基于模拟退火算法的土壤样点布局和土壤景观模型优化

本研究利用多重线性回归方程,以地形因子为预测变量,构建关于土壤有机质的土壤景观模型,并以西南山地丘陵区的一块面积为2 km2的汇水盆地为研究区,对该区域的土壤有机质空间分布进行预测。在此基础之上,探讨最少可用多少个点来预测土壤有机质的空间分布,并使之预测精度不低于原始集合的精度;同时,找出最优土壤样点布局,确定不同地形部位的取样单元,使之预测精度最高。研究结果表明:在预测误差最小化的情况下,最少可用7个优化的样点就可以代替原始200个采样点,且优化的样点数为124时,模型预测土壤有机质空间分布的精度最高。优化后的土壤景观模型的拟合度比原始模型提高了3.28%,MAE降低了5.3%,RMSE降低了3.94%。     

县域土壤有机质空间变异特征及合理采样数的确定

以有机质为例,以高密度土壤养分采样数据为数据源,通过随机抽取生成不同采样密度的样点数据,分析了不同采样密度下土壤有机质的空间变异特征及县域合理采样数。研究结果表明,在一定研究尺度下采样密度对土壤养分的模型拟合、变程和空间相关性没有显著影响,即适当减少样点数可以满足插值分析的需要,充分考虑土壤养分空间变异评价的精度分析,确定县域土壤有机质合理采样数应控制在400个以上。     

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。     

不同样点数量对土壤有机质空间变异表达的影响

以南京市六合区为研究区,通过完全随机和限制最小采样间距抽样分别设置5个样点系列,基于每个样点系列100次重复抽样的变异结构推断及空间预测误差结果,探讨了不同样点数量对土壤有机质(SOM)空间变异表达的影响。结果表明,两种抽样方式降低样点数量后推断的SOM含量的块金效应(C0/C0+C)均随样点数量减少而降低且限制最小采样间距抽样推断的C0/C0+C要低于完全随机抽样方法,说明适当的减少样点数量以便降低与SOM变异尺度不匹配的样点对变异结构推断的影响有助于提高SOM空间变异结构表达的可靠性。普通Kriging预测的SOM误差对比则表明,尽管两种抽样方式下空间预测的均方根误差(RMSE)随样点数量变化而波动,但均低于全部样点的预测误差;通过限制最小采样间距减少样点至250个时,SOM空间预测的RMSE最低,较全部样点预测误差降低了6%,因此,为了实现样点密度与SOM变异尺度相匹配,合理设置土壤采样点的间距及样点数量较单纯的增加采样点数量更为重要。     

采样点空间集聚度对揭示区域土壤全氮变异性的影响

基于余江县中部地区土壤密集采样点,通过重采样获得4个集聚度样点分布等级,每个等级取5个重复,其分布VMR均值(样方分析中的样点数变差–均值比)分别为0.13、0.83、1.49和2.16,利用普通克里金(OK)和结合土地利用信息的克里金(KLU)方法对土壤全氮(STN)含量进行空间预测,并通过验证样点比较了4种集聚度采样点的STN空间预测精度,以揭示土壤采样点集聚度对STN空间预测精度的影响。研究结果表明:通过两预测方法得到的验证点实测值与预测值散点图的相关系数(r)均随采样点集聚度的增加而降低,其中OK方法的r值由0.400降低至0.142,KLU方法的r值由0.718降低至0.542;两方法的预测平均绝对误差(MAE)和均方根误差(RMSE)随着集聚度的增加均呈现增加趋势,OK和KLU方法的MAE分别又由0.49和0.33增加至0.61和0.44,RMSE则分别由0.56和0.39增加到0.65和0.47。表明在土壤采样点数量相同的前提下,采样点的空间集聚度越低,即样点分布越均匀,克里金方法的预测精度越高,这说明对STN进行空间预测时,基于规则网格的采样点更有利于克里金方法的空间估算;同时,采样点空间集聚度对不同克里金方法预测精度的影响也存在差异,对KLU方法的影响大于OK方法。     

县域农田土壤养分空间变异及合理样点数确定

以武功县为例,应用地统计学和GIS相结合的方法,对土壤有机质、速效磷、速效钾、碱解氮等土壤养分空间变异特征进行研究,并对不同采样密度下有机质的空间插值结果进行分析比较,用均方根误差和相关系数检验不同密度下的插值精度,以确定县域有机质合理采样数。研究结果表明:各土壤养分均存在中等强度空间变异,土壤养分变异系数的顺序是速效磷速效钾有机质碱解氮。各土壤养分均存在正的基底效应,其中,有机质和速效钾的空间变异性受人为因素影响较小,控制其空间变异性的主要因素与成土母质、土壤类型、气候条件等有关。而碱解氮和速效磷的空间变异性受人为因素影响较大,控制其空间变异性的主要因素与耕作方式及农业生产中施肥等有关。随着采样点密度的增加,克里格插值精度提高,适当减少样点数可以满足插值分析的需要,充分考虑土壤养分空间变异评价的精度分析,确定县域土壤有机质合理采样数应控制在2213个以上,即最大以17.8 hm2为一个采样单元。     

采样尺度对土壤养分空间变异分析的影响

以高密度土壤养分采样数据为数据源,通过随机抽取生成不同采样尺度的样点数据,分析采样尺度对土壤养分空间变异特征分析的影响。研究结果表明:区域土壤养分预测均值随采样尺度减小呈下降趋势,而变异系数增加;养分空间分布的全局趋势随采样尺度增大而增强,但不影响半方差模型;当采样尺度较大,样点间自相关较弱时,相对较少的样点也能满足区域统计参数估测分析需要,但不能用于空间变异特征和插值分析;当样点数大于最佳采样数时,养分统计参数、空间变异特征和插值分析随着采样尺度减小而精度提高,当采样尺度达到0.2左右时,能够满足中等空间变异的土壤养分空间插值分析需要;样点空间布局对相关距和空间插值分析精度的影响比采样尺度本身更为显著。     

短距离样点对土壤呼吸空间变异预测精度的影响

不同采样设计会对土壤呼吸空间变异特征的预测精度产生重要影响。本研究选取黄淮海平原北部潮土区1 km×1 km夏玉米样地,在7×7单元规则格网(样点间距167 m)、完全随机(样点平均间距433 m)以及3×3单元规则格网+完全随机(样点平均间距405m)3种布点方式的基础上,保持样本总量(49)不变,以占总样点2%～14%的短距离样点(样点间距4m)随机替换原方案相应样点个数的方法优化布点方式,应用普通克里金法插值,以均方根误差(RMSE)和确定系数(R2)作为验证指标,检验基于3种布点方式设置的短距离样点对土壤呼吸空间变异预测精度的影响。结果表明:研究区土壤呼吸平均速率为2.65μmol·m?2·s?1,空间分布均呈西高东低,表现出中等程度变异。采样设计对土壤呼吸空间分布的预测精度影响显著,基于3种布点方式设置短距离样点可提高预测精度7%～13%。无短距离样点替换时,规则格网+完全随机的布点方式最优,比完全随机布点和规则格网布点的空间插值预测精度分别提高10%和22%;设置短距离样点替换后,在最优布点方式(规则格网+完全随机)中,对土壤呼吸空间变异的预测精度可再提高4%～7%,其中短距离样点个数占样本总量10%对土壤呼吸空间变异预测精度的提高最为明显。研究发现,基于相同的样本数量设置短距离样点可增加区域范围内样点密度,提高土壤呼吸空间变异预测精度及试验结果的可靠性。因此,在黄淮海平原北部潮土区100 hm2尺度的夏玉米样地中,规则格网+完全随机+10%短距离样点的布点方式是预测土壤呼吸空间变异最适宜的采样布点方式。     

利用地形和遥感数据预测土壤养分空间分布

在GIS支持下,选择地形因子和遥感植被指数,建立土壤养分空间分布预测模型,应用回归克里格（Kriging）方法,预测吉林省农安县土壤养分（有机质和全氮）的空间分布。结果表明,11个环境因子中,相对高程、坡度、地形起伏度、坡度变率、归一化植被指数（NDVI）与土壤有机质和全氮含量均具有显著的相关性。地面粗糙度和地形湿度指数与有机质具有显著相关性,而与全氮的相关性不显著。相对高程、坡度、地面粗糙度、河流动能指数以及NDVI在土壤养分的多元回归预测模型中贡献较大,是预测土壤养分空间分布的最优因子。有机质和全氮在研究区的空间分布格局呈现由东南向西北逐渐减少的趋势,这种分布格局受地形和植被的综合作用,同时与土壤类型密不可分。精度检验结果表明,回归克里格方法能够提高土壤养分空间分布预测精度,是一种有效的空间分布插值方法。     

复杂地形区土壤有机质空间变异性分析及制图

数字土壤制图作为获取土壤属性空间分布的一种新方法,目前已成为土壤科学的研究热点。探究土壤有机质在复杂地形区的空间变异特征及其空间分布制图,可为土地利用合理规划与管理、精准农业及生态环境模拟等提供有价值的数据。复杂地形区由于其地形起伏大,地貌类型多样以及采样点获取难度大等,对土壤属性制图带来一定的困难,也使得获取的属性空间分布图很难用于实际的使用。基于湟水流域2016年10—11月份采集的0—20 cm的253个土壤表层数据,采用GIS与地统计学相结合的方法,研究协同克里格(COK)、地理加权回归克里格(GWRK)以及结合土地利用类型的均值、中值修正协同克里格4种方法在湟水流域的预测精度并进行比较,旨在探索复杂地形区土壤有机质制图中地统计学方法的适用性。结果表明:(1) 4种插值方法对SOM的解释能力均较优,均可用于复杂地形区土壤有机质制图。(2)均值、中值修正协同克里格方法与地理加权回归克里格模型准确度分别为0.905,0.923,0.909,中值修正协同克里格精度最高,未考虑土地利用类型的协同克里格插值精度最低,为0.883。(3)有机质的变异系数为90.90%,存在中等空间变异性;表明其空间变异主要受土壤母质、土壤类型与土地利用管理方式、施肥等共同影响。(4) 4种方法预测图表明湟水流域的SOM高值主要分布在大通县西北部、海晏县南部等地,低值主要分布在民和县东南部等地;整体来看研究区SOM含量有利于农业发展。     

基于三种空间预测模型的海南岛土壤有机质空间分布研究

为探索适合热带地形复杂区土壤有机质(SOM)含量的空间预测方法,以海南岛为研究区域,结合地形因子、归一化植被指数、土壤类型、土地利用类型变量,选用普通克里格法(OK)、回归克里格法(RK)、随机森林模型(RF)三种方法对训练集128个样点SOM含量的空间分布规律进行预测,并通过验证集32个验证点比较了三种方法的预测精度。结果表明:(1)0~5 cm土层三种方法的平均预测误差(ME)均接近于0,从均方根预测误差(RMSE)来看,RF(0.8867)RK(0.910 4)OK(0.9641),从决定系数(R~2)来看,RF(0.214 1)RK(0.171 5)OK(0.070 8)。综合以上三个参数,该土层最优拟合模型为RF。同理得出0~20、20~40、40~60 cm土层的最优拟合模型分别为RF、RF、OK。RK和RF能够更好地描述SOM含量局部变异信息;(2)四个土层SOM含量的均值分别为19.67、15.89、10.30、8.07 g kg~(-1),呈现出西南、东北高,西部、东南沿海地区低的空间分布趋势。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

基于条件拉丁超立方抽样的县域耕地土壤有机质空间插值合理样本密度的确定

  目的  采样密度与耕地土壤有机质（SOM）的空间预测精度密切相关,为提高耕地SOM空间预测精度,需要确定合理的采样密度。  方法  以湖南省岳阳县为例,用R语言设计了条件拉丁超立方体抽样（cLHS）方案,从7399个（采样密度为14.82个 km?2）耕地土壤样本中独立抽取不同采样密度的8个训练集（采样密度分别为10.01、7.41、3.70、1.85、0.93、0.46、0.23、0.12个 km?2）,为了兼顾样本特征空间与地理空间,地形部位、坡度、成土母质、土壤类型、乡镇和经纬度等信息被添加到了cLHS中。结合普通克里格方法,分析和探讨了不同采样密度的耕地SOM空间预测效果。  结果  不同采样密度训练集SOM均值高于湖南省平均水平,具有中等程度变异,描述性统计结果差异不大,各训练集对总体均具有较强的代表性;半方差函数模型均为指数模型,具有较好的半方差结构（结构性比例:87.5% ~ 94.5%）,空间相关性较强,变程与拟合优度呈现出正相关关系(相关系数r = 0.96),与结构性比例则表现为负相关关系(相关系数r = ?0.79);在采样密度为3.70个 km?2时,探测到的SOM变异结构中结构性组分最完整,精度最佳。当采样密度达到1.85个 km?2以上时可较稳健地揭示其空间结构特征,继续增加采样密度并不能大幅提升预测精度。  结论  考虑预测精度要求和工作成本,与研究区自然地理条件相似的地区将耕地土壤采样密度控制在1.85个 km?2以上可获得预期的效果。     

陕西省地形起伏度最佳计算单元研究

[目的]确定陕西省地形起伏度最佳计算单元,分析地形起伏度的空间分布规律,为地貌类型划分提供基础数据。[方法]以陕西省90 m×90 m的航天飞机雷达地形测绘使命(SRTM)数字高程模型(DEM)数据为基础,首先利用邻域统计分析法〔矩形邻域选取2×2,3×3,4×4,…,35×35共34个不同大小的邻域窗口,圆形邻域窗口选取20个(邻域半径R为2~21)〕对陕西省地形起伏度进行提取,然后统计不同矩形窗口和圆形窗口下的各种地形起伏度类型所占面积比例,接着运用均值变点分析法计算最佳计算单元,最后完成陕西省地形起伏度分级图的绘制,并对地形起伏度特征进行分析。[结果]不同地形起伏度类型所占面积比例的变化各有不同。按矩形邻域计算的地形起伏度最佳计算单元为12×12,对应面积为898 704m2,按圆形邻域计算的地形起伏度最佳计算单元为R=8,对应面积为1 254 191.4m2,这说明在使用邻域分析法提取地形起伏度时,采用圆形邻域有别于采用矩形邻域。陕西省地形总体较平缓,主要以小起伏、中起伏为主。[结论]简单实用的均值变点分析法,是确定最佳计算单元的一种较为理想的方法。     

基于环境相关法和地统计学的土壤属性空间分布预测

土壤属性是土壤质量的重要决定因素,并强烈影响土地利用和生态过程。正确理解并充分考虑土壤空间变异,对于在景观尺度上建立生态、环境过程模型是必不可少的。在黄土高原横山县采集了254个样点,应用数字地形与遥感影像分析技术,获取相关地形因子与遥感指数,分析土壤属性（土壤容重、有机质和全磷）与环境因子相互关系,并利用环境变量进行空间预测。结果表明,土壤容重、有机质与地形因子和遥感指数之间存在较好相关性,而全磷与地形因子相关性不大;多元线性逐步回归模型对于土壤容重和有机质拟合较好,而对于全磷,预测结果较差;回归－克里格预测有效地减小了残差,消除了平滑效应,与实测值较为接近。     

秸秆带状覆盖下培土对马铃薯产量与水分利用效率的影响

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传统全局回归建模,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。     

中尺度土壤预测制图中地形变量提取的适宜分辨率探讨

地形变量是土壤预测制图中重要的预测变量之一,为了满足中尺度土壤预测制图的精度要求,又能够减少数据的冗余,需要选择合适分辨率范围的地形变量。基于ASTER GDEM数据,对不同地形起伏状况的3个样区,通过重采样得到30 m、60 m、90 m、120 m、150 m共5组不同分辨率的DEM数据,分别选取土壤预测制图中常用的高程、坡度、平面曲率和剖面曲率4组地形变量,通过地形信息熵、局部方差均值以及比例尺和空间分辨率的关系,选取巢湖流域用于土壤预测制图的地形变量提取的适宜分辨率范围。研究表明:对于特定比例尺的土壤预测制图,地形变量的提取需要综合考虑两个因素:一是土壤预测制图的比例尺,二是地形变量提取的分辨率。中尺度土壤预测制图地形变量提取的适宜分辨率为30m,既能保留有实际意义的地形信息,又能满足土壤预测制图的精度要求。     

基于混合地理加权回归与克里格的区域降水量空间插值方法

基于四川省区域范围内144个气象站点的实测降水数据,在综合考虑空间位置、地形等影响因素的基础上,采用改进的回归克里格模型,即混合地理加权回归克里格模型（MGWRK）对四川省年降水量的空间分布进行空间插值,并与普通克里格（OK）、全局回归克里格（GRK）和地理加权回归克里格（GWRK）等模型的插值效果进行对比分析。结果表明：（1）应用逐步回归法筛选确定的用于回归分析的影响因子组合为经度、纬度和坡度,可有效消除解释变量间的多重共线性,为后续的空间插值奠定基础;（2）同一回归变量在地理加权回归（GWR）与全局回归（GR）两种回归模型中的AICc（修正的赤池信息量准则,Corrected Akaike Information Criterion）值之差（ΔAICc）可用于定量判定各回归变量的空间非平稳性类型,据此将变量坡度设为全局变量,经度和纬度设为局部变量进行处理。在此基础上,通过MGWRK模型对四川省年降水量进行空间插值;（3）MGWRK插值模型综合考虑了空间位置、地形等多个影响因素及其与降水相互关系的空间非平稳性特征,相对于传统的OK和GRK法具有更高的插值精度。     

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。