[发明专利]基于人工神经网络克里金插值的森林土壤养分的空间预测方法

说明书

本发明公开了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法，包括以下步骤：获取环境因子栅格数据；计算得到基于多层感知器神经网络的森林土壤养分空间分布图；进行实测养分值与预测值之间的残差计算；对神经网络预测残差进行分析和检验；进行残差的半方差计算及半方差函数定的模型模拟，得到各模型类型及参数；得到的半方差模型参数，对残差进行普通克里金插值，得到神经网络预测残差的空间分布；将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。本发明所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。

技术领域

本发明涉及土壤养分空间预测技术领域，特别涉及一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法。

背景技术

森林是陆地生态系统的主体，其土壤养分的空间分布对植物群落空间格局形成与演替有重要作用，直接关系着生态系统生产力。因此，开展森林土壤养分空间预测的研究是实现森林可持续利用与全球变化研究的重要支撑。近年来，国内外专家学者已对耕地、林地、湿地等各类生态系统的土壤养分进行了空间预测方法的研究，而由于森林土壤的高度空间相关性和异质性，其养分的空间分布受各类地形、植被等环境因子影响较大，对于不同研究尺度和区域，最适宜和精确的插值方法各不相同，其空间预测精度有待进一步提高。

基于传统统计学、空间统计学和机器学习的方法是目前较为成熟且广泛应用的土壤养分空间插值方法。传统统计模型基于相关环境因子与土壤养分的整体样本的相关性，利用各类全局回归方法预测空间分布。由于土壤养分样点数据无法满足独立同分布和大样本的前提，使模型稳定性差且预测结果不能较好反应局部变化特征。空间统计模型主要包括地理加权回归模型和地统计模型：前者是传统线性回归模型的扩展，其考虑了土壤养分的空间结构即将回归系数变成土壤样点地理位置的函数来进行局部参数估计，以此来解决这种空间非平稳性问题；地统计模型以区域化变量为基础，借助半方差函数进行最优无偏估计。空间统计模型是已被大量应用和验证的土壤养分空间预测的有效方法之一，但因地理加权回归残差的空间自相关性与地统计学的二级平稳假设前提及其估计误差和误差方差未知性，其在实践中很难达到理想目标。机器学习模型利用人工神经网络、支持向量机、随机森林等来表达土壤养分与环境变量的复杂关系，并根据这种关系推测土壤属性空间分布，能够更有效地解决土壤与环境因子之间的非线性及环境因子的多元共线问题，且已有较多研究证明基于机器学习的土壤养分预测结果较前两者精度高。但与地理加权回归相似，其每个预测单元由节点土壤养分预测值代表，仅考虑了本节点处环境因子的影响，未考虑残差空间自相关性，因此导致生成的土壤养分图不是一个平滑的连续面，且在节点较少的情况下，会导致与现实不符的土壤养分突变现象。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法。所述技术方案如下：

一方面，一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法，包括以下步骤：

获取环境因子栅格数据；

将所述环境因子(自变量)栅格数据的坐标系统一为等面积的投影坐标系，并用重采样方法统一所有所述环境因子栅格数据的空间分辨率；

对森林土壤预测的养分属性的实测值进行分析；

提取森林土壤养分实测样点的环境因子栅格的属性；

对森林土壤预测的养分和环境因子属性进行分析和计算；

基于人工神经网络函数进行编程，利用一定学习算法训练多层感知器神经网络，根据均方根误差最小原则，得到最优网络结构与参数值；

利用人工神经网络函数，得到最优神经网络结构和参数，进行未知节点土壤养分预测；

进行空间制图，得到基于多层感知器神经网络的森林土壤养分空间分布图；