[发明专利]一种基于特征集成学习的土壤厚度类型预测方法

说明书

本发明涉及一种基于特征集成学习的土壤厚度类型预测方法，有效地利用了影响土壤厚度变化的环境变量来构建预测模型，通过最优环境变量集合的筛选，构建连续型土壤厚度集成预测模型、土壤深度区间集成预测模型，并最终获得覆盖目标区域的土壤厚度区间空间分布，比传统的空间插值技术具有更高的预测精度，在未来面向山地区域或偏远地区缺乏足够多土壤厚度观测数据时，本发明能够降低土壤厚度观测点的数量需求，在保证土壤厚度空间分布预测精度的同时节约野外调查成本。

技术领域

本发明涉及一种基于特征集成学习的土壤厚度类型预测方法，属于面向土壤水文学与计量土壤学中土壤厚度的技术领域。

背景技术

土壤厚度是土壤的一种物理属性，通常用来表示土壤物质自地表至某个特定界面的深度。因此，土壤厚度能够有效表示土壤物质中营养元素或可使用水分的存储深度，对土壤侵蚀、作物长势、生物多样性、土壤碳储量估算与土壤水分周转的准确模拟具有重要的意义。因此，获取区域高精度土壤厚度的空间分布图对生态系统评估、农业生产、水土保持、植被恢复、石漠化治理具有重要的实际指导作用。

不同的学科背景的科研工作者与不同应用部门的技术人员对土壤厚度的定义不尽相同。土壤厚度的划分存在不同的标准，部分学者将土壤厚度定义为土壤表面到土壤母质层的垂直深度；也有学者将土壤厚度定义为土壤养分或植物根系能够接触到的最大深度；有关部门技术人员也有将土壤厚度定义为耕作层厚度。无论土壤厚度在具体应用的定义有何不同，土壤厚度空间分布的预测往往作为同一类技术进行研究与应用。

土壤是一个时空维均连续的物质，存在着复杂的空间异质性。即使在同一时间，在田块尺度、流域尺度或国家尺度上，土壤厚度均呈现复杂的变化特征，难以使用一个常量来代表该地区土壤厚度的变化。有别于常规的地表植被覆盖度调查，土壤厚度难以直接观测。传统的土壤调查是使用剖面挖掘、钻井或自然出露基岩调查等方式在野外记录特定位置土壤的厚度。大区域土壤厚度调查，尤其是山地区域的道路可达性较低，土壤调查难度较大，需要耗费大量的人力、物力、时间与经费，效率低下，仅能获取离散位置的土壤厚度样点数据。因此，传统的土壤调查往往使用一个样点或多个样点观测到的平均土壤厚度值代表该区域的土壤厚度情况。

由于土壤物质与岩石具有不同的密度、导电性与磁性，部分技术人员尝试使用地球物理勘探技术进行土壤厚度探测，较为常用的技术包括高密度电阻率法、地质雷达法、地震勘探法、大地电磁、伽马射线检测法等。地球物理勘探技术具有无损检测的优势，不需要破坏原来土壤的物理结构，土壤物理信息采集速度快、效率高、精度高。例如，相关研究表明使用 EM38电磁感应仪器反演的土壤厚度精度较高，其决定系数可达0.7-0.8。但由于地球物理勘探技术无法获取土壤厚度的真实数值，往往需要跟野外钻井等传统土壤调查相结合，根据野外观测到的土壤厚度数值对地球物理勘探模型进行校正与检验。由于不同地球物理勘探设备的技术特点，不同的技术方法往往具有特定的作业环境或适用范围的要求，例如在土壤含水率较高、地下水位较浅的地区，探地雷达的振幅很容易受到含水率变化的影响。另外，地球物理勘探往往以测线的形式进行野外作业，仅能获取到该测线覆盖区域的土壤厚度分布数值。

为了获取覆盖更大区域的土壤厚度空间分布图，技术人员经常使用地理信息系统技术对离散的土壤厚度样点数据进行空间插值。该方法假设土壤厚度在空间上的分布具有一定的规律性，也即量化土壤厚度空间变异特征。常用的地统计方法包括普通克里格、简单克里格、泛克里格与协同克里格。然而，研究学者开展的案例结果表明空间插值方法预测精度在不同的地区不尽相同，在最优预测方法方面没有形成统一的结论。

近年来，随着数字土壤制图的迅速发展，国内外学者与技术人员更倾向于使用基于“土壤景观模型”进行土壤厚度的空间预测。该模型假设土壤属性受到地形、成土母质、植被、气候等成土因素的影响，使用这些环境变量作为协变量构建的预测模型能够更准确地获取土壤厚度空间分布图。较为成熟的空间预测技术包括支持向量机、随机森林、地理加权回归、深度学习、模糊C均值聚类等。相关研究也表明这种预测模型的整体预测精度要显著高于地统计或统计模型。