复杂景观区土壤有机质预测模型的尺度效应

为研究复杂景观区土壤有机质预测模型的尺度效应,探讨不同空间尺度数据综合利用的问题,本文运用回归Kriging方法对河南省登封市土壤有机质进行预测,分析了不同空间尺度数据在建模过程中的作用和影响.结果表明:土壤有机质关于高程因子的趋势属于宏观趋势,以大尺度数据拟合该趋势值效果最优;小尺度数据不适合用于拟合土壤有机质的趋势值,但揭示了小尺度残差值的空间变异细节,增强了大尺度残差值的空间结构性,能够有效提高土壤有机质预测精度.因此,景观复杂区土壤有机质预测中,应基于大尺度数据模拟趋势值,大尺度数据和小尺度数据相结合拟合残差值的空间变异函数以预测残差值,最后趋势值加上残差值得到土壤有机质预测值.     

土壤属性预测中Kriging参数对插值精度的影响研究

为了有效提高土壤属性预测中的Kriging插值精度,研究借助GS+5.1和ArcGIS 9.3等软件来分析河南省西平县宋集乡土壤全磷和有机质在不同参数条件下的Kriging插值精度,结果表明:决定系数R2最大的变异函数模型,插值结果误差不一定最低、平滑效应不一定最弱,需比较分析插值结果以选择合适的模型;近距离实验变异函数值r#(h)的拟合对提高Kriging插值精度具有重要意义,拟合变异函数理论模型时,除综合考虑各个r(h)#的拟合程度外,同时对近距离r(h)#应给予足够的重视;插值的最佳邻域样本量一般在内层和次内层邻域样本权重达到平稳时取得,对于样本点空间分布相同的不同土壤属性,空间相关性较弱(块金系数较大)的土壤属性,其Kriging插值的最佳邻域样本量较大。     

样点密度对土壤有机质空间预测结果的影响——以河南封丘县土壤为例

以河南省封丘县表层土壤有机质含量为例,探讨土壤样点密度对区域化土壤变量描述性统计特征、半方差函数理论模型拟合效果、普通Kriging插值预测结果的精度与表现目标变量空间变异的能力等多方面的影响。研究结果表明,样点数量从5000个大幅减少至20个,研究区表层样品有机质含量均值未发生显著变化。当土壤样点≥625个时,表层土壤有机质含量半方差函数模型具有较好的拟合效果,可以通过Kriging插值手段获得精度较高且对目标变量空间变异特征解释能力较强的预测结果;当土壤样点≤78个时,半方差函数模型理论上无法通过拟合获得,通过普通Kriging插值手段不能获得研究区表层土壤有机质含量理想的预测结果。     

景观复杂地区土壤有机质变异的多尺度特征——以河南省登封市土壤为例

为研究景观复杂地区土壤有机质变异的尺度特征,以河南省登封市为研究区,探讨了该市土壤有机质在不同尺度、不同景观类型区的变异特征。结果表明:(1)2 km采样间距的大尺度土壤有机质平均含量和变异系数分别为20 g kg-1和44.8%;200、300、300和500 m间距的小尺度4个景观类型区:紫色土区、中山石英砂岩区、山前洪积扇区和低山丘陵洪积物母质区,有机质平均值和变异系数分别为15.72、15.53、26.00、18.98 g kg-1和29.9%、26.21%、16.04%、35.41%。(2)不同尺度、不同景观类型区土壤有机质的半方差函数,在块金值、基台值和变程等参数上有较大差异。(3)大尺度土壤有机质与高程因子、坡向因子呈极显著和显著相关性,与坡度相关性不明显;除了低山丘陵洪积物母质区与高程因子极显著相关外,小尺度土壤有机质在紫色土区、中山石英砂岩区和山前洪积扇区均和高程、坡度、坡向无显著相关性。     

基于空间分析的河南省小麦施肥问题诊断与地理优化

基于河南小麦主产区82个县2 277个样点的"不施肥、习惯施肥、推荐施肥"对照试验数据,在绘制小麦产量图、施肥量图、土壤养分图、肥料农学效率图基础上,采用地图对比法揭示了该区域氮磷钾分配的主要问题;采用随机森林法分析了土壤养分、施肥量、地理要素(气候和土壤类型)对小麦产量变异的影响力;综合对照试验数据和多源文献,确定该区适宜的小麦氮磷钾施用范围,并按"以产定肥"、"因土施肥"原则进行施肥量地理优化。结果表明:该区农民习惯施氮、磷量普遍偏大,钾用量局部不足;推荐方案中氮、磷用量未明显降低,而钾普遍增加。两类施肥方式的共同问题是氮磷钾用量与小麦产量、土壤养分的空间匹配性欠佳。小麦产量变异的主导因素是土壤和气候资源的地理差异,施肥的影响次之,土壤养分的影响最低;小麦增产量变异同时受地理因素和施肥因素的影响,而与土壤养分丰缺无关;施肥水平高是土壤养分丰缺与小麦产量关系较弱的主要原因。根据小麦产量和土壤养分丰缺,确定氮磷钾优化施用量变化范围分别为120～210 kg·hm–2、45～105 kg·hm–2和45～120 kg·hm–2;按区域总量计,氮磷钾优化施用量较地方专家推荐量分别节约14.2%、40.0%和39.5%,较农民习惯用量分别节约20.9%、41.1%和17.5%。     

基于不同模型的区域尺度耕地表层土壤有机质空间分布预测

研究不同模型对土壤有机质空间预测的性能差异对制定更加科学合理的采样策略、提升采样效率和提高土壤空间预测精度有着重要的指导意义。本研究将6496个土壤样点按8∶2的比例分层随机分成训练集与验证集,应用普通克里格、随机森林以及随机森林－回归克里格三种有代表性的数字化土壤制图（Digital Soil Mapping,DSM）模型,对河南省许昌市耕地表层土壤有机质含量及空间分布进行预测,对三种模型性能表现进行综合评价。三种模型输出的预测结果显示:研究区耕地表层土壤有机质含量水平一般,均值为18.70 ~ 18.81 g kg?1,变异系数0.15 ~ 0.17,属中等强度变异;空间分布总体格局为西北与西南部分山地褐土区、东南部砂姜黑土区表层有机质含量高,中北部脱潮土、石灰性潮土区表层有机质含量低。验证结果表明:三种模型性能表现无明显差距,预测精度基本一致,输出结果对研究区耕地表层土壤有机质变异解释百分比在33% ~ 34%之间,在相同和相近尺度土壤有机质空间预测案例研究里属中等水平。在协变量有限且样点分布较为均匀的情况下,普通克里格模型便于快速获得研究区目标变量的空间分布;如果协变量比较丰富且易于收集利用,或是进行空间预测的同时还需要甄别不同因素对目标变量的影响大小,则建议采用随机森林模型;协变量有限,但样点密度较大时,随机森林－回归克里格模型可能是对目标变量进行空间预测的不错选择。     

基于随机森林模型的耕地表层土壤有机质含量空间预测——以河南省辉县市为例

耕地表层土壤有机质含量与作物生长发育密切相关,掌握土壤有机质空间分布对土壤肥力定向培养和农业生产指导具有重要意义。本研究以河南省辉县市5 922个耕地资源管理单元图斑中心点为基础数据,并分别按8∶2、7∶3、6∶4的比例随机划分训练数据集和验证数据集,以土壤类型作为辅助定性变量,利用随机森林模型模拟预测土壤有机质含量与自然环境变量(坡向、曲率、坡度、高程、土壤质地、归一化植被指数NDVI)、社会经济因子(排水能力、灌溉状况)之间的复杂非线性关系。结果表明:①当训练集与检验集中样点数量的比例为8∶2时,对应的随机森林模型总体上预测精度较高;②选用80%基础数据作为训练集时,预测得到的地图与已有图件相比,相关性达到0.859;③当用303个实地数据验证时,预测值与实测值的皮尔逊相关系数为0.595。通过对影响因子的重要性排序,发现土壤质地是研究区农用地表层土壤有机质含量的最重要影响因子。因此,随机森林模型作为机器学习和数据挖掘的有效方法,能较好地模拟输入变量与有机质含量之间的关系,预测图件与实际情况相符,但对有机质含量精细的差异不能很好体现。     

基于地理加权回归的小麦测土配方施肥效果空间分析

测土配方施肥增产、增收效果的空间分异状况,是因地制宜校正配方施肥技术参数、优化肥料配方的科学依据。收集整理南阳市296个小麦测土配方施肥"三区示范"田间试验点数据,在施肥量空间化估算和小麦产量—施肥量地理加权回归(GWR)模型构建的基础上,分析评价不同空间位置测土配方施肥相较于传统施肥模式的增产、增收效果。结果显示,两种施肥模式下研究区小麦产量空间分布格局相似,测土配方施肥将小麦产量由传统施肥模式的5970kg·hm~(-2)提升至6672kg·hm~(-2),平均增产率为11.76%(各县区市增产率幅度为7.04～17.91%),平均增收1 232 Yuan·hm~(-2)(各县区市增收幅度为713～1 672 Yuan·hm~(-2))。研究结果表明,测土配方施肥效果空间分异明显,增产、增收较高的区域分布在南召县、西峡县、镇平县、新野县和社旗县,内乡县、唐河县和桐柏县的某些区域存在减产、减收现象;测土配方施肥虽然可以在总体上提高研究区小麦产量,但本区小麦产量的空间分布格局主要受立地条件、土壤条件和管理水平等区域性耕地基础地力要素制约。     

样点规模与采样方法对表层土壤pH空间预测精度的影响

土壤空间预测与数字化制图的精度与质量受土壤样点规模、采样策略、预测模型选择、目标区域地貌与成土环境复杂程度、协变量数据质量等多种因素共同制约。选择河南省为研究区，基于9种土壤样点规模、5种采样方法，应用5种最具代表性的机器学习（Machine learning，ML）算法对耕地表层土壤pH实施空间预测与数字化制图，用以对比分析不同样点规模与采样方法对ML模型的性能表现及土壤pH预测精度的影响。结果表明：（1）当研究区土壤样点规模从200个经由400个、800个、1 200个、1 600上升到2 000个时，无论使用何种采样方法，所有ML模型的性能表现与预测精度均呈快速上升的总体趋势；当样点规模达到并超过2 000个时，大多数ML性能表现趋于稳定，预测精度上升快速趋缓，表明2 000个土壤样点可能是这些ML模型预测研究区耕地表层土壤pH的样点规模阈值。（2）5种ML模型性能表现及其土壤pH预测精度存在明显差距，基于树结构的随机森林（Random forests, RF）和Cubist表现最好，无论使用哪种采样方法，这两种模型预测结果的决定系数（R2）均可稳定在0.75~0.80之间、RMSE保持在0.50以下。（3）当土壤样点规模足够大时，采样方法对ML模型性能和土壤pH预测精度的影响很小，五种采样方法的效果相差不大。当土壤样点规模小于2 000个时，采样方法的影响逐渐凸显。比较而言，条件拉丁超立方采样在样点规模较小时具备优势。当样点规模为1000个时，条件拉丁超立方采样仍可使随机森林和Cubist预测的R2维持在0.80左右；在样点规模小至200个时，条件拉丁超立方采样方法下5种ML模型预测的R2均在0.55以上。（4）不确定性分析结果显示，平均73.9%的验证样点表层土壤pH观测值落入随机森林模型90%预测区间，表明该模型的可靠性被轻微高估，但处于可接受范畴。此外，数据显示模型预测的不确定性与样点规模无明显关联。     

样点数量与空间分布对县域尺度土壤属性空间预测效果的影响

明确样点数量和空间分布对土壤属性空间预测的影响,有助于科学制定土壤采样策略、有效提高土壤空间预测精度。从5 403个土壤样点中随机抽取验证数据集以及包含不同样点数量的训练数据子集(每个子集包括五种样点空间分布实例),在研究区表层土壤有机质含量普通克里格(Ordinary Kriging,OK)和反距离加权(InverseDistanceWeighted,IDW)插值结果的基础上,分析和探讨样点数量与空间分布对土壤空间预测效果的影响。结果显示,当样点数量从5000降至39个时,OK和IDW插值图的局部变异信息逐渐减少,基于20和10个样点的插值图存在失真畸变。当样点数量从5 000降至1 250个时,OK插值精度相近(r变幅为0.55～0.59、RMSE变幅为3.03～3.15);从样点数量减少至625个开始,OK插值精度明显下降,同一训练子集不同样点空间分布的插值精度分异明显。IDW插值精度随样点数量与空间分布的变化与OK插值相似,不同的是从1 875个样点开始出现插值精度的明显下降和不同空间分布插值精度的明显分异。在插值图发生失真畸变之前,OK平均插值精度大于IDW。研究结果表明,样点数量及空间分布均可在不同程度上影响土壤属性空间预测结果,当样点数量足够多时,样点数量和空间分布对预测结果的影响非常有限;当样点数量减少至一定程度时,随着样点数量的减少,空间预测图的局部变异信息逐渐减少,预测精度逐渐下降,同时样点空间分布对预测结果的影响开始凸显;在空间预测结果发生失真畸变之前,与OK相比,IDW插值精度较低且更早响应样点数量和空间分布的变化。