样点规模与采样方法对表层土壤pH空间预测精度的影响

土壤空间预测与数字化制图的精度受土壤样点规模、采样策略、预测模型选择、目标区域地貌与成土环境复杂程度、协变量数据质量等多种因素共同制约。选择河南省为研究区,基于9种土壤样点规模、5种采样方法,应用5种最具代表性的机器学习(Machine learning,ML)算法对耕地表层土壤pH实施空间预测与数字化制图,用以对比分析不同样点规模与采样方法对ML模型的性能表现及土壤pH预测精度的影响。结果表明:(1)当研究区土壤样点规模从200个经由400个、800个、1200个、1600上升至2000个时,无论使用何种采样方法,所有ML模型的性能表现与预测精度均呈快速上升的总体趋势;当样点规模达到并超过2000个时,大多数ML性能表现及预测精度趋于稳定,表明2000个土壤样点可能是这些ML模型预测研究区耕地表层土壤pH的样点规模阈值。(2)5种ML模型性能表现及其土壤pH预测精度存在明显差距,基于树结构的随机森林(Randomforests,RF)和Cubist表现最好,无论使用哪种采样方法,这两种模型预测结果的决定系数(R2)均可稳定在0.75~0.80之间、RMSE保持在0.50以下。(3)当土壤样点规模足够大时,采样方法对ML模型性能和土壤pH预测精度的影响很小,五种采样方法的效果相差不大。当土壤样点规模小于2000个时,采样方法的影响逐渐凸显。比较而言,条件拉丁超立方采样在样点规模较小时具备优势。当样点规模为1000个时,条件拉丁超立方采样仍可使随机森林和Cubist预测的R2维持在0.80左右;在样点规模小至200个时,条件拉丁超立方采样方法下5种ML模型预测的R2均在0.55以上。(4)不确定性分析结果显示,平均73.9%的验证样点表层土壤pH观测值落入随机森林模型90%预测区间,表明该模型的可靠性被轻微高估,但处于可接受范畴。此外,数据显示模型预测的不确定性与样点规模无明显关联。

基于HSI模型的土壤氮素空间预测不确定性的可视化表达

任何模型都无法完全准确地再现真实世界,因此各种空间预测始终面临着不确定性的困扰。从20世纪90年代开始,土壤空间预测研究中输出结果的不确定性分析与评价日益受到重视。由于不确定性信息的可视化表达有助于更加直观地揭示与展示真实世界,因此是一种增强不确定分析与决策支持之间联系的有效途径。本文首先对不确定性可视化表达的主要技术与方法进行了简要论述,进而以北京市城市边缘带样区基于地统计学的土壤表层全氮含量的空间预测作为案例研究,以相对误差表示预测结果的不确定性,应用色调-饱和度-亮度(HSI)色彩模型实现土壤属性预测结果和不确定信息的可视化同步表达。在HSI模型中,色调值被用来表示预测值,白度表示不确定性。在案例研究的全氮预测输出结果中,颜色发白的区域表示预测结果的不确定性较高,需要做进一步补充采样。实际应用过程中发现,二维图例对不确定性的可视化表达效果有一定的限制作用,仍需在二维图例完善或创建新型图例方面开展深入的研究工作。

模糊c-均值算法在区域土壤预测制图中的应用

基于模糊c-均值算法和地统计学空间插值,在面积约为1km2的研究区内进行区域土壤预测制图。研究结果表明:根据研究区123个剖面和土钻样点,通过分析它们在形态学上的特征和定量属性,建立了9类诊断特征土层。通过FCM算法模型,获得4类最佳分类数,模糊指数为1.7。类别数目与研究区受地形、母质和土地利用方式影响的主要成土过程决定的土纲下土壤类型数目一致。将经过对称对数比转换的隶属度成分数据进行单一模糊类别隶属度土壤预测制图,4种类别土壤在空间上具有明显的渐变过渡特征,制图结果较理想。在单一类别隶属度土壤图的基础上生成最大隶属度土壤图,与常规土壤调查土壤图具有共同参比的基础。

基于REML的普通克里格和回归克里格在土壤属性空间预测中的比较

比较普通克里格与回归克里格预测精度的研究还存在着不同观点和结论,且现有的对比研究多使用矩量法(Mo M)计算变异函数。有限最大似然(REML)方法相比Mo M方法具有明显的优点,因而有必要使用REML方法来比较普通克里格与回归克里格的预测精度,为土壤属性空间预测提供方法优选的参考依据。本文在广西南宁高峰林场采集土壤样品,测定有机碳、pH和粘粒含量,再基于REML建立普通克里格和回归克里格模型,同时比较普通克里格、回归克里格以及多元线性回归的预测精度,并分析影响预测精度的因素。结果表明:空间相关性较弱且线性回归模型的决定系数较大时(约大于20%),回归克里格优于普通克里格;相反地,空间相关性较强或较弱且线性回归模型的决定系数较小时(约小于10%),普通克里格预测精度优于回归克里格。同时,线性回归模型的决定系数还影响普通克里格与回归克里格的精度提高的幅度。此外,回归克里格的精度一般不低于多元线性回归,且线性回归模型的决定系数越小,则回归克里格越优于多元线性回归。因此,本研究认为,线性回归模型的决定系数和土壤属性的空间相关性是影响普通克里格与回归克里格精度差异的主要因素。