[发明专利]一种土壤重金属含量空间预测方法

说明书

本发明提供了一种土壤重金属含量空间预测方法，通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测，结合人工神经网络的非线性预测特点与克里格方法的线性预测特点，更好的通过采样点预测出研究区整体的土壤重金属含量空间分布，与现有的预测方法相比，预测结果更为接近实测值，可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系，具有良好的实用性。

技术领域

本发明涉及土地利用研究领域，具体涉及一种土壤重金属含量空间预测方法。

背景技术

目前，农田土壤重金属的空间分布制图通常基于野外采样获得的实测含量值，容易造成农田土壤破坏及高成本，也难以满足空间快速高效获取土壤重金属空间信息的要求。因此，应用有效的辅助变量对于农田土壤重金属的精细空间制图、节约野外采样成本及生态农业可持续发展具有重要意义。

土壤重金属空间变异性往往是多种复杂关联因素的直接或间接作用。环境因子是最常用于土壤属性空间预测的辅助变量，包括地形、气候和植被等因子。由于它们的非破坏性及易获取，环境因子已广泛用于预测土壤有机质、土壤有机碳和土壤重金属。环境因子通过影响与土壤重金属相关的地理条件间接反映其空间变异性。例如，地形和坡度通常影响土层厚度进而影响被重金属附着的有机质含量；温度和降水通常影响大气沉降、土壤酸碱度，然后又通过作物根系的吸收从而改变土壤重金属的迁移转换过程。

近年来，高光谱因子被发现与土壤重金属有着密切关系。高光谱变量与土壤重金属之间的关系机制是通过捕捉被重金属附着的土壤有机质及铁锰化物的光谱变化，通过光谱反射率变化来反映重金属的含量变化。高光谱遥感影像一方面具有精细的光谱分辨率，能够感知土壤重金属含量的微弱变化；另一方面具有空间连续性，能够较好地对其进行空间变异性模拟。因此，运用环境因子及高光谱遥感影像进行农田土壤重金属空间变异性预测，能够有效提供预测精度及效率。然而，在目前的土壤重金属空间预测过程中，同时使用环境及高光谱影像的多源辅助变量还较少。

辅助变量的土壤重金属空间预测方法中，多元线性回归、回归普通克里格及人工神经网络法应用较多。然而，这些方法通过单一地刻画土壤重金属与辅助变量之间的线性或非线性关系，进而预测土壤重金属的空间变异性。事实上，土壤重金属与辅助变量之间往往同时存在线性及非线性关系，能够同时反映二者之间的复杂关系是提高土壤重金属空间预测精度的关键。

人工神经网络普通克里格模型是将人工神经网络模型与普通克里格模型相结合的混合地统计方法，该方法一方面运用人工神经网络刻画土壤重金属与多源辅助变量之间的非线性关系，另一方面又通过普通克里格模型将人工神经网络模型的残差进行线性插值,目前运用该方法结合多源辅助变量的土壤重金属空间变异性预测还鲜有研究。

发明内容

为了克服上述方法的缺陷，本发明提供了一种土壤重金属含量空间预测方法，通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测，结合人工神经网络的非线性预测特点与克里格方法的线性预测特点，更好的通过采样点预测出研究区整体的土壤重金属含量空间分布，与现有的预测方法相比，预测结果更为接近实测值，可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系，具有良好的实用性。

相应的，本发明提供了一种土壤重金属含量空间预测方法，包括以下步骤：

确定研究区；

在所述研究区内采集土壤样品；

测定所述土壤样品重金属含量；

确定辅助变量并获取所述研究区的辅助变量信息；

基于皮尔森相关系数筛选所述辅助变量；

基于主成分分析对所述辅助变量降维；

基于人工神经网络-普通克里格模型和经降维后的辅助变量，对所述研究区进行土壤重金属含量空间预测；