基于遥感影像和决策树算法的土壤制图

传统土壤信息获取方法已经无法完全满足当前各领域对土壤数据的需求,如何结合新的技术提高土壤普查效率,获取高精度土壤图成为了现阶段的研究重点。本研究综合利用高分二号遥感影像提取的遥感光谱指数以及DEM数据提取的地形因子,通过决策树算法进行数据挖掘,获取各土壤类型的土壤—环境规则,然后利用SoLIM结合土壤—环境规则进行推理制图,获得研究区的土壤类型分布图。结果表明,预测土壤图总体精度为88%,高于传统土壤图的精度72%,且在三种不同的采样方式(均匀采样、横截面采样和主观采样)下土壤预测精度分别为89%、88%、86%,均高于传统土壤图。这说明,预测土壤图比传统土壤图更能反映土壤类型空间差异,且预测土壤图在表达土壤类型整体空间分布信息的同时也可捕捉到土壤类型与地貌类型的耦合关系。     

基于不确定性模型的土壤——环境关系知识获取方法的研究

土壤与环境关系知识的获取是精细数字土壤制图的关键,如何快速准确地获取该知识成为现阶段研究的重点。以湖北省黄冈市红安县华家河镇为例,利用土壤—环境推理模型(Soil-Land Inference Model,So LIM)得到土壤类型的夸大和忽略不确定性分布图,依据不确定性分布图在可信度高的位置重新采集样点,对样点进行数据挖掘,获取环境因子组合,建立其与土壤类型的对应关系。结合原始规则,生成新的土壤—环境关系知识,并将其用于土壤推理制图,获得新的土壤类型分布,利用253个野外独立样点进行精度验证。结果表明:推理土壤图显示了更加详细的空间分布信息,经野外验证点验证,总体精度为86.9%,高于原土壤图精度约13%。因此,利用不确定性模型重新获取土壤—环境关系知识的方法是可行且有效的,该方法不仅增加了土壤图的空间详细度,而且提高了土壤图的精确度。     

基于传统土壤图的土壤—环境关系获取及推理制图研究

在数字土壤制图研究中,从历史资料中提取准确的、详细的土壤—环境关系对于土壤图的更新和修正十分重要。从传统土壤图中提取土壤类型并从地形数据中提取环境参数,采用空间数据挖掘方法建立土壤—环境关系,并进行推理制图和精度验证。以湖北省黄冈市红安县华家河镇滠水河流域为例,首先选取成土母质和基于地形数据提取的高程、坡度、坡向等7个环境因子;然后利用频率分布原理得到包含土壤类型与环境因子信息的典型样本数据1 410个;采用See5.0决策树方法进行空间数据挖掘,建立土壤—环境关系;将其导入So LIM中进行推理制图;最后利用270个实地采样点验证所得土壤图的精度。土壤图的精度提高了约11%,证明了本研究方法对土壤类型和空间分布推理的可靠性。     

半干旱沙区土类/亚类的遥感调查制图方法

传统土壤调查制图存在低时效性、低精度等问题。为了解决半干旱沙区土壤遥感调查制图问题,该文以科尔沁左翼后旗为例,基于野外实地调查和专家知识分析了半干旱沙区土壤类型分布特征与环境因素之间的关系,并探讨了基于多时相Landsat8 OLI影像数据的半干旱沙区土类/亚类遥感调查制图方法。结果表明:利用多时相Landsat8 OLI影像数据提取的归一化差异水体指数(modified normalized difference water index,MNDWI)、盐分指数(salt index,SI)、归一化差异湿度指数(normalized difference moisture index,NDMI)、归一化差异植被指数(normalized difference vegetation index,NDVI)等环境信息,可实现对沼泽土、盐碱土、草甸土、风沙土及其亚类等半干旱沙区主要土壤类型的遥感调查制图。应用本文提出的半干旱区土类/亚类遥感调查制图方法对科左后旗进行土壤遥感调查制图和精度验证,总体精度约为72.84%,Kappa系数为0.667 8。该方法可为半干旱沙区数字土壤调查制图提供思路和参考。     

基于土壤-环境关系的更新传统土壤图研究

传统土壤图是流域管理、生态水文模型所需土壤空间分布信息的主要数据源。然而,受传统制图技术和基础数据质量所限,传统土壤图的空间详细度和属性精确度并不高。随着地理信息技术的发展,如何利用可获取的高质量空间数据和现代空间分析技术来更新传统土壤图显得十分必要。基于传统土壤图中的土壤多边形与通过模糊聚类所得环境因子组合之间存在着对应关系这一假设,本文提出了一种从传统土壤图中提取土壤-环境关系知识并利用该知识更新传统土壤图的方法。该方法包括四个步骤:对环境数据进行模糊c均值聚类获取环境因子组合;利用传统土壤图建立环境因子组合与土壤类型间的对应关系;提取土壤-环境关系知识;进行土壤推理制图。将该方法应用于加拿大New B runsw ick省的W akefield研究区,以更新该区现有的1∶20 000的传统土壤图。应用结果表明:更新后的数字土壤图显示了更详细的空间分布信息;经野外独立验证点验证,所得土壤图(制图单元为土壤组合-排水等级)精度高出原土壤图约20%。因此,该方法是一种有效的更新传统土壤图的方法,可增加土壤图的空间详细度、提高土壤图的属性精确度。     

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。     

基于裸土期多时相遥感影像特征及最大似然法的土壤分类

运用单时相遥感数据进行土壤分类及制图,其数据本身易受到其他因素干扰而出现误差,存在一定的局限性,导致制图精度不高。为了提高制图精度,以松嫩平原林甸县为研究区,利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据,从所有单时相遥感影像中提取出多种分类特征,按照分类特征类型进行压缩处理,得到新的多时相分类特征,将不同分类特征进行组合并分别进行最大似然法分类,得到不同分类特征组合下的土壤类型图,通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明,该文所提取的分类特征均可以实现土壤制图,使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高,总体精度达到91.0%,研究可为土壤精细制图提供依据。     

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。     

应用基于PLSR的土壤-环境模型预测土壤属性

土壤-环境模型对于正确理解土壤属性与环境因子间的关系,以及进行土壤属性预测与制图均具有重要的意义。研究区位于陕西省长武县内多年退耕还林还草沟壑区域,采集72个土壤表层样本,选择3/4的样本作为建模集,其余1/4的样本作为验证集;环境因子选择容易获取的地形因子和由遥感影像提取的植被因子和湿度因子,建立基于偏最小二乘回归(PLSR)的土壤-环境模型。结果表明:全氮、速效钾、全钾、有机质与环境因子间均有显著相关性;建立的PLSR模型可解释土壤属性的空间变异从23%(全氮)到27%(全钾);与逐步回归方法构建的模型相比,利用PLSR构建的土壤-环境模型可以更好地表征土壤属性与环境变量间的关系,拟合精度和预测精度也相对较高,说明PLSR建立的模型可以更好地应用于相似区域的土壤属性预测。     

复杂景观环境下土壤厚度分布规则提取与制图

复杂景观环境下,土壤—环境关系知识的获取是预测性土壤制图的基础。为了探究复杂景观下土壤厚度分布与环境条件的关系,该文以黑河上游祁连山区典型小流域为研究区,应用模糊c均值聚类(fuzzy C-means cluster,FCM)和决策树(decision Tree,DT)方法,建立了一套获取土壤厚度分布与环境间关系知识的方法。利用2种方法结合获得流域内土壤厚度各分布等级的环境要素关键阈值与土壤-环境关系知识集,将所得环境阈值和知识集进行预测性制图,并通过野外独立样点对制图结果进行精度评价。结果表明:土壤厚度图的总体精度为74.2%,Kappa系数为0.659。该研究将2种方法结合获得了土壤厚度分布对应的土壤环境关键阈值和土壤-环境关系知识集,为复杂景观环境下土壤厚度的预测性制图提供了一种有效的解决方案。     

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。     

基于地统计与遥感反演相结合的有机质预测制图研究

土壤水分对土壤光谱反射率有显著影响,而以往有机质遥感反演制图中却很少将水分作为预测建模的变量。为了使遥感制图更加符合野外实际环境,提高有机质预测制图精度,在充分考虑土壤样点空间自相关、异相关与野外复杂环境特点的基础上,通过地统计获得研究区水分的空间分布数据,结合遥感反射率,建立多因子预测模型,得到了吉林省黑土区土壤有机质空间分布图。结果表明,有机质遥感制图中,水分因素的加入,使模型的建立更加符合野外实际情况,显著提高了有机质预测制图的精度。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(HybridThreeDimensionalandTwoDimensionalConvolutional Neural Networks,3D-2D CNN)。该模型首先通过多个三维卷积层提取时空特征,其次将输出的特征降维压缩后通过二维卷积层执行空域特征分析,最后将高层特征图展平后通过全连接层进行类别预测。试验以Landsat8多时相影像为数据源,将美国加利福尼亚州北部研究区的地块按照2:2:6分层随机划分为训练集、验证集和测试集。试验结果表明3D-2DCNN对13种农作物分类的总体精度(89.38%)、宏平均F1值(84.21%)和Kappa系数(0.881)均优于三维卷积神经网络(Three Dimensional Convolutional Neural Networks,3D-CNN)、二维卷积神经网络(Two Dimensional Convolutional Neural Networks,2D-CNN)、支持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)等方法,并在参数量和收敛时间方面比3D CNN大幅度减小。同时,在较小样本训练集下3D-2D CNN仍表现最优。该模型综合利用空间-光谱-时间特征并具有较高的分类精度和较强的鲁棒性,这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。     

基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。     

典型黑土区耕作土壤质地遥感时间窗口及影响因素分析

了解黑土区耕作土壤质地的空间分布对于黑土区农业精准管理以及耕地保护至关重要。遥感技术是快速获取土壤质地空间分布的有效方法。该研究以黑龙江省友谊农场耕地为研究对象,评估研究区土壤质地遥感反演的最佳时间窗口并分析其影响因素。筛选覆盖研究区的2019-2021年25幅Sentinel-2影像,将每幅影像的波段和构建的光谱指数输入随机森林模型,建立土壤质地遥感反演模型,比较不同时期影像反演土壤质地的模型精度,确定土壤质地遥感反演的最适宜影像,并分析造成反演土壤质地精度变化的原因,获取友谊农场土壤质地空间分布。结果表明：1）友谊农场反演土壤质地的最佳时间窗口为4月下旬至5月中旬;2）在25幅Sentinel-2影像中,2020年5月7日反演粉粒和砂粒的模型精度最高（粉粒的R2为0.785,均方根误差为6.697%;砂粒的R2为0.776,均方根误差为8.296%）;2019年5月3日反演黏粒的模型精度最高（R2为0.776,均方根误差为1.6%）;3）不同时期的Sentinel-2影像对土壤质地反演的准确性有很大的影响,而土壤含水量和秸秆覆盖是造成不同时期土壤质地预测精度差异的重要原因。研究为确定土壤质地遥感反演的最佳时间窗口、实现区域尺度土壤质地制图提供关键技术。     

基于决策树模型的土壤有机质制图

Based on a case study of Longyou County, Zhejiang Province, the decision tree, a data mining method, was used to analyze the relationships between soil organic matter (SOM) and other environmental and satellite sensing spatial data.The decision tree associated SOM content with some extensive easily observable landscape attributes, such as landform,geology, land use, and remote sensing images, thus transforming the SOM-related information into a clear, quantitative,landscape factor-associated regular system. This system could be used to predict continuous SOM spatial distribution.By analyzing factors such as elevation, geological unit, soil type, land use, remotely sensed data, upslope contributing area, slope, aspect, planform curvature, and profile curvature, the decision tree could predict distribution of soil organic matter levels. Among these factors, elevation, land use, aspect, soil type, the first principle component of bitemporal Landsat TM, and upslope contributing area were considered the most important variables for predicting SOM. Results of the prediction between SOM content and landscape types sorted by the decision tree showed a close relationship with an accuracy of 81.1%.