空间回归模型在区域数字化土壤制图中的应用——以河南封丘县为例

以河南省封丘县为研究区,以环境协变量信息和先期获得的土壤数值化分类结果为基础数据源,在土壤分类距离空间自相关性分析的基础上,构建土壤分类距离—环境协变量空间回归模型,实施土壤分类距离空间预测,并最终实现研究区25 m分辨率数字化土壤制图。输出结果表明,研究区5种主要土壤类型中,普通底锈干润雏形土分布面积最大、弱盐灌於干润雏形土次之,分布比例分别为36%和24%。结合确定性趋势距离和非确定性残差的空间变异特征,阐释了研究区土壤空间分布格局的发生学背景和随机性因素的影响。与基于随机模型的土壤预测制图相比,基于环境协变量空间回归模型的数字化土壤制图输出结果展示了相似的研究区土壤空间分布整体格局,且具有细节清晰、图斑边界自然的特点。一方面能更好地诠释土壤空间分布的连续性和渐变性特征;另一方面能较好地反映微域成土环境对土壤发生学特性空间变异特征的影响。

消减残差自相关性的县域土壤有机质整合模型预测研究

提升土壤属性空间预测精度对实现农田精准施肥和保护生态环境具有重要意义。利用河北省滦平县采集的1773个样点耕地表层(0~20 cm)土壤有机质(SOM)及其地理环境数据,通过逐步回归分析方法筛选出最优环境变量;基于其中1426个农田样点分别建立多元线性回归(Multiple Linear Regression,MLR)、随机森林(Random Forest,RF)、贝叶斯正则化神经网络(Bayesianregularization neural network,BRNNBP)以及与普通克里格(OK)整合模型(MLR-OK、RF-OK和BRNNBP-OK)预测SOM空间分布,以其余347个样点数据为测试集检验分析不同模型预测精度,并对模型残差进行半方差函数和空间自相关分析以评价模型拟合效果。结果表明,研究区耕地表层土壤SOM处在8.62~35.64 g·kg^(-1)变化区间,变异系数为20.26%,属中等程度空间变异;SOM高值区主要分布在东北及东南海拔较高地区,低值区多分布在西南及中部河谷地区;海拔、坡度和年均温度与SOM关系密切(P<0.001);整合模型BRNNBP-OK的平均绝对误差MAE和均方根误差RMSE最低分别为2.162g·kg^(–1)和2.801g·kg^(-1),相较于OK、MLR、RF、BRNNBP、MLR-OK和RF-OK预测模型,R2提升1.84%~43.72%,成为SOM空间预测优选模型。与单一模型相比,整合模型残差块金系数大于0.75,Moran’sI指数均小于0且数值更趋近于0,表明整合模型残差空间自相关性减弱且空间分布呈离散状态。同时,各模型精度与模型残差Moran’sI指数呈显著相关。因此,整合模型可以拟合更多的趋势项,模型残差空间聚集性降低甚至趋于离散时,模型总体精度提升,揭示了模型精度提升的内在原因。

样点数量与空间分布对县域尺度土壤属性空间预测效果的影响

明确样点数量和空间分布对土壤属性空间预测的影响,有助于科学制定土壤采样策略、有效提高土壤空间预测精度。从5403个土壤样点中随机抽取验证数据集以及包含不同样点数量的训练数据子集(每个子集包括五种样点空间分布实例),在研究区表层土壤有机质含量普通克里格(Ordinary Kriging,OK)和反距离加权(Inverse Distance Weighted,IDW)插值结果的基础上,分析和探讨样点数量与空间分布对土壤空间预测效果的影响。结果显示,当样点数量从5000降至39个时,OK和IDW插值图的局部变异信息逐渐减少,基于20和10个样点的插值图存在失真畸变。当样点数量从5000降至1250个时,OK插值精度相近(r变幅为0.55~0.59、RMSE变幅为3.03~3.15);从样点数量减少至625个开始,OK插值精度明显下降,同一训练子集不同样点空间分布的插值精度分异明显。IDW插值精度随样点数量与空间分布的变化与OK插值相似,不同的是从1875个样点开始出现插值精度的明显下降和不同空间分布插值精度的明显分异。在插值图发生失真畸变之前,OK平均插值精度大于IDW。研究结果表明,样点数量及空间分布均可在不同程度上影响土壤属性空间预测结果,当样点数量足够多时,样点数量和空间分布对预测结果的影响非常有限;当样点数量减少至一定程度时,随着样点数量的减少,空间预测图的局部变异信息逐渐减少,预测精度逐渐下降,同时样点空间分布对预测结果的影响开始凸显;在空间预测结果发生失真畸变之前,与OK相比,IDW插值精度较低且更早响应样点数量和空间分布的变化。

基于改进麻雀搜索算法优化BP神经网络的土壤有机质空间分布预测

土壤有机质是衡量土壤肥力的重要指标,提高区域有机质空间分布预测精度十分必要.利用黄河流域卫宁平原采集的1690个土壤表层(0~20 cm)有机质及自然环境、人类活动数据,通过1348个点采用经典统计学、确定性插值、地统计插值和机器学习的方法分别建立了土壤有机质空间分布预测模型,以342个样点数据为测试集检验分析不同模型预测精度.结果表明,卫宁平原土壤表层ω(SOM)的平均值为14.34 g·kg^(−1),1690个采样点土壤有机质变异系数为34.81%,为中等程度变异,呈现出东北部、西南地区含量低,中间黄河左右岸和地势平缓的黄河阶地相对含量高的空间分布趋势.4类方法的预测精度大小为:机器学习法>地统计插值方法>确定性插值方法>经典统计学方法.通过对比,基于改进麻雀搜索算法优化的BP神经网络预测精度最好,改进后的麻雀搜索算法具有更优的收敛精度,避免了陷入局部最优,防止了数据过拟合,具有较好的预测能力,该优化算法可以提高土壤有机质含量预测精度,在土壤属性预测上有良好的应用前景.