可信度和冗余度均达到一定的预设标准,得到最佳样点方案。将该方法应用于美国Raffelson研究区的土壤采样,结果表明,该方法在分化阶段可以有效提高样点的推测可信度,在融合阶段能够有效去除冗余样点,最终可得到用于推测的高效样点。将本方法与传统的规则采样和分层随机采样进行对比,结果反映本方法获得的样点在同等数量下推测可信度更高,冗余度更低,更高效。