不同方法预测苏南农田土壤有机质空间分布对比研究

准确把握土壤有机质(SOM)的空间分布规律对于土壤资源的高效持续利用具有重要意义。以江苏南部为研究区,以辅助因子与SOM的相关性强弱及辅助因子的可获取性为切入点,运用普通克里格(OK)、回归克里格(RK)和随机森林(RF)方法,结合地形、气候、土壤类型、土壤理化性质和施肥、碳投入等辅助数据预测了苏南地区农田SOM含量(0~20 cm)的空间分布。结果表明,三种方法预测的SOM空间分布总体趋势相似,表现为东高西低,但局部分异还存在差异;OK预测的精度最低,100次预测的均方根误差(RMSE)均值为6.97 g·kg~(-1)。RK和RF的预测精度则均高于OK方法,表现为整合与SOM相关性最强的辅助因子全氮(TN)时,RK和RF预测的RMSE分别降低至5.25 g·kg~(-1)和4.97 g·kg~(-1),而移除相关性最强的辅助因子TN后,RK和RF预测的RMSE亦较OK方法低,分别为6.21 g·kg~(-1)和6.29 g·kg~(-1);移除TN后,RK的预测精度稍高于RF,表明在其他辅助数据与SOM相关性相对较弱的条件下,RK方法有助于提高本研究区SOM预测精度;同时,尽管RK和RF的预测精度依然较OK高,但RK和RF对SOM方差的解释度则分别由51%和55%降低至了29%和28%。这表明,目前容易获取且相对廉价的辅助数据,对本研究区的SOM空间预测方面,还面临着数据质量低、预测精度不足等问题。     

基于大尺度低密度样点的东北土壤全氮空间插值方法比较

基于全国第二次土壤普查东北地区土壤数据,以ArcGIS和GS⁺软件为支撑,对比分析了反距离加权法(IDW)、径向基函数(RBF)、普通克里金(OK)和回归克里金(RK)4种地统计空间插值方法在7个不同样本容量下土壤全氮含量(STNC)的空间插值效果。结果表明,由普查数据得到的东北地区STNC在0.08~21.48 g/kg之间,数据变异性较大;STNC空间结构表现出中强度空间自相关性,空间自相关范围大于同区域的小尺度采样研究;样本容量<171时,STNC空间变异性发生变化,空间结构特征和精度检验水平难以确信。4种空间插值方法对STNC空间趋势表达均呈现从东北向西南方向递减规律,空间趋势预测效果为:RK >OK >RBF >IDW。RK方法通过线性回归分析添加了阳离子交换容量(CEC)、年均温(MAT)、土层厚度(d)和pH值等辅助信息,比IDW,RBF和OK方法的插值精度分别提高了19.40%,18.50%和16.15%;在不同样本容量下RK方法的插值精度较为稳定且对无样点区STNC的空间趋势预测也体现出了更多细节信息,因此对于大尺度低密度采样的土壤属性空间插值可重点考虑RK方法。     

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。     

基于土壤变异解释力的几种土壤制图方法的对比研究——以南阳市1m土体土壤有机碳密度制图为例

为克服方法的复杂性和数据的详细性解释土壤制图效果的不足,基于土壤变异解释力对多种方法进行对比研究。收集南阳1∶5万土壤类型图、30 m分辨率数字高程模型和TM影像,计算出高程、坡度、坡向、归一化植被指数(NDVI)、穗帽变换的湿度(TCW)参数等,以439个土壤剖面为训练数据,分别按土壤类型连接法(SCLM)、加权最小二乘法(WLS)回归、地理权重(GWR)回归、随机森林(RF)、普通克里格(OK)、回归克里格(RK)进行1m土体土壤有机碳密度(SOCD)制图,其余49个土壤剖面作为验证集。结果表明:(1)对SOCD变异的解释力是影响制图效果的本质因素。土壤类型、土壤表层有机质(OM)是主要预测变量,SCLM、WLS和GWR均只能利用其中一种主要变量,土壤图的详细化和回归模型的复杂化均不能明显改善SOCD制图效果。基于土属和OM变量,RF对SOCD变异的解释力最强,预测效果最优;地统计学空间变异函数对SOCD变异的解释力大于回归模型,小于RF,而与土壤类型相当,其相对制图效果亦如此。(2)预测变量建模和空间相关是两类不同的土壤变异解释机制,RK未必能使它们产生最佳组合:只有WLS回归、GWR回归和缺乏土壤类型信息的RF(OM+TCW)适合RK算法,在原始模型中它们对训练数据的拟合效果依次升高,但其RK结果的优劣排序则相反;所有RK的结果均未达到土属和OM参与下RF制图的精度。     

地学环境变量支持的土壤全钾含量自适应曲面建模——以青海湖流域典型地区为例

土壤属性空间分布受地学环境要素影响,空间分异特征十分明显,单一的全局插值模型在应用中常受到一定条件的限制。对复杂地貌类型区土壤属性插值所面临的空间不连续、全局插值模型精度有限以及适应性差的缺点,提出了一种融合地学环境信息的土壤属性自适应曲面建模方法（Adaptive surface modeling for soil properties,ASM-SP）。利用2013年采集的110个样点数据,以土壤全钾含量为例,利用ASM-SP、普通克里格法（Ordinary Kriging,OK）、回归克里格法（Regression Kriging,RK）、地理加权回归克里格法（Geographically Weighted Regression Kriging,GWRK）和协同克里格（Ordinary Co-Kriging,OCK）5种插值方法,分别模拟了青海湖流域典型地区土壤全钾含量的空间分布。采用平均误差（Mean Error,ME）、平均相对误差（Mean Relative Error,MRE）、均方根误差（Root Mean Square Error,RMSE）、准确度（Accuracy,AC）、相关系数、回归系数和决定系数7类指标系统评价不同插值方法的预测效果。结果表明:（1）利用常规插值（OK）得到的插值曲面较为平滑,具有弱“牛眼”效应,在刻画土壤全钾含量的空间变异性方面存在明显不足,精度有待提高。（2）在融合地学环境信息的插值方法中,RK,OCK,GWRK和ASM-SP模拟精度较OK有不同程度提高,其中ASM-SP在刻画土壤全钾含量的空间变异和局部细节信息方面表现突出,精度较其他插值方法有较大程度提高,其准确度较OK,RK,GWRK和OCK分别提高9.27%,6.29%,2.66%和7.74%。ASM-SP尤其适合复杂地貌类型区,因其考虑了地学环境变量与土壤属性的非线性关系,并融合了多个模型的适应性优势,其在刻画土壤属性空间分异的复杂性方面也更加符合实际情况,为土壤属性的空间模拟提供了新思路。     

基于GIS和地理加权回归的砂田土壤阳离子交换量空间预测

土壤阳离子交换量(CEC)反映土壤保水保肥能力,研究CEC空间分布可为土壤改良和田间施肥提供理论依据。本文以宁夏香山地区砂田淡灰钙土为研究对象,在土壤CEC和理化性质相关分析基础上以普通克里格(OK)为对照,探索回归克里格(RK)和地理加权回归克里格(GWRK)在CEC空间插值上的应用,并对三者的插值精度及制图效果进行评价。描述统计表明研究区土壤CEC含量均值为10.145cmol/kg,CEC与有机质含量呈显著正相关,与砂粒含量呈显著负相关;地统计分析表明CEC实测值、OLS残差和GWR残差块金系数分别为8.50%、6.36%和7.02%,比值均小于25%,具有强烈空间自相关;对验证点进行插值精度分析,RK和GWRK的相对模型改进值(RI)分别为40.49%、41.50%,插值精度GWRK>RK>OK;从成图效果看,GWRK中辅助变量参与了局部回归,成图效果更加精细,揭示了更多空间变化细节。本研究结论可为土壤CEC空间预测研究提供可靠的方法借鉴。     

大尺度采样下不同模型方法预测土壤全氮空间分布研究——以海南岛为例

在大区域尺度、有限土壤样点情况下,为探索准确预测土壤属性的方法,以海南岛为研究区,采用近似网格采样方法,采集130个样点,用多元线性回归(MLR)、普通克里格(OK)和回归克里格(RK)3种模型方法进行土壤全氮预测,并以29个验证点比较了预测精度。结果显示:1)对较大区域进行土壤全氮的空间分布的预测精度为OKRKMLR;2)3种模型对土壤全氮含量空间预测分布趋势基本一致,总趋势为岛内自东向西方向逐渐降低;3)0~5 cm土壤全氮含量与土地利用方式呈极显著相关关系,0~20 cm土壤全氮含量与归一化植被指数呈显著相关,20~40、40~60 cm土壤全氮含量与归一化植被指数、坡度呈极显著或显著相关。     

基于随机森林模型的安徽省土壤属性空间分布预测

为探讨随机森林(random forest,RF)模型对土壤属性空间预测的精度,本文以安徽省为例,收集140个土壤样本,利用GIS和RS技术,获取相关的地形因子、遥感植被指数及气候数据,利用RF模型分析土壤有机碳(SOC)含量、土壤容重和土壤黏粒含量与地形因子、遥感植被指数及气候数据之间的关系,并进行空间分布预测。研究结果表明:①RF建模预测中,当节点分裂次数(mtry)值为1,决策树数量(ntree)值分别为100、1 000和100时,获得的SOC含量、土壤容重和土壤黏粒含量RF模型最优;②高程、归一化植被指数(NDVI)、地貌、多尺度山谷平坦指数(MrVBF)和土壤类型是SOC含量的重要预测因子;地貌、年均降水量(MAP)、MrVBF、高程和土壤类型是土壤容重的重要预测因子;高程、MAP、MrVBF和平面曲率是土壤黏粒含量的重要预测因子;③RF模型可以较好地进行土壤属性空间预测,多源环境变量组合可以分别解释SOC含量、土壤容重和土壤黏粒含量的26%、23%和22%;同时RF模型对于土壤类型和地貌等类型变量的处理具有一定优势。研究表明,在大尺度研究区域内,利用RF模型进行土壤属性空间预测有一定的意义。     

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。     

海涂围垦区土壤盐分空间变异模拟的比较研究

以苏北海涂围垦区为例,利用人工神经网络(ANN)、普通克里格(OK)插值和序贯高斯模拟(SGS)对典型地块土壤盐分空间分布进行了模拟、插值与预测,获取了各方法的优化结构与参数,并就各方法对土壤盐分分布特征与空间结构的预测能力进行了比较分析。结果表明:ANN、OK和SGS法均较好地模拟和预测了土壤盐分的空间分布,达到了较高模拟、插值与预测精度;ANN获得的土壤盐分空间分布最为连续,SGS法整体分布相对离散;ANN能较好地预测盐分较低的样点,但ANN对高盐分样点的预测结果不如SGS和OK;SGS预测结果最符合实测值的波动特点,ANN预测结果波动范围最窄,SGS较ANN和OK更能反应数据随机变量的结构性和波动性,在整体上要优于ANN和OK法。该结果为滨海地区盐渍土壤的精准评估与高效改良提供了参考依据。     

黄土高原不同地貌区农田土壤有机质预测方法研究

[目的]开展黄土高原不同地貌区农田土壤有机质(SOM)预测方法研究,探讨不同预测方法在不同区域的适用性及不确定性,以便更准确地估算农田SOM空间分布特征,对土壤资源高效利用和农田精细化管理具有重要意义.[方法]在黄土高原3种典型地貌区进行试验,包括丘陵沟壑区(庄浪县)、高塬区(宁县)和平原区(武功县),分别布设样点37...     

机器学习用于耕地土壤有机碳空间预测对比研究——以亚热带复杂地貌区为例

耕地土壤有机碳(SOC)是土壤质量的重要指标,也是生态系统健康的重要表征。当前机器学习(Machine Learning, ML)用于SOC数字制图日益热门,但不同算法在高空间分辨率SOC数字制图中的对比研究尚有欠缺。本研究以福建省东北部复杂地形地貌区为例,采用10m空间分辨率Sentinel-2影像数据,选取地形、气候、遥感植被变量为驱动因子,重点分析当前常用的机器学习算法——支持向量机(SupportVector Machine,SVM)、随机森林(RandomForest,RF)在SOC预测中的差异,并与传统普通克里格模型(Ordinary Kriging, OK)进行比较。结果表明:基于地形、遥感植被因子和气候因子构建的RF模型表现最佳(RMSE=2.004,r=0.897),其精度优于OK模型(RMSE=4.571, r=0.623),而SVM模型预测精度相对最低(RMSE=5.190, r=0.431);3种模型预测SOC空间分布趋势总体相似,表现为西高东低、北高南低,其中RF模型呈现的空间分异信息更加精细;最优模型反演得到耕地土壤有机碳平均含量为15.33 g·kg-1; RF模型和SVM模型变量重要性程度表明:高程和降水是影响复杂地貌区SOC空间分布的重要变量,而遥感植被因子重要性程度低于高程。     

基于地形因子和随机森林的丘陵区农田土壤有效铁空间分布预测

为了掌握丘陵地区农田土壤有效铁含量及其空间分布,本文以重庆市江津区永兴镇内同源成土母质的典型丘陵(2 km2)为研究区,采集309个土壤样点,利用普通克里格(Ordinary Kriging,OK)、多元线性回归(Multiple Linear Regression,MLR)、随机森林(Random Forest,RF)模型,结合高程、坡度、坡向、谷深、平面曲率、剖面曲率、汇聚指数、相对坡位指数、地形湿度指数等地形因子对土壤有效铁进行空间分布预测,并通过85个验证点评价、筛选预测模型。结果表明:1)土壤有效铁与谷深、地形湿度指数存在极显著水平正相关关系,与坡度、平面曲率、剖面曲率、汇聚指数、相对坡位指数存在极显著水平负相关关系。2)随机森林模型的预测精度明显高于多元线性回归和普通克里格插值,其平均绝对误差为22.33 mg·kg-1、均方根误差为27.98 mg·kg-1、决定系数为0.76,是研究区土壤有效铁含量空间分布的最适预测模型。3)地形湿度指数和坡度是影响该区域土壤有效铁含量空间分布的主要地形因子。土壤有效铁与坡度、谷深、平面曲率、剖面曲率、汇聚指数、相对坡位指数、地形湿度指数均达到极显著水平相关关系。4)研究区土壤有效铁含量范围为3.00~276.97 mg?kg-1,水田有效铁含量大于旱地;土壤有效铁具有较强的空间相关性,土壤有效铁含量空间变异主要受到结构性因素的影响。可见,基于地形因子的随机森林预测模型可以较好地解释丘陵区农田土壤有效铁含量的空间变异,研究结果为丘陵区土壤中、微量元素含量及空间分布预测提供方法借鉴和理论依据。     

黑土区小流域土壤速效磷空间分布模拟方法

为探索东北黑土小流域土壤AP空间分布模拟的最佳方法,综合考虑区域尺度、景观格局和采样方法等信息,选取两个典型黑土小流域(光荣和海沟河流域)作为研究对象,结合半变异分析、回归分析、主成分分析等方法,比较了不同空间插值方法(反距离权重法、径向基函数法、普通克里格、协同克里格、多元线性回归模型、地理加权回归模型、回归克里格和地理加权回归克里格)对AP空间模拟精度的影响。结果表明:(1)引入主成分分析后能够提高回归克里格和地理加权回归克里格方法的模拟精度(4.5%和2.4%);(2)地理加权回归克里格方法可以作为最优空间插值方法模拟黑土区小流域AP的空间分布格局。地理加权回归克里格方法相较于传统插值方法能在一定程度上提高黑土小流域土壤AP空间模拟精度,为小流域尺度黑土养分管理提供技术支撑。     

Do model choice and sample ratios separately or simultaneously influence soil organic matter prediction?

This study was performed to examine the separate and simultaneous influence of predictive models’ choice alongside sample ratios selection in soil organic matter (SOM). The research was carried out in northern Morocco, characterized by relatively cold weather and diverse geological conditions. The dataset herein used accounted for 1591 soil samples, which were randomly split into the following ratios: 10% (～150 sample ratio), 20% (～250 sample ratio), 35% (～450 sample ratio), 50% (～600 sample ratio) and 95% (～1200 sample ratio). Models herein involved were ordinary kriging (OK), regression kriging (RK), multiple linear regression (MLR), random forest (RF), quantile regression forest (QRF), Gaussian process regression (GPR) and an ensemble model. The findings in the study showed that the accuracy of SOM prediction is sensitive to both predictive models and sample ratios. OK combined with 95% sample ratio performed equally to RF in conjunction with all the sample ratios, as the latter did not show much sensitivity to sample ratios. ANOVA results revealed that RF with a ～10% sample ratio could also be optimum for predicting SOM in the study area. In conclusion, the findings herein reported could be instrumental for producing cost-effective detailed and accurate spatial estimation of SOM in other sites. Furthermore, they could serve as a baseline study for future research in the region or elsewhere. Therefore, we recommend conducting series of simulation of all possible combinations between various predictive models and sample ratios as a preliminary step in soil organic matter prediction.     

Spatial prediction of soil nutrient in a hilly area using artificial neural network model combined with kriging

It is widely recognized that using correlated environmental factors as auxiliary variables can improve the prediction accuracy of soil properties. In this study, a radial basis function neural network (RBFNN) model combined with ordinary kriging (OK) was proposed to predict spatial distribution of four soil nutrients based on the same framework used by regression kriging (RK). In RBFNN_OK, RBFNN model was used to explain the spatial variability caused by the selected auxiliary factors, while OK was used to express the spatial autocorrelation in RBFNN prediction residuals. The results showed that both RBFNN_OK and RK presented prediction maps with more details. However, RK does not always obtain mean errors (MEs) which were closer to 0 and lower root mean square errors (RMSEs) and mean relative errors (MREs) than OK. Conversely, MREs of RBFNN_OK were much closer to 0 and its RMSEs and MREs were relatively lower than OK and RK. The results suggest that RBFNN_OK is a more unbiased method with more stable prediction performance as well as improvement of prediction accuracy, which also indicates that artificial neural network model is more appropriate than regression model to capture relationships between soil variables and environmental factors. Therefore, RBFNN_OK may provide a useful framework for predicting soil properties.