不同精度的土壤数据对水质和水量模拟的影响

【背景】模型模拟是研究面源污染的重要手段,建模过程中输入数据的质量是影响模型准确度的重要因素,其中土壤数据作为流域模型的重要输入数据之一,对模型的产流过程有重要的影响。然而,以往的研究多集中于土壤数据精度对水量和水文过程的影响,对水质的研究还比较欠缺。【目的】为丰富该领域建模的先验知识,为流域模型建立过程中的数据选择提供帮助。【方法】采用SWAT（soil & water assessment tool）模型,利用不同精度（1:5万、1:50万和1:100万）的土壤数据进行建模,对凤羽河流域的水量、泥沙、总氮和总磷含量进行了模拟。并采用SWAT-CUP软件进行参数的率定,得到基于3种不同土壤数据的最佳模拟结果。在此基础上,研究不同精度土壤数据对水文响应单元划分、模型参数、水质和水量模拟的影响。【结果】（1）土壤数据对水文响应单元（HRU,hydrologic response unit）的划分数量有明显影响,HRU划分数量的敏感性与划分阈值及土壤图详细程度有关;（2）进行参数率定后模型的表现效果有明显的提高,不同精度的土壤数据对于不同指标（流量、泥沙、总氮和总磷）的模拟效果存在差异,但并非土壤数据精度越高模拟效果越好;（3）随着子流域面积的增大,不同土壤数据提取的土壤属性的平均值趋于一致,且校准过程会对面积较小的子流域产生较大的影响。【结论】因此,在实际的模型模拟中应根据流域的大小和模拟的指标选择土壤数据的精度,同时在模型校准过程中要注意空间尺度的影响。     

基于地理信息系统及人工智能技术的滑坡危险度区划探讨

以地理信息系统和人工智能技术为信息平台,探索滑坡危险度区划研究的新途径 .以三峡库区开县移民区为研究区,把传统的危险度区划理论与新兴的地理信息系统和人工智能技术相结合,为三峡移民工程的顺利实施起到了指导性的作用.     

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.     

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。     

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。     

基于样点个体代表性的大尺度土壤属性制图方法

大空间尺度范围的土壤属性分布信息是陆地表层过程模拟的基础信息.基于野外样点进行空间插值是获得土壤属性空间分布信息的重要手段.现有的空间插值方法通常要求所用样点对研究区土壤属性空间分布规律具有良好的全局代表性.然而,受采样经费和野外采样条件的限制,所采集的样点往往难以全面地反映研究区土壤属性的空间分布规律.基于这样的样点用现有空间插值方法得到的土壤属性分布图通常精度较低,并且由样点全局代表性差带来的推测不确定性也无法得到度量.为了合理利用这些已采集的但全局代表性不好的样点,本文提出了基于样点“个体代表性”推测土壤属性空间分布并度量推测不确定性的方法.该方法在两点环境条件越相似、土壤属性就越相似的假设下,认为每一样点可以代表与其环境条件相似的地区,并且代表程度可以由两点的环境相似度度量;通过分析环境相似度计算推测不确定性,并以环境相似度为权重计算样点可代表地区的土壤属性值.将该方法应用于推测新疆伊犁地区土壤表层有机质含量,经验证,本文方法能够有效地利用全局代表性差的样点推测样点能够代表地区的土壤属性空间分布,并且所得的推测不确定性与预测残差呈现正向关系,能够有效地指示推测结果的可靠程度.     

基于GIS的农用地连片性分析及其在基本农田保护规划中的应用

基本农田保护区的划定是一个科学的、系统的问题,以往主要考虑数量、用途、质量和位置等因素.该文提出农用地连片性的概念,即同一质量范围(同一等级,或某一等级以上,或某等级区间内)的农用地地块相连程度.力图以之判断优质集中农用地的空间分布,并提议将此概念纳入基本农田保护区的确定程序中.国内外有关连片性的研究大多集中在景观生态学领域,国内也有文章涉及到耕地连片程度的问题,但在数学方法和理论上还有待进一步探讨.该文结合农用地分等成果,设计了3种农用地连片性的计算方法:空间相连性计算法、模糊纹理定量方法、基本农田保护指数方法,并以贵州玉屏侗族自治县为例,采用空间相连性计算法,在地理信息系统(GIS)的支持下,计算了不同约束条件下基本农田划定的空间范围,从而验证了该方法的可行性.实例研究表明,此方法的应用具有3个优点:1)连片的面积不再有最小和最大极限:2)连片的土地不限于零距离的相连:3)连片土地的质量等别可以自定义调整.     

基于数据库驱动技术的土壤图注记自动配置系统的设计与实现

土壤注记是土壤图制图表达的重要内容,对于理解土壤的发生、分布具有重要意义。在基于全国第二次土壤普查资料进行大比例尺土壤图分幅制图过程中,若对拥有海量土壤空间信息的多分幅大比例尺土壤图实现注记表达,不可能再依赖于传统的制图方式生成注记。为了实现注记上图的自动化和以交互方式解决多个步骤判断问题,构建了土壤图注记自动配置系统。该系统采用图廓边界注记压盖检测与处理技术,解决了注记压盖图廓边界的问题;采用图层、分级码、要素对象的三级控制方法,实现了注记在图层级别上进行整个图层以及背景层注记的设置,在分级码级别上结合统计结果,实现了注记的条件判别与阈值过滤,在要素级别上实现了特殊要素注记的生成。基于数据库驱动技术并以人机交互的方式进行土壤图注记的自动化配置,实现了批量土壤图分幅注记的快速生成,不仅具有较强的灵活性,可适用于不同比例尺土壤图及其他类型地图的注记表达,而且大大提高了数据生产的效率和自动化处理程度。该研究为今后不同比例尺土壤图制图实现注记的自动化配置提供参考。     

基于随机森林算法的耕地质量定级指标体系研究

【目的】分析研究区域内的耕地质量差异,优化耕地利用与布局,为耕地保护提供参考依据。【方法】以青海省共和县、都兰县和乌兰县的耕地为研究对象,根据历史及现有文献收集耕地质量的影响因素,采用随机森林算法和相关性分析筛选定级指标并确认权重,通过加权求和法计算定级指数并划分级别,得到定级结果。与常用的特尔菲法定级成果进行比较分析。【结果】随机森林算法得到的变量重要性(I)范围在0.03～11.94,相关性分析结果显示,大部分影响因素间相关性不显著,有8个为显著相关,综合I值和相关性分析结果将30个影响因素收敛为4个纬度下的14个定级指标,其中影响研究区域耕地质量的主要因素为生态系统脆弱性、生长季平均降水和年总太阳辐射量,权重分别为0.11、0.10和0.09,随机森林算法评价结果与实际情况相符。【结论】与常用的特尔菲法比较,随机森林算法稳定性更好,级别指数变幅区间更小,更有利于构建省级空间尺度的耕地级别可比序列。     

基于环境与光谱相似性的橡胶树叶片磷含量局部估测模型

为解决现有基于光谱相似性的局部样本搜索方法存在样本误选引起模型预测性能降低的问题,该研究提出先利用环境因子对叶片样本进行类别划分,然后在与待估测样本具有相同类别的样本集内进行局部样本搜索的方法。为验证该方法的有效性,将其用于实际案例中。在案例研究中,分3个时期（4－6月：抽叶期,7－9月：成熟期,10－12月：衰老期）在相同地块采集橡胶树叶片样品,然后利用该方法分别构建每个时期橡胶树叶片磷含量高光谱估测模型,并将模型预测精度与利用现有局部样本搜索方法构建的模型进行比较。为体现该研究提出方法的稳定性和可靠性,将每个时期采集的叶片样本随机分割5次,然后利用方差分析比较不同模型之间的预测精度是否存在显著差异。结果表明,利用该研究提出的方法构建的3个时期的橡胶树叶片磷含量高光谱估测模型预测精度（抽叶期：RMSE分别为0.031±0.003和0.030±0.004,成熟期：RMSE分别为0.030±0.002和0.029±0.003,衰老期：RMSE分别为0.026±0.002和0.024±0.003）都要高于利用现有局部样本搜索方法构建的高光谱估测模型（抽叶期：RMSE分别为0.034±0.002和0.034±0.002,成熟期：RMSE分别为0.042±0.002和0.042±0.003,衰老期RMSE分别为0.034±0.003和0.035±0.003）,且在成熟期和衰老期的差异达到了P<0.05的显著性水平,这就证明了在进行局部样本搜索时必须要考虑橡胶树叶片样本所处环境的差异,以避免选择到与待估测样本不属于同一环境条件的局部样本,进而可显著提高估测模型的预测性能。