数字土壤制图方法研究进展

数字土壤制图是基于土壤成土学、地理学和数学理论知识,借助3S技术手段而产生的一种新型高效的土壤制图技术。国内外学者从环境协同变量的生成、样点数据的获取、数字土壤制图模型或方法的选择及土壤图的产生与验证这4个方面已有大量的研究,尤其是对制图方法的研究。本文介绍了数字土壤制图的五类方法,分别是地统计学方法、确定性插值、数理统计、机器学习和专家知识模型。同时基于不同方法的特征,从样本的密度和分布状况、地形地貌特征及目标变量等方面考虑,选择适用于研究区域的制图方法。数字土壤制图未来的发展方向包括将人类活动因子加入环境协同变量;基于机器学习与数据挖掘建立更有效的采样方法;新型建模方法的应用(深度学习和多模态方法)。

基于机器学习的数字土壤制图研究进展

通过数字土壤制图可以高效、精准地获取土壤信息。近年来,随着计算机学科的快速发展和土壤-景观模型被广泛认同,采用机器学习方法进行数字土壤建模已成为数字土壤制图的主流思路,这为土壤空间分布的定量解释提供了一种不同于地统计学、专家知识和个体代表性等传统制图技术的新模式。本文综述了国内外数字土壤制图领域的研究成果,从利用机器学习技术进行土壤制图的基本理论、制图方法、展望三个方面完整系统地阐述了数字土壤制图领域的主要进展,其中数字土壤制图方法包括特征信息的选择、制图模型的选择和土壤图的精度验证。研究结果为全面、实时和精确获取土壤信息空间分布提供参考。

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。

川西南山区县域数字土壤制图研究

【目的】研究环境变量的筛选和土壤类型空间推理方法的选择,为有效提高县域数字土壤制图精度提供参考。【方法】以四川省盐源县为研究区,将气候要素、地形数据和遥感影像作为推理制图的辅助因子,利用野外采样点数据和环境协变量因子,采用决策树分类方法对环境特征进行重要性排序,特征筛选和组合优选,通过对比决策树分类、支持向量机和随机森林3种土壤分类方法的制图精度,探索基于土壤-环境关系理论提高具有立体气候特征的山区县域数字土壤制图精度的途径。【结果】(1)气候和地形特征在研究区土壤分类中起重要作用,采用单一气候因素作为土壤筛选分类的环境变量可获得土壤分类筛选精度为83.22%,依次增加地形和生物特征可分别使筛选精度提升至85.78%和89.43%;(2)与其他模型相比,随机森林模型制图效果更好,对比采样点数据的土壤分类总体精度为77.10%,Kappa系数为0.72;(3)气候因子以及地形因素对水热条件的影响是决定研究区土壤类型空间分布异质性的主要原因,年均气温、年积温、年降水量、相对湿度、高程、地形湿润度等环境特征因子与研究区主要土壤类型的空间分布关系密切。【结论】在具有立体气候特征的山区,基于随机森林方法使用气候、地形和遥感数据进行数字土壤分类制图有较好的效果。

广义线性地统计模型在典型亚热带丘陵区数字土壤制图中的应用

数字土壤制图在当前的应用越来越广泛,其方法主要包括环境相关模型、空间自相关模型,以及这些模型的混合模型。理论上,混合模型相对单一模型具有明显的优势。广义线性地统计模型(GLGM)也是一种混合模型,相对于最常用的混合模型——回归克里格(RK),又具有能加入随机效应来解决土壤变异的非平稳性等优势。然而,GLGM因计算繁琐等缺点,在国内外应用较少。本文以广西南宁高峰林场内一小面积(3.03 km^(2))丘陵为研究区,以14个地形因子为预测变量,使用广义线性混合模型(GLMM)及其与普通克里格(OK)相结合的模型(即GLGM),对土壤有机碳(SOC)、pH、黏粒和阳离子交换量(CEC)的空间分布进行预测,并与常用的多元线性回归(MLR)、地理加权回归(GWR)、回归森林(RF)、OK、RK和广义可加模型(GAM)进行比较。结果表明:GLMM在预测黏粒上准确度较高;GLMM和GLGM在预测CEC上准确度中等,但在预测SOC和pH上准确度较低。综合线性回归模型的调整决定系数、块金效应和全局莫兰指数,本文认为,当土壤属性与环境变量具有较低的线性回归调整决定系数(即小于5%)、土壤属性具有较弱的空间自相关性(即块金效应大于71%)和较强的局部空间变异(即全局莫兰指数小于0.09)时,GLMM和GLGM具有较高的适用性,例如本文中的黏粒。反之,GLMM和GLGM的适用性不好,例如SOC和pH。鉴于土壤空间变异的高度异质性和多尺度性,GLMM和GLGM具有较好的应用前景。但是,今后研究还需进一步探讨如何提高GLMM和GLGM的模拟效率。

基于案例推理的数字土壤制图

在湖北省黄冈市红安县华家河镇滠水河流域研究区选取包含12种土壤类型的31个典型案例点,借助土壤-景观推理模型(Soil-land inference model,SoLIM)Solutions软件平台,进行Sample-based推理,计算区域内任一位置对各土壤类型间的模糊隶属度,由此得到研究区内土壤类型图。选择研究区247个野外采样点进行验证,并进行精度对比。结果表明,推理得到的土壤类型图在空间分布上与原始土壤图相似,但与原始土壤图相比能够显示更多的细节信息;使用野外采样点验证结果显示,推理土壤图的总体精度达64.78%,比原始土壤图提高了6.55个百分点。案例推理的方法在土壤类型预测方面精度较好,选取典型案例能够更加直接有效地表达土壤学家的隐含知识,简化土壤-环境关系的获取过程,为后续相关研究提供可靠的方法和依据。

CyberSoLIM:基于知识驱动的在线数字土壤制图原型系统

土壤属性空间分布信息是进行土壤侵蚀、水文、生态和养分循环等地学模拟研究的重要基础信息，数字土壤制图是以定量土壤一景观模型为理论基础、以空间分析和数学方法为技术手段的土壤调查与制图方法，为快速地获取高精度、高分辨率的土壤分布信息提供了有效的途径。

面向数字土壤制图的土壤采样设计研究进展与展望

全球化土壤环境问题的出现对基础输入数据的精度、尺度和时序提出了更高要求,面向数字土壤制图的土壤采样研究得到了快速发展。首先利用文献计量学的方法定量化分析国内外土壤采样研究学科分布和研究热点变化;随后重点梳理了国内外土壤采样研究的文献,根据不同的土壤调查目的、调查区历史采样点将土壤采样设计分为:土壤全面采样设计、土壤补充采样设计、土壤验证采样设计和土壤监测采样设计;最后介绍了基于样点的推理制图方法。在此基础上,对未来在多尺度的土壤采样设计、土壤–环境因子关系的新型假设和采样设计中现实问题的量化等方面进行了展望,旨在为数字土壤调查工作的开展提供参考依据。

数字土壤制图在土壤养分方面的研究综述

土壤是生态系统中重要的组成部分,土壤养分是衡量土壤肥力的重要指标。土壤制图则是对土壤养分空间分布特征的反映,绘制准确的土壤空间信息是农林信息化与可持续发展的必然要求。在过去的30年,土壤养分预测性制图在各个方面都取得了显著进展。介绍了数字土壤制图的理论基础,以及阐述土壤养分预测过程中的主要方法,包括传统土壤调查法、空间插值法、土壤-景观模型法、遥感影像法,并分析了当前在土壤制图研究中存在的主要问题,最后讨论了未来土壤养分制图的发展前景,旨在帮助人们了解土壤制图研究的现状,以期为土壤预测性制图的进一步研究提供参考。

人工智能深度学习模型在土壤属性数字制图中的应用

为提高土壤属性数字制图预测精度,以及随着遥感环境变量数据量的增加、算力的增强和开源深度学习框架的普及,数字土壤制图正在从传统的知识驱动模型向数据驱动的人工智能深度学习模型转变。该文以土壤关键属性有机碳为例,分析归纳土壤有机碳数字制图深度学习模型的理论基础、模型结构、亟待解决的有关环境变量空间上下文信息和多模态数据整合及模型可解释性等问题,旨在促进人工智能深度学习模型在第三次全国土壤普查土壤属性制图中的应用。

基于随机森林模型的旺业甸实验林场土壤全氮数字制图

为探究林场土壤全氮含量的空间分布特征及对环境因素的响应,以旺业甸实验林场为研究区,采用随机森林模型和Cubist模型建立了不同土层深度(0~10、10~30、30~50cm)土壤全氮含量与环境协变量(海拔、归一化植被指数、年平均降水量、年平均气温、y坐标和坡向)之间的定量关系模型,对该区土壤全氮含量进行预测并制图,并分析了影响土壤全氮空间变异的控制性因素。研究结果显示:0~10、10~30、30~50cm土层实测全氮含量的均值分别为3.20、2.02、1.47g/kg,土壤全氮的平均含量随土层深度的增加而降低;3个土层深度土壤全氮预测随机森林模型的决定系数R2分别为0.59、0.42和0.39,均优于决定系数R2分别为0.56、0.38和0.34的Cubist模型,2种模型预测精度都随土层深度的增加而降低,各环境因素对土壤全氮空间分布的影响作用随土层深度的增加而减小;从随机森林模型土壤全氮预测图来看,不同土层深度土壤全氮含量均呈现西部、北部和中部低,西南、东南和东部高的空间格局,不确定性图显示随机森林模型预测土壤全氮含量分布具有较低的标准差;海拔对土壤全氮含量的影响最大,其他依次为:归一化植被指数>年平均降水量>年平均气温>y坐标>坡向。结果表明,随机森林模型可以作为有效预测该林场不同土层深度土壤全氮含量的方法。

福建省漳州市水稻物候特征对稻田土壤有机碳制图的影响

高精度土壤有机碳制图是研究耕地土壤有机碳时空格局及其影响机制的基础,相关研究结果可为农田“固碳减排”措施的制定提供决策支持。农业管理活动是农田土壤有机碳发生变化的重要影响因子,但基于农业管理活动的土壤有机碳制图却较为少见。基于遥感影像提取的物候参数是农业管理活动的直接反映,在研究农业管理活动对农田土壤有机碳的影响方面有较大应用潜力。基于此,本研究以福建省漳州市水稻田为研究对象,利用随机森林算法,基于5组不同的变量组合(A组:仅自然环境变量;B组:自然环境变量+早稻物候参数:C组:自然环境变量+晚稻物候参数;D组:自然环境变量+早稻物候参数+晚稻物候参数;E组:仅早稻物候参数+晚稻物候参数),分别构建土壤有机碳含量预测模型。通过对比5组模型的预测精度、预测值的空间分布特征和相关影响因子的重要性,分析物候参数对于土壤有机碳制图精度的影响作用,挖掘漳州市水田土壤有机碳制图的主要影响因子,解析对漳州市水田土壤有机碳有重要影响作用的农业管理活动。研究结果表明:物候参数的加入能够降低预测模型的误差和提升模型解释方差的能力;对漳州市水田土壤有机碳影响作用最大的物候参数依次为早稻季的NDVI增长速率(h1)、早稻生长季节开始的时间(a1)与早稻季NDVI下降速率(i1);三个最重要的物候参数与土壤有机碳含量分别呈正相关、负相关和负相关,因此,采取能够促使早稻苗早生快发、加快早稻分蘖速率和减缓早稻衰老速率的水肥管理措施可增加耕地土壤有机碳含量。基于物候参数构建预测模型能有效提高农田土壤有机碳制图精度,基于物候参数的农田土壤有机碳制图研究可为农田管理提供决策支持,此次研究结果可为相关研究提供理论依据。

基于递归特征消除−随机森林模型的江浙沪农田土壤肥力属性制图

以江苏省、浙江省、上海市农田为研究区,选用气候、地形、植被、土壤属性等自然环境协变量,及农业机械总动力、每公顷农用化肥施用量、农业总产值、农村用电量等农业活动变量,利用递归特征消除方法(RFE)对环境协变量进行筛选,基于筛选后的最优变量组合建立随机森林(RF)模型,进行表层土壤pH、有机碳、全氮、全磷、全钾、铵态氮、硝态氮、有效磷、速效钾、交换性钙、交换性镁11种主要土壤肥力属性的空间分布预测,并采用100次重复的十折交叉验证法进行验证。结果表明:①11个模型筛选出的环境协变量类型主要集中在气候、地形与植被变量,表征人类农业活动的变量在有机碳、全磷、全钾、铵态氮和有效磷预测中体现重要作用。②11个模型的决定系数(R^(2))在0.27~0.53,pH、速效钾、交换性镁和交换性钙的预测模型决定系数(R^(2))均在0.45以上。本研究表明人类活动变量对于土壤肥力预测具有重要意义,而递归特征消除−随机森林模型(RFE-RF)可以用于农田主要土壤肥力属性制图,为农业生产提供准确的土壤肥力属性空间分布信息。

数字土壤制图技术研究进展与展望

土壤调查与制图是获取土壤信息的基本手段,在土壤科学发展中发挥了至关重要的作用,采用新方法开展数字土壤制图是土壤学科新兴的研究方向。本文全面回顾总结了近年来国内外数字土壤制图工作开展情况、方法的发展和应用,分析了当前在数字土壤制图研究中存在的主要问题,并且对数字土壤制图研究的发展趋势进行了展望,提出了今后一段时间我国开展这方面工作的建议,可以为数字土壤制图研究工作提供参考。

数字土壤制图研究综述与展望

土壤的空间分布是土壤形成与发展过程的体现。数字土壤制图是一种新兴的、高效表达土壤空间分布的技术方法,在过去的30年取得了飞速发展。其理论基础为土壤成土因子学说和地理学第一定律。国内外学者在获取环境变量数据、采样方法、制图模型方法和土壤图产生及评价方面开展了大量的研究,应用案例也从小范围到大区域,甚至是全球尺度。未来数字土壤制图的发展方向包括:环境变量刻画的新技术,特别是体现人类活动方面的环境因子;新型数据和遗留数据的有效利用;土壤发生学知识与数学模型的紧密结合的新型推理方法;支持大数据多终端的计算模式。

数字土壤制图及其研究进展

数字土壤制图经过近二十年的发展,理论基础和技术体系已经相当成熟,得到了土壤学界的普遍接受,正广泛应用于各种层次的土壤调查与制图实践中,制图成果也被应用于相关学科的研究和实践中。本文在大量数字土壤制图研究的基础上,综述了数字土壤制图的理论基础、基本构成、当前研究的主要问题以及未来将面临的挑战和发展方向。数字土壤制图的理论基础可分为:土壤学、地理学和数学三种,此外还有土壤学与地理学、地理学与数学的相互结合。它的基本构成包括四个主要部分:土壤协变量、土壤采样、土壤空间推理系统和制图验证。当前,数字土壤制图研究的主要问题体现在六个方面:土壤协变量的生产和处理、土壤数据收集、土壤空间推理系统、土壤制图结果的验证、土壤图的展示和制图结果的应用。未来,随着数字土壤图的广泛应用,它将面对的挑战主要是提高制图分辨率和扩大制图范围。同时,随着数字土壤制图的日益成熟,它将迈向一个更高的研究领域和更广阔的应用领域,即数字土壤评价。这个新领域将再一次显著地提高土壤信息的服务功能和质量。

利用数字土壤制图技术评价桉树林土壤肥力

精细的土壤肥力空间信息有助于森林质量精准管理。本研究以广西高峰桉树林场为研究区,利用数字土壤制图技术对研究区主要肥力因子空间分布进行数字制图,在此基础上,应用灰色关联度模型对桉树人工林土壤肥力进行了综合评价。结果表明:研究林场的土壤肥力质量较好,土壤肥力水平2级和3级林地面积占总面积的68.6%,1级和4级林地面积占26%,5级林地面积占5.4%;土壤肥力综合指数(IFI)具有较强的空间自相关性。本文提出的土壤肥力评价方法可用于森林土壤肥力质量空间分布的精准评价,为森林质量精准经营提供基础支撑。

基于Fisher判别分析的数字土壤制图研究

利用已知类型的土壤样点及其所处位置的高程、坡度、平面曲率、剖面曲率、复合地形指数等数据,基于Fisher判别分析方法对安徽宣城样区的土壤类型进行预测和制图表达。结果表明,土纲级别的预测效果较好,正确率达到84.2%。但随着从土纲到亚类级别的降低,由于受土壤样点数量限制,土壤类型预测的准确率也逐步降低。通过与样区1986年基于发生分类的土壤图进行对比,采用的方法无论是在制图精度,还是图面信息的负载量方面都要优于传统方法,能够更加客观真实地反映土壤在自然界的空间分布。

基于3种地理加权回归方法的安徽省土壤pH空间预测制图对比研究

基于安徽省140个采样点的土壤pH数据,综合考虑土壤、地形、气候、生物等因子对土壤pH的影响,采用地理加权回归(Geographically Weighted Regression,GWR)、主成分地理加权回归(Principal Component Geographically Weighted Regression,PCA-GWR)和混合地理加权回归(Mixed Geographically Weighted Regression,M-GWR)3种模型对安徽省土壤pH空间分布进行建模预测,揭示环境因子对土壤pH的影响在空间上的差异,最后以多元线性回归模型(Multiple Linear Regression,MLR)为基准比较3种GWR模型的精度。研究表明:①安徽省土壤pH具有空间异质性,且集聚特征明显。②3种GWR模型中M-GWR模型略优,GWR、PCA-GWR和M-GWR的建模集调整后决定系数(Radj 2)分别为0.59、0.62和0.63;对比MLR模型,3种GWR模型的Radj 2分别提升了23%、31%和35%。M-GWR生成的预测图在空间上过渡平滑,建模效果稳定,其预测结果表明安徽省淮河以北地区多为碱性土壤,长江以南多为中性或酸性土壤,符合“南酸北碱”特征。③GWR及其改进模型可以有效地预测土壤pH属性,反映环境因子在不同空间位置上对土壤pH的影响程度,而M-GWR兼具变量作用的全局性和和局部性,进而提升了模型解释能力,为大区域数字土壤制图提供了重要的参考方法。

集成土壤-环境关系与机器学习的干旱区土壤属性数字制图

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度(pH)、土壤盐分含量(Soil Salt Content,SSC)与土壤有机质(Soil Organic Matter, SOM)3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河-库车河绿洲干旱区于2017年7月设计采集典型表层(0-20 cm)土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差(Root Mean SquareError,RMSE)界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林(Random Forest, RF)、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型(Multiple Linear Regression,MLR)进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程(Elevation)、剖面曲率(Profile Curvature)、差值植被指数(Difference Vegetation Index)、扩展增强型植被指数(Extended Normalized Difference Vegetation Index)、调整土壤亮度植被指数(Modified Soil Adjusted Vegetation Index)、盐分指数S1(Salinity Index S1)以及盐分指数S6 (Salinity Index S6) 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R^2=0.6779,RMSE=0.2182,ρc=0.6084;在SSC预测中,验证集R^2=0.7945,RMSE=3.1803,ρc=0.8377;在SOM预测中,验证集R^2=0.7472,RMSE=3.5456,ρc=0.7009。【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。