基于分类树方法的土壤有机质空间制图研究

以浙江省龙游县研究区为例 ,提供了一种推断和表达土壤有机质 (OM)含量空间分布信息的方法 ,通过一种数据挖掘方法———分类树建模方法将土壤OM含量与一些易于广泛观测的景观属性 ,包括地形、地质、土地利用和遥感影像建立联系 ,从而将有关土壤OM含量分布的知识转入一种清楚的、定量的、与景观因子相关联的规则系统中 ,并以此来预测研究区土壤OM水平的连续空间分布。树分析选取了高程、岩石类型、土属类型、PC4 、PC2 、土地利用类型、PC3、PC1、上坡贡献面积、坡度、坡向、平面曲率和剖面曲率来预测研究区土壤OM等级的分布。其中 ,高程、岩石类型、土属类型和反映植被覆盖度的PC4 、PC2 以及土地利用类型对于研究区土壤OM等级预测更为重要。从分析结果来看 ,依据分类树所划分出的景观类型与土壤OM含量有着较好的关联性     

我国土壤调查制图及土壤分类工作的回顾与展望

建国以来,我国围绕国土整治与区域治理任务,在各地开展了土壤调查、制图及分类工作,为土壤资源的开发利用、建立土壤信息系统以及制定以诊断层为基础的土壤分类系统作出了贡献。今后应加强遥感技术与土壤信息系统的结合,使之步入新的发展阶段。     

中国土壤系统分类中的基层分类与制图表达

简单回顾国内外土壤基层分类的历史，提出概述基于中国土壤系统分类的基层分类和其制图表达的基本体系。     

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.     

应用遥感技术进行土壤制图的优点

作为遥感产品的航、卫片影像,是地面或地表以下一定深度的地物反射和发射电磁波,经传感器接收,光学或电算处理,在像片上的客观记录与反映。因此,它是地表形态(包括高差和阴影)植被(包括农业利用)、水文(包括地表水和地下水)和地表物质组成(岩石与土壤)等环境因素的综合反映,具有环境(或景观)因素的综合信息特征。而土壤正是环境诸因素综合作用下发生发育、演变,并与环境协调统一的自然产物。     

浙江省土壤发生分类与系统分类参比及制图研究

利用新建立的浙江省1∶5万土壤数据库,对土壤发生分类土种与中国土壤系统分类亚类进行了参比,编制了土壤系统分类亚类分布图.结果表明,发生分类基层分类单元归属较为清楚,但高级单元关系较为复杂.99个土属有62个参比归属唯一,277个土种有252个参比归属唯一,通过参比将大比例尺土壤普查成果转换成系统分类体系是可行的,可以满足1∶10万的系统分类亚类制图要求.浙江省土壤参比后归属于8个土纲,以雏形土土纲面积最大,占总面积的31.3％;人为土次之,占总面积的21.4％,有机土面积最小.在系统分类土纲层次,土壤区域分布规律较为明显.研究结果对指导土壤系统分类具有一定的参考价值,也为省域范围的系统分类制图提供了范例.     

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。     

基于支持向量机的典型冻土区土壤制图研究

基于青藏高原大片连续多年冻土分布的东部边缘,青海省兴海县温泉地区的野外调查数据,通过对研究区遥感数据的分析,开展了土壤制图方法的探讨。以成土因素学说和土壤-景观模型理论为基础,筛选土壤分类潜在变量,在不同的变量组合下运用支持向量机(SVM)的方法建立土壤-景观模型,对整个研究区进行预测性分类。为了更好地检验该方法的有效性,采用五折交叉方式进行结果的验证。并通过对比不同变量组合的交叉验证结果和分布模拟结果图,确定了适合典型冻土区土壤分类的环境变量组合,以较少的样本知识较好地预测该区土壤类型的空间分布。     

土壤质量数字制图方法浅论

本文简要论述了土壤质量数字制图的一般过程及其与传统土壤制图的异同,并依据土壤制图原理确定数字制图的几个重要参数,同时简述了数字制图对野外土壤调查的要求以及对传统图件的处理。     

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。     

耦合植被物候的新疆绿洲土壤盐分信息挖掘

随着土壤环境问题涉及的尺度日趋增大，小区域斑块化盐渍化信息的提取难以了解土壤环境总体的变化趋势。本文以野外监测的南北疆典型绿洲区域——渭库绿洲和艾比湖流域为分析靶区，通过实测数据建立土壤–环境关系，并通过MODIS EVI数据反演得到植被物候特征，耦合植被物候、植被指数、盐度指数、地表温度和地形参数作为随机森林(random forest, RF)模型的输入因子，预测新疆绿洲区域土壤盐分含量信息并绘制土壤盐分空间分布图。结果表明：通过深入挖掘植被物候信息，物候参数在预测土壤盐分方面具有较高的相对重要性，代表生物积累量的LSI和SSI参数表征土壤盐渍化的能力较强，优于其他几个物候参数。耦合物候参数后土壤盐分信息预测精度明显提高，决定系数R~2从0.53提升到0.61。经模型反复迭代进一步筛选出适合研究区的23个环境参数，大幅提升了预测精度(R~2=0.73, RMSE=5.19, MAE=3.59)。从得到的盐渍化空间分布特征来看，新疆绿洲大部分区域分布的是非盐渍化土和轻盐渍化土，且普遍分布在绿洲内部，中度及以上盐渍化土多分布在绿洲外围，总体盐渍化水平依次为：伊犁平原<北疆绿洲&l...     

基于GIS的黄土丘陵区土壤水分制图与动态模拟方法研究

以空间图形和数据库为基础,利用GIS把特定区域内土壤水分样点数据与地理数据结合起来,建立不同利用类型-土地类型-坡度分级-坡向等的浮点型土壤含水率字段,对区域尺度土壤水分制图及其动态模拟方法进行了研究和探讨.     

对全国第二次土壤普查中土类、亚类划分及其调查制图的辨析

按照中国发生分类对新采集的68个北京市山区的土壤剖面进行了分类命名,并与剖面点所在土壤普查图上的分类名称进行比较,结果是只有18个剖面的分类名称一致。造成分类名称不一致的原因:1发生分类以区域典型土壤剖面分类命名,而区域内很多土壤不同于典型土壤剖面;2发生分类往往以现代生物气候带为主要分类标准命名区域土壤,而不是根据土壤性质;3分类不一致的最大原因可能是制图精度不够。研究认为,土壤分类必须依据土壤性质本身,而不是土壤形成因素;采取野外单土壤性质调查制图,室内叠加单土壤性质图形成多属性图斑,根据分类系统对它们进行综合分类,以提高分类制图精度。     

基于特征筛选算法的数字土壤制图研究

平缓地带数字土壤制图中，环境协变量的选择是提高制图精度的关键。已有研究证明遥感影像可作为推理制图的辅助因子，而如何确定环境因子推理制图时各自的权重已成为现阶段研究的重点。选取湖北省麻城市乘马岗镇为研究区，采用3种特征筛选方法进行有效环境变量筛选，探索参与平原-丘陵混合区域制图的因子并确定其重要性，依据选择的相对稳定的指标，进一步探索提高土壤类型制图准确性的途径。根据141个野外独立样点的检验结果表明：在推理制图中，遥感因子在平原区域的重要性程度高于丘陵区域，且遥感因子中归一化植被指数(NDVI)和均值(Mean)较为稳定；基于递归特征算法的按地形推理制图精度最高为75.89%，分别高于ReliefF算法和基于Tree的特征筛选算法13.48%和4.97%；此外3种特征筛选算法制图结果中，按地形因子分区制图的精度均高于整体区域制图。因此，遥感因子作为辅助手段参与推理过程可有效提高制图精度。本研究采用的特征挖掘与机器学习算法对提升土壤制图精度具有一定的理论意义。     

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。     

An Insight into Machine Learning Algorithms to Map the Occurrence of the Soil Mattic Horizon in the Northeastern Qinghai-Tibetan Plateau

Soil diagnostic horizons, which each have a set of quantified properties, play a key role in soil classification. However, they are difficult to predict, and few attempts have been made to map their spatial occurrence. We evaluated and compared four machine learning algorithms, namely, the classification and regression tree(CART), random forest(RF), boosted regression trees(BRT), and support vector machine(SVM), to map the occurrence of the soil mattic horizon in the northeastern Qinghai-Tibetan Plateau using readily available ancillary data. The mechanisms of resampling and ensemble techniques significantly improved prediction accuracies(measured based on area under the receiver operator characteristic curve score(AUC)) and produced more stable results for the BRT(AUC of 0.921 ± 0.012, mean ± standard deviation) and RF(0.908 ± 0.013) algorithms compared to the CART algorithm(0.784 ± 0.012), which is the most commonly used machine learning method. Although the SVM algorithm yielded a comparable AUC value(0.906 ± 0.006) to the RF and BRT algorithms, it is sensitive to parameter settings, which are extremely time-consuming.Therefore, we consider it inadequate for occurrence-distribution modeling. Considering the obvious advantages of high prediction accuracy, robustness to parameter settings, the ability to estimate uncertainty in prediction, and easy interpretation of predictor variables, BRT seems to be the most desirable method. These results provide an insight into the use of machine learning algorithms to map the mattic horizon and potentially other soil diagnostic horizons.     

Mapping soil erodibility in southeast China at 250 m resolution: Using environmental variables and random forest regression with limited samples

Soil erodibility (K factor) mapping has been accomplished mainly by soil map-linked or geo-statistical interpolation. However, the resulting maps usually have coarse spatial resolution at a regional scale. The objectives of this study were a) to map the K factors using a set of environmental variables and random forest (RF) model, and b) to identify the important environmental variables in the predictive mapping on a regional scale. We collected 101 surface soil samples across southeast China in the summer of 2019. For each sample, we measured the particle size distribution and organic matter content, and calculated the K factors using the nomograph equation. The hyperparameters of RF were optimized through 5-fold cross validation (m_try = 2, n_tree = 500, p = 63), and a digital map with 250 m resolution was generated for the K factor. The lower and upper limits of a 90% prediction interval were also produced for uncertainty analysis. It was found that the important environmental variables for the K factor prediction were relief, climate, land surface temperature and vegetation indexes. Since the existing K factor map has an average polygonal area of 6.8 km², our approach dramatically improves the spatial resolution of the K factor to 0.0625 km². The new method captures more distinct differences in spatial details, and the spatial distribution of the K factor derived from RF prediction followed a similar pattern with kriging interpolation. This suggests the presented approach in this study is effective for mapping the K factor with limited sampling data.     

基于决策树的龙口市土地利用/覆盖分类研究

LUCC是全球变化研究的重要内容,土地利用/覆盖信息的获取是其前提和基础。决策树分类法是每次利用一定的规则,对遥感影像进行逐级细化的分类模型,具有直观、高效等特点。在综合分析每一种土地利用/覆盖类型各种特征的基础上,探讨了将不同土地利用/覆盖类型的光谱特征、空间特征、波段比值特征等信息融入决策树分类模型,对龙口市土地利用/覆盖信息进行自动分类的方法,取得了较高的分类精度。     

平原区土壤质地的反射光谱预测与地统计制图

基于地统计方法的土壤属性制图通常需要大量的采样与实验室测定。本研究提出利用可见光近红外(visible-nearinfrared spectroscopy,VNIR)光谱技术测定替代实验室测定,并与地统计方法相结合预测土壤质地的空间变异。通过建立砂粒(0.02 mm),粉粒(0.002~0.02 mm),黏粒(0.002 mm)含量的VNIR光谱预测模型,将模型预测得到的质地数据和建模点实测质地数据一同用于地统计分析和Kriging插值制图。以江苏北部黄淮平原地区为案例的研究结果表明,砂粒、粉粒、黏粒含量的预测值和实测值的均方根误差(RMSE)分别为8.67%、6.90%3、.51%,平均绝对误差(MAE)分别为6.46%、5.60%、3.05%,显示了较高的预测精度。研究为快速获取平原区土壤质地空间分布提供了新的可能的途径。