基于随机森林算法的模糊坡位分类

基于相似度的模糊坡位分类算法使用最小值算子来综合不同地形因子的相似度,忽略了不同的地形因子对不同坡位的影响程度的差异.该文使用随机森林算法分析地形因子与坡位类型之间的关系,计算出不同地形因子相对于各类坡位的重要性评分,并以此作为加权因子,通过加权因子原则,综合计算待分类位置与典型位置的相似度.结果显示,基于随机森林算法的分类准确度和Kappa系数分别达到了0.97和0.96,而基于最小值算子算法的分类准确度和Kappa系数分别为0.88和0.83.相比原有方法,新方法的分类准确度提高了0.09,Kappa系数提高了0.13,由此证明,使用本文提出的新方法进行模糊坡位分类,在一定程度上提高了坡位分类的效果.

模糊坡位信息在精细土壤属性空间推测中的应用

坡位的空间渐变特征影响着小流域及坡面尺度上的土壤、水文、地貌等现象和过程,因此对精细尺度下的地理建模(如土壤空间信息推理)有重要作用。虽然目前已有多种模糊坡位信息定量提取方法,但所得到的模糊坡位信息还缺乏实际应用。本文以精细尺度下的土壤属性空间分布推测为例,对此展开探索。应用模型假设:(1)在小流域内,地形因素主导着土壤属性空间分布的变化;(2)典型坡位上对应分布着典型的土壤属性值,土壤属性与坡位之间存在协同变化关系。据此建立以模糊坡位信息对各类典型坡位上土壤样点属性值的加权平均模型,推测土壤属性的空间分布。模型应用于黑龙江省嫩江流域一个地形平缓的小区(面积约60 km2),通过一个以坡位典型位置作为原型的模糊坡位定量方法提取5类坡位(山脊、坡肩、背坡、坡脚、沟谷)的空间渐变信息,对土壤表层有机质含量的空间分布进行推测。推测结果通过研究区70个土壤采样点进行评价,以推测结果与评价样点集之间的相关系数、平均绝对误差、均方根误差作为定量评价指标,与使用常用地形属性的多元线性回归模型推测结果进行对比。评价结果表明,仅使用极少建模点的加权平均模型的推测结果优于多元线性回归模型的推测结果。

基于少量典型样点土壤属性空间分布推测模型中的土壤属性参数敏感性分析

针对基于少量典型样点土壤属性空间分布推测模型中的土壤属性参数敏感性问题,以坡位渐变信息结合典型土壤样点的加权平均模型为例,利用东北地形平缓小流域的土壤表层有机质含量样点集,使用阶乘设计、箱线图分析、扰动分析法和本文新设计的MR指数评价该模型的参数敏感性。结果表明,该模型中土壤属性参数敏感性较大,其大小与典型样点空间分布有关。敏感性主要由应用该模型时采用的坡位分类体系的不确定性引起。该文的分析方法可用于对基于少量典型样点的土壤属性空间分布推测模型进行参数敏感性综合分析。