基于多时相遥感影像和随机森林算法的土壤制图

获取准确的土壤-环境关系是数字土壤制图的关键,目前遥感影像已作为环境因子应用于土壤-环境知识的建立过程,但单幅遥感影像所包含的光谱信息差异难以将不同土壤类型区分开来。因此本文提出了一种基于多时相遥感影像的土壤制图方法:选取红安县滠水河流域为研究区,以母质类型图、等高线数据和多时相哨兵二号遥感影像为基础,提取与土壤形成有关的环境因子,通过随机森林算法获取土壤-环境关系,预测研究区各土壤类型的空间分布并成图,利用野外实地分层采样点验证推理图的精度。结果表明:推理土壤图总体分类精度高达86%,与原始土壤图对比,各土壤类型的空间分布具有一定相似性,展现了更为详细的空间细节信息,该研究成果可为更新土壤图工作提供新方法。

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。

数字土壤制图的推理方法对比研究

数字土壤制图是基于计算机技术利用现代空间分析方法获取详细空间属性的土壤制图技术,是当下信息时代对土壤资源类型、数量以及空间分布进行详尽认识的新方法,而推理方法决定了制图效率和结果的可靠性。不同的研究区域必须与推理方法相互匹配,为研究适合小尺度空间范围上的土壤制图方法,本研究选取母质类型、地形因子及遥感光谱指数,在原始土壤图基础上采用面积加权法布设采样点,选用决策树、支持向量机、随机森林三种推理方法获取土壤—环境知识,从而获得研究区的土壤类型空间分布图,并通过实地采样点数据验证比较三种方法的制图精度。研究结果表明:(1)总体上,每种算法得到的土壤类型空间分布结果与原始土壤图高度相似,但相较于原始土壤图,推理得出的土壤图细节信息更丰富;(2)实地采样点验证结果显示,随机森林分类模型的总体分类精度与Kappa系数均优于决策树与支持向量机分类模型,分类结果最佳;且对比三种分类算法推理得到的各土壤类型的用户精度和生产精度,随机森林算法也较决策树与支持向量机两种算法更优。本研究结果可为数字土壤制图中推理方法的选取提供参考。