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%。     

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。     

不同采样尺度下土壤碱解氮空间变异性研究——以榆树市农田土壤为例

在精准农业的实施过程中,研究如何用较少的样本来反映田间信息的空间变异规律,再用科学的插值方法进行插值和预估是精准农业研究中的一个关键问题。以东北典型黑土区——吉林省榆树市为研究区域,在榆树市弓棚镇13号村内选择相对平整的地块进行土壤采样并测试其土壤养分。在对原始采样格网点按一定的样点间隔和布局进行抽取的基础上,利用克里格插值方法和BP神经网络方法分别进行空间插值,比较不同采样尺度（40m×40m,56m×56m,80m×80m,113m×113m,160m×160m五个尺度）对空间插值精度的影响。结果表明:（1）随着采样尺度的增大,碱解氮的空间结构系数C/（C₀+C）有减小的趋势,表明采样间距以内的不可估计误差逐渐增大,其空间结构的表现能力在逐渐减弱;（2）Kriging插值精度总体优于BP神经网络,随着采样尺度的增加,两种模型的模拟精度都有所下降,BP神经网路的插值精度和Kriging模型的插值精度的差距逐渐减小;（3）两种模型在113m×113m尺度上插值精度都发生了突变,如考虑碱解氮的空间变异规律和经济因素,碱解氮的最佳采样尺度应在80～113m。     

土壤制图中多等级代表性采样与分层随机采样的对比研究

采样设计是土壤地理研究中备受关注的重要问题。本文以区域尺度土壤属性制图为例,将多等级代表性采样与经典采样中的分层随机采样进行对比研究。以安徽宣城研究区的表层砂粒含量为目标要素,采集数量均为59个的两套样点,设计不同数量(46、58和59)的样点分组,采用两种制图方法进行制图并利用独立验证点进行评价。结果表明:1)无论是采用多元线性回归方法还是基于环境相似度的制图方法,在同等样点数量下,利用代表性样点所得土壤图精度均高于利用随机样点所得精度,并且利用少量代表性样点(46个)所得土壤图精度也高于利用多量随机样点(59个)所得精度;2)随着代表性较低样点的增加,土壤制图精度基本有一个提高的趋势,而采用随机样点所得土壤图的精度波动较大。因此,可认为多等级代表性采样方法是一种可用于区域尺度土壤调查的有效采样方法,且比分层随机采样高效、稳定。     

基于空间模拟退火算法的耕地质量布样及优化方法

耕地质量监测是保障耕地资源的永续利用,实现耕地产能提升、加强耕地资源的管理、保护、合理利用的重要措施,对实现持续粮食安全具有重要意义。该文提出了基于空间模拟退火算法的耕地质量布样优化方法,以空间模拟退火算法为基础生成一组最优样本,构成基础监测网络,在此基础上,通过多期耕地等级成果数据提取属性发生变化的分等因素和对应发生变化的区域,生成潜在变化区,并结合研究区实际情况辅以专家知识和异常监测点,对基础样本点进行增加、删除、替换等优化操作,生成最终监测样点。以北京市大兴区为例,最终确定布设55个监测样点,结果表明,该方法布设的样点在耕地质量预测方面的精度高于传统的随机抽样和分层抽样方法,能有效地预测县域耕地质量并监控耕地质量的变化情况。     

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.     

县域尺度农田深层土壤有机质的估算及空间变异特征

县域是实施农业绿色发展的基本单元,农田土壤中不仅耕层的有机质含量会对土壤肥力产生影响,深层有机质的作用也不可忽略,精确估算基于县域尺度农田深层有机质含量具有重要意义。该研究选定位于山西省运城市的永济市农田为研究区,采用多点混合取样法,获取了8个样地剖面的18层数据,共144个混合土样的有机质含量数据,建立了表层(0～20 cm)有机质含量估算深层有机质含量的模型,并进行深层有机质含量的估算。基于半变异函数、空间自相关理论分析了0～30、30～60、60～90、90～120、120～150和150～180 cm土层有机质含量的空间相关性和聚集特征,并进行了相关性检验,采用克里格插值方法对研究区农田各土层的有机质含量进行了预测。结果表明:1)土壤有机质含量随深度的增加呈负指数递减(R2=0.80,P0.01),各土层的有机质含量变异系数介于35.89%～47.84%之间,处于中等变异程度。2)通过建立的估算模型可以通过表层有机质含量估算出任意深度的有机质含量,且拟合精度R2达到了0.90(P0.01)。3)指数模型是反映该区域有机质含量空间结构特征的最佳模型(R20.80,RSS0.001),各土层的有机质含量均表现出了中等程度结构性特征,和空间正相关性特征(Moran’s I=0.26,P0.01),并存在显著的空间聚集特征和异常值现象。4)克里格插值可以较好地进行研究区各层有机质含量的预测,预测精度较高,稳定性较好,为县域尺度深层有机质的估算,调整农艺措施、提高土壤肥力、达到土壤减肥增效、绿色增产增效提供依据。     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

不同尺度下土壤养分空间变异特征的研究

在不同取样尺度下采集了农田土壤样品并测定土壤有机质、全N和有效P含量，研究不同尺度下地统计学方法对土壤养分空间变异分析的适用性和空间插值质量。研究结果表明，大比例尺下土壤有机质含量、有效P含量、全N含量的分布呈正态分布，在中小比例尺下呈现轻微偏态分布。各养分空间变异系数存在明显空间变异(C．V.介于17％—27％之间)，大比例尺下，空间变异较小；中小比例尺下，空间变异程度大(C.V.和峰度值较小)。在各种尺度下，土壤养分均存在典型的半方差结构，表明在各种取样比例尺下采用地统计学方法进行土壤养分空间变异分析都是可行的。在大中比例尺下，各养分块金系数介于0．28—0．38之间，表明土壤养分具有明显空间自相关；而在小比例尺下，块金系数介于0—0．17之间，表明土壤养分具有强烈空间自相关，其中有机质含量具有恒定的空间自相关(块金系数为0)，有效P含量的空间自相关程度相对较弱；空间插值和交互检验结果表明，球状模型空间插值结果与实测结果符合性很好，交互检验均达到极显著水平。在小比例尺下其估计比大比例尺下精度更高。不同养分的空间预测结果质量不尽相同，土壤有机质含量空间预测符合度最高。     

辅助时序数据用于土壤盐分空间预测及采样研究

以普通克立格法作为参考，利用辅助数据的两种预测方法，即协同克立格法和回归克立格法对海涂区土壤盐分进行空间内插计算，并在目标变量的采样数目不断减少的情况下，利用80个检验样本，对比了这3种方法的预测精度。结果表明，不论目标变量的样品数目如何减少，利用了辅助变量的协同克立格法和回归克立格法的预测精度较普通克立格法都有了较大提高，而且回归克立格法的预测精度总体上要好于协同克立格法。对不同样品数目下3种方法的预测误差进行T检验发现，回归克立格法对普通克立格法和协同克立格法预测误差的减少在不同的样本数目下都达到了极显著水平。研究结果表明，利用连续几个时段上辅助的时序数据，来对同样点位上下一个时段的变量进行估值，可以较大地提高估值精度，节省采样成本。尤其是回归克立格法的回归部分可以是一般的线性模型，也可以是非线性模型,在预测时无疑更具灵活性。     

基于时空变异的旱地土壤有机碳高效采样策略研究

土壤有机碳(SOC)空间分布具有时序差异性,明确样点数量对不同时期SOC预测精度影响是制定高效采样策略的基础.选取3.93×104 km2江苏北部旱地作为案例区,运用普通克里金插值方法,分析样点数量对不同时期SOC空间预测精度的影响.结果表明:不同数量样点数据集下1980年苏北旱地SOC预测值与实测值的相关系数r和均方...     

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。     

土壤侵蚀监测点布局的空间尺度分析

土壤侵蚀是一个多尺度的时空过程,不同尺度的土壤侵蚀具有不同的主制过程及主导因素,监测点的布局应考虑土壤侵蚀的空间尺度效应.提出三级控制的分层抽样监测点布局方案,即采用土壤侵蚀类型分区作为区域尺度上的一级控制因素;采用降雨量、沟壑密度、植被类型、土壤类型、土地利用结构作为小流域尺度上的二级控制因素,筛选典型小流域;采用坡度、植被盖度、土壤类型、土地利用作为坡面尺度上的三级控制因素,筛选典型坡面地块单元.逐层筛选监测点位置,在典型小流域出口处布设控制站,在典型坡面地块内布设径流小区.基于空间尺度效应的分层抽样监测点布局方法以GIS为主要技术手段,以RS为主要数据源,充分结合水土保持工作现状,能提高监测点布局的合理性和高效性.     

小流域尺度土壤可蚀性(K值)的变异及不同采样密度对其估值精度的影响

以观音寺小流域为例,通过高密度采样,利用EPIC模型中土壤可蚀性K值计算公式计算了可蚀性K值,并运用逆距离加权插值方法生成了研究区的K值分布图。经典统计学方法分析表明,在小流域尺度下土壤可蚀性K值存在很强的空间变异性,其变异系数达39.94%。因此,定量监测、评价流域水土流失时,K值的这种空间变异性不能忽略。对不同采样密度下K值空间估值精度的评价表明,当采样点数目均匀地减少一半时,即4个/km2的样点密度下,K值估计误差仍然可以控制在25%以内。     

基于决策树模型的土壤性质空间推断

许多水文、生态环境和土地管理规划的决策当中,都迫切需要空间连续的土壤性质信息来提高其建模和决策的精确性和可靠性。依靠传统土壤调查技术获得的土壤图则无法满足这种需求。本研究以浙江省龙游县研究区为例,利用第二次土壤普查的土壤性质数据,生成土壤性质-环境因子空间数据库。运用决策树建模方法将土壤性质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,从而将有关土壤性质含量分布的知识转入一种清楚的、定量的、与环境因子相关联的规则系统中,并以此来预测研究区土壤性质的连续空间分布。研究结果表明,所建立的决策树模型可以解释75～81%的土壤性质空间变异。     

基于影像分析的黄土丘陵沟壑区土壤水分采样研究

[目的]以山西省寿阳县三眼井小流域土壤水分采样为例,对采样点进行了均匀性和代表性分析,以此验证土壤采样设计的合理性。[方法]利用统计分析SPSS 13.0软件和ArcGIS软件,以规则网格采样点作为初步布设图,然后结合遥感影像,把自动生成的规则网格采样点在兼顾土地利用类型和可操作性的前提下进行微调,即采用大均匀小随机布点法进行土壤采样点布设。[结果]最近邻点指数和变异系数均显示采样点分布较均匀;从采样点的坡度代表性来看,由于大均匀小随机采样考虑到实际可操作性,采样点布设多集中在0°~15°,坡度的代表性较差;从采样点的坡向代表性来看,采样点代表性较好;从土地利用类型代表性来看,大均匀小随机法得到的采样点对草地与耕地的代表性较好,对林地的代表性较差,主要因为林地多分布在陡坡上难以采样。[结论]总体来看,大均匀小随机采样法得到的样点均匀性和代表性都比较好,且由于黄土丘陵沟壑区沟壑纵横,地形复杂,利用此方法可以兼顾均匀性、代表性和可操作性。     

基于大比例尺数据库的福建省耕地土壤固碳速率和潜力研究

明确土壤固碳速率和潜力是制定耕地固碳减排措施的基础。以我国典型亚热带地区—福建省不同地理位置的闽侯、浦城、同安、武平和永定5个县为研究区,运用生物地球化学过程模型DNDC（DeNitrification and Decomposition）,模拟这5个县在目前区域尺度最详细的1:5万土壤数据库下1980─2009年和2010─2039年有机碳动态变化,并运用尺度上推的方法估算出全省耕地土壤固碳速率和潜力。结果表明,福建省耕地土壤1980─2009年的固碳总量为7.37 Tg,而2010─2039年的固碳潜力为7.04 Tg,两个时段的年均固碳速率分别为：190 kg·hm-2和176 kg·hm-2,说明目前的农田管理措施有利于研究区长期固碳。其中,水稻土和盐渍水稻土分别在土类和亚类级别中固碳速率最大,不同时段均大于175 kg·hm-2·a-1;而红壤在土类和亚类级别中固碳速率皆最小,不同时段均小于3 kg·hm-2·a-1。总体来看,1980─2009年和2010─2039年水稻土的固碳总量均占全省耕地固碳总量的92%以上,是今后制定固碳减排措施的重点。     

土壤有机质可见光-近红外光谱预测样本优化选择

土壤有机质可见光-近红外光谱预测中建模样本的优化选择对提高有机质模型估算精度具有重要作用。本文以湟水流域土壤有机质为例,采用基于土壤单一属性信息考虑的建模样本选择方法:浓度梯度法、Kennard-Stone(KS)方法,以及基于土壤多种信息考虑的建模样本选择方法:Rank-KS(RKS)法、土壤类型结合浓度梯度法以及土壤类型结合KS法。通过偏最小二乘回归建模,探索可见光–近红外光谱预测青海湟水流域有机质的最优样本集。结果表明:不同级别样本数的最佳建模样本选择方法不同,整体表现为基于土壤多种信息挑选的建模样本集的模型精度相比土壤单一信息均较高,特别是KS方法结合土壤类型后的建模样本集模型精度明显提高且在样本数较少时更为明显。土壤类型可以优化建模样本选择方法提高模型预测精度。在保证固定验证样本模型预测精度的情况下,土壤类型参与建模样本的选择可以有效减少建模样本数,进而降低了建模成本。     

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。