论土壤预测的特点和方法

土壤形成因素可以分为两大类:自然因素和人为因素。自然因素经常直接参与土壤形成过程,并决定着成土过程的性质和方向。而土壤形成过程又直接影响着土壤的自然发育以及土壤的物质组成和性态变化。人为因素,首先是人类的经济活动(开垦荒原、平整土地、耕作施肥、排水灌溉等等)对土壤的影响极为深刻,不仅改变着土壤形成过程的方向,而且改变着表土层的结构特征。

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。

基于土壤预测模型的石油类污染迁移的研究

选取广东省茂名市某原油储备基地为研究对象,利用土壤常用HYDRUS-1D软件来模拟预测原油储罐发生小孔泄漏后石油类污染物在包气带中的运移情况,计算得出石油类在特定水文地质条件下通过包气带到达地下水面所需时间及不同深度浓度值的变化规律,为地下水影响预测提供可靠的初设条件。

基于机器学习算法的滑坡土壤含水率预测方法研究

土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

耦合PLUS-CSLE模型预测淮河流域多情景土地利用变化与土壤侵蚀

[目的]掌握淮河流域内土地利用和土壤侵蚀的未来时空演变对于土地资源的合理协调使用,制定未来的水土保持策略,以及推动可持续发展战略具有重要意义。[方法]基于PLUS模型和中国土壤侵蚀模型(CSLE),模拟2030年自然发展、生态保护、快速发展3种情景下淮河流域土地利用格局,并预测未来流域在3种情景下的土壤侵蚀格局。[结果](1)在3种情景下,建设用地扩张明显,最大扩张面积为187.80 km^(2),其他地类不同程度减少。(2)流域2015—2021年土壤侵蚀强度呈下降—上升趋势,其中平均土壤侵蚀量分别为221.96,214.13,461.15 t/(km^(2)·a),高强度侵蚀多集中在东北高坡度地区,需要重点关注。(3)地理探测器表明,坡度、DEM、土壤属性等是影响流域侵蚀分布的主要驱动因素。(4)2030年流域自然发展、快速发展、生态保护情景下土壤侵蚀模数分别为295.48,259.45,127.64 t/(km^(2)·a)。在适当扩张建设用地的生态保护模式下,可实现生态保护和经济发展的双需求。[结论]研究结果可为流域内土地利用管理和水土保持措施提供思路,推动健康发展。

基于改进鹈鹕优化算法的土壤污染预测

针对传统污染扩散模型结构复杂、无法验证等问题,提出一种基于多策略改进鹈鹕优化算法的土壤污染扩散模型。引入拟蒙特卡罗序列优化鹈鹕优化算法初始种群位置,提出一种非线性收敛的e指数余弦因子改进位置更新方式,结合t-分布变异扰动策略提升算法局部寻优能力。利用改进的鹈鹕优化算法优化高斯扩散模型,构建土壤污染扩散模型。选取某地为研究区域,所构建的土壤污染扩散模型的平均绝对误差与均方根误差最低,验证该模型可以有效应用于土壤污染预测。

基于时间序列的土壤墒情预测影响因素研究

【目的】分析预测土壤墒情变化趋势,总结影响土壤墒情的因素,为土壤改良提供参考。【方法】通过对不同深度土壤墒情随时间呈现的动态变化进行研究,针对研究区的具体气象条件和土壤情况,应用时间序列模型和深度学习方法,探究BAG土壤墒情预测模型的预测性能。通过对土壤深度、数据和环境因子与预测模型的相关关系的分析,证明该模型的预测精度。【结果】1)深度与预测性能的关联:研究区内不同深度的土壤含水量预测误差的平均绝对值都较为平稳,均在1%以下,不同深度的土壤含水量不会直接影响BAG的预测性能。2)墒情数据对预测模型的影响:研究区内1095条、729条和364条数据作为输入数据进行预测,序列长度为364时,各个深度预测精度较好。3)环境因子对预测模型的影响:预测精度并不随着相关性的强弱而相应变化,阈值为0.3以上的环境因子预测精度最好。【结论】在一定的序列长度和环境因子数量下,BAG的预测性能较高。

基于PCA-DBO-SVR的林地土壤有机质高光谱反演模型

森林土壤有机碳(SOC)是土壤中的有机物质(SOM)的碳部分,它对维持森林生态系统的平衡和稳定非常重要。传统实验通过化学方法分析土壤中有机物质的含量进而计算土壤中的有机碳,此类化学方法费时费力且产生化学废水污染环境。高光谱技术可以非接触、高效率地检测出土壤的养分信息。针对现有机器学习土壤有机质预测模型的精度和计算效率方面的不足,以广西国有黄冕林场和国有雅长林场为土壤样品采集点,基于全光谱数据利用主成分分析算法(PCA)筛选特征波段的最佳波长数量,并利用比一阶微分处理数据更加精细且能平衡光谱噪声和光谱分辨率之间的关系的分数阶微分为预处理方法之一对光谱数据进行变换处理,最后采用相对于传统的中心化算法拥有较高鲁棒性和容错能力的蜣螂算法(DBO)对支持向量回归机(SVR)的高斯核函数的参数组合进行优化。研究结果表明,PCA-DBO-SVR模型可以有效提高土壤有机质预测的决定系数R^(2)并降低预测均方根误差(RMSE)。PCA-DBO-SVR在对比预测模型中表现出最佳的泛化性能和准确度,其验证集R^(2)为0.942,RMSE为2.989 g·kg^(-1),展现了较好的准确性。

改进Informer模型的苜蓿土壤湿度预测方法

精准的苜蓿土壤湿度预测对于提高水资源利用率和降低智慧农业投入成本至关重要。针对传统土壤湿度预测方法在实际应用中存在预测周期短、精度低以及时空预测不足等问题,提出了一种融合快速傅里叶变换的Informer时空预测方法(Fast Fourier Transform and Spatio Temporal-Informer,FFT-ST-Informer)。首先,在传统Informer模型基础上添加了独立的时空嵌入层,从而捕获各个变量之间复杂的时空相关性。然后,根据土壤墒情与环境因素的相关性分析结果,选择降雨、灌溉量为关键环境因素,并使用快速傅里叶变换,通过提取某一周期具有先验的数据序列的频谱来表示其频域特征放入模型。此外,该模型中的ProbSparse自注意机制可以集中提取时空数据的重要上下文信息。FFT-ST-Informer模型使用来自宁夏引黄灌区自采的气象和土壤数据作为输入数据。实验结果表明,FFT-ST-Informer模型性能明显优于传统模型,比LSTM模型在平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R^(2))等评价指标上,分别提高了56.9%,64.4%,0.12%。

空间回归分析在土壤属性预测制图中的应用

以河南省孟津县为研究区,选取坡度、高程、地面曲率和复合地形指数(CTI)作为表层土壤缓效钾含量空间预测的环境协变量,系统探讨了空间回归分析技术在土壤属性预测制图中的应用。结果表明:土壤缓效钾的空间自相关距离阈值约为10 000 m,与坡度、高程和地面曲率存在显著相关性;尽管空间回归模型的预测精度和普通回归模型相近,但前者可以更加准确地表征土壤缓效钾的空间分布格局及空间分异细节特征。

基于双参数冻融模型的朝阳地区土壤水预测研究

文中采用双参数冻融模型,对朝阳地区土壤水进行预测,并结合区域实测土壤含水量数据对双参数冻融模型的适用性进行分析。结果表明,双参数冻融模型适合于朝阳地区土壤水预测,预测值和实测值之间的误差在±10%以内。研究成果对于北方干旱半干旱地区的土壤水预测具有参考价值。

基于COPSO-GRNN的土壤重金属含量预测模型

土壤重金属含量预测是土壤污染治理的重要一环,为提高预测准确性,文章提出一种基于COPSO-GRNN的土壤重金属含量预测模型。该模型针对广义回归神经网络(GRNN)的平滑因子难以确定的问题,使用余弦优化粒子群算法(COPSO)对其进行优化,优化过程中除了为种群个体增加小种群比较策略之外还采用了余弦加速系数来扩大搜索范围并避免陷入局部最优,之后引入适应准则来提高算法收敛速度。对该模型与几种常见的土壤重金属含量预测模型进行对比实验,实验结果表明该模型的预测值更接近于真实值,具有更好的预测性能。

基于GF-1遥感数据预测区域森林土壤有机质含量

为探索国产卫星GF-1预测土壤有机质(SOM)的能力,本研究以广东省云浮市的罗定市为研究区,以GF-1多光谱遥感影像衍生的9个遥感变量和DEM提取的9个地形水文变量为预测因子,建立2种人工神经网络模型(A模型:地形水文;B模型:地形水文+遥感),对5个土壤深度(L1:0~20 cm,L2:20~40 cm,L3:40~60 cm,L4:60~80 cm,L5:80~100 cm)的SOM进行预测。结果表明:5个深度的B模型全都比A模型的精度高,尤其是L1、L2土层,精度提升明显,其R^(2)分别提高了13%和10%;而深层土壤(L3、L4、L5)的精度提升较小,仅提高了4%、5%和4%。另外,两个评价指标RMSE和ROA±10%也表现出相似的趋势。总体而言,GF-1遥感数据显著改善了上层(0~40 cm)森林土壤人工神经网络模型的预测精度,对下层(40~100 cm)森林土壤模型改善尺度较低,是预测森林土壤SOM含量可观的新遥感数据源。

应用基于PLSR的土壤-环境模型预测土壤属性

土壤-环境模型对于正确理解土壤属性与环境因子间的关系,以及进行土壤属性预测与制图均具有重要的意义。研究区位于陕西省长武县内多年退耕还林还草沟壑区域,采集72个土壤表层样本,选择3/4的样本作为建模集,其余1/4的样本作为验证集;环境因子选择容易获取的地形因子和由遥感影像提取的植被因子和湿度因子,建立基于偏最小二乘回归(PLSR)的土壤-环境模型。结果表明:全氮、速效钾、全钾、有机质与环境因子间均有显著相关性;建立的PLSR模型可解释土壤属性的空间变异从23%(全氮)到27%(全钾);与逐步回归方法构建的模型相比,利用PLSR构建的土壤-环境模型可以更好地表征土壤属性与环境变量间的关系,拟合精度和预测精度也相对较高,说明PLSR建立的模型可以更好地应用于相似区域的土壤属性预测。

中尺度土壤预测制图中地形变量提取的适宜分辨率探讨

地形变量是土壤预测制图中重要的预测变量之一,为了满足中尺度土壤预测制图的精度要求,又能够减少数据的冗余,需要选择合适分辨率范围的地形变量。基于ASTER GDEM数据,对不同地形起伏状况的3个样区,通过重采样得到30 m、60 m、90 m、120 m、150 m共5组不同分辨率的DEM数据,分别选取土壤预测制图中常用的高程、坡度、平面曲率和剖面曲率4组地形变量,通过地形信息熵、局部方差均值以及比例尺和空间分辨率的关系,选取巢湖流域用于土壤预测制图的地形变量提取的适宜分辨率范围。研究表明:对于特定比例尺的土壤预测制图,地形变量的提取需要综合考虑两个因素:一是土壤预测制图的比例尺,二是地形变量提取的分辨率。中尺度土壤预测制图地形变量提取的适宜分辨率为30m,既能保留有实际意义的地形信息,又能满足土壤预测制图的精度要求。

土壤墒情预测自适应遗传神经网络算法研究

针对传统遗传神经网络算法易出现的早熟收敛及锯齿等现象,提出一种新型算法应用于土壤墒情预测。该算法提出了衡量种群基因多样性的遗传多样性函数的概念,自适应调节交叉和变异策略,在全局范围内寻找最优初始网络权值和阈值,从而降低算法迭代次数,提高神经网络预测的精度和效率。仿真结果表明,与其他遗传神经网络算法相比较,该算法平均绝对误差从2%降低到1%,平均相对误差从5%降低到3%,最大相对误差从15%降低到8%,即新型算法可有效提高墒情的预测质量。

贵州省植烟土壤干旱预测模型初步研究

采用FAO—56推荐的方法,计算贵州省的参考作物每日蒸散量。根据烤烟不同生育期的需水特性及土壤水分平衡原理,建立了适合贵州省烤烟生产的烟地水分预测模型,并用实际观测数据对模拟值进行验证,效果较好。

基于水文气象多因子的夏玉米生育期土壤水分预测研究

准确掌握土壤水分动态变化,对制定灌溉计划至关重要。采用五道沟实验站1991-2018年大田土壤水、地下水埋深、降雨量、水面蒸发、风速、日照时数、气温和绝对湿度7个水文气象因子,经相关分析,筛选出4个关键水文气象影响因子,以影响程度最大的为初始变量,逐个添加到4个因子,分别建立了夏玉米各生育期不同土层(0~0.2、0.2~0.4、0.4~0.6、0.6~0.8、0.8~1.0、0~0.5 m)土壤含水率多元线性回归模型。结果表明:不同土层土壤水分与气象因子均表现出一致性的相关性,其中土壤水分与地下水埋深及绝对湿度的相关性最大;开花-成熟期土壤水分与气温和绝对湿度的相关性最大;其他生长阶段与地下水埋深和绝对湿度相关性最大。随着关键影响因子的增多,其预测精度提高,当影响因子为4个时,R2最大为0.99。不同土层的土壤水分模型均具有较好的预测能力,随着土层深度的增加,平均相对误差均可控制在0.1以内。该研究对及时掌握作物各生长阶段土壤水变化,指导作物科学灌溉具有重要意义。

基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述。针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中。以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数。通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高。RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径。

土壤温度时间序列预测的BP神经网络模型研究

针对滨海盐渍区表层土壤温度时序变化复杂、高度非线性的特点,以江苏省苏北典型滩涂区域为研究对象,综合运用BP神经网络和时间序列多维拓展的方法,对长期定位监测点表土层土壤温度时间序列数据进行了分析和预测,为土壤溶质运移研究与当地作物合理布局提供理论基础和参考依据。结果表明,输入层、隐含层和输出层神经元数目分别为7、7和1的3层BP神经网络模型用于土壤温度时间序列训练仿真时效果最优,其误差平方和达最小值18.017。选定的此结构BP神经网络模型简单、实用,有良好的推广泛化能力,经独立测试样本检验,预测值与实测值的相对误差均在20%以内,平均相对误差仅为2.94%,可满足土壤温度日常预报的需要。