基于地理信息系统的贵州省草地空间分布分析

以贵州省草地为研究对象,基于贵州省30米分辨率地表覆盖数据集,运用地理信息系统、相关分析和主成分回归分析方法,探索了贵州省天然草地空间分布及其影响因素。发现贵州省草地面积约178.51万公顷,约占贵州省国土面积1/10,主要分布于西部地区的毕节、安顺、六盘水和兴义等市。草地主要分布于低温、高湿和高海拔的条件下,与人类活动强度相关性较小。贵州省草地是森林植被遭到人为破坏后形成的次生草地,在温度较高、海拔较低的区域,经过人类破坏后形成的草地,可以迅速向灌木和林地演替,在温度较低、降水较多、海拔较高的地区正向演替困难,能够形成比较稳定的次生草地,形成草地主要分布于温度较低、海拔较高,湿冷的环境空间格局。希望本研究能够为更好地开发利用贵州省草地资源提供一定的决策支持。

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10 m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(Support Vector Machine,SVM)、随机森林(Random Forest,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。

基于时序影像的农业活动因子提取与闽西耕地SOC数字制图

人类活动对表层耕地土壤有机碳(Soil Organic Carbon,SOC)影响强烈,但目前大范围复杂地貌地形区的耕地SOC数字制图对人为因素的空间刻画不足。本文以福建省西部耕地为研究对象,基于Sentinel-2/MSI时间序列数据提取轮作模式分类信息(Crop Rotation,CR),以及可反映轮作模式信息的植被特征变换变量(Harmonic Analysis of Time Series,HANTS),分别作为农业活动定性和定量因子,将常规气候和地形因子作为自然环境因子,并对不同类型环境变量进行组合(气候+地形、气候+地形+轮作模式、气候+地形+HANTS变量、气候+地形+轮作模式+HANTS变量)。基于随机森林模型(Random Forest,RF)对不同环境变量组合驱动的耕地表层SOC空间预测精度进行对比分析,探索以轮作模式为例的农业活动因子提高耕地表层SOC数字制图精度的可能性。结果表明,同时加入两种农业活动因子的RF模型表现最佳,其模型预测精度相较于纯自然环境变量驱动的模型有明显提高(R^(2)提高了89.47%,RMSE和MAE分别下降了10.66%和12.05%)。轮作模式类型(CR)和HANTS变量两种农业活动因子均被保留参与建模,尤其是轮作模式类型显著影响耕地SOC,在最佳模型的环境变量重要性中排序第四。由此可见,轮作模式相关农业活动因子可有效提高耕地SOC空间预测精度。在所有RF模型中,年降水量(Annual Rainfall,Rainfall)的重要性排名都是第一位。通过最佳模型反演得出该区耕地土壤有机碳均值为18.22±2.99 g/kg,范围为8.25~30.69 g/kg,双季稻和烟稻种植区域SOC含量高于稻菜种植区域。研究结果为复杂地貌地形区耕地土壤有机碳协同变量的更新提供了新的思路。