[发明专利]一种基于定性和定量辅助变量的土壤有机质空间分布预测方法

摘要

本发明公开了一种基于定性和定量辅助变量的土壤有机质空间分布预测方法，其特征在于：步骤如下：1）数据来源；2）辅助数据来源与处理；3）研究方法；4）对照方法。由于采用了上述技术方案，与现有技术相比，本发明运用人工神经网络模型，在融合土壤类型、地形因子以及植被指数等定性和定量辅助环境变量的基础上，开展土壤有机质含量的空间分布预测，以期为区域高精度土壤性质空间分布预测提供方法参考。

主权项

一种基于定性和定量辅助变量的土壤有机质空间分布预测方法，其特征在于：步骤如下：1）、数据来源：以选取的研究区地形图、土地利用现状图和土壤类型分布图为辅助信息，在兼顾代表性与均匀性原则的基础上综合考虑地形、土壤类型等信息进行土壤采样点的布设，在每个土壤采样点处采用多点混合的方法采集表层土壤样品；每个采样点均以GPS记录其地理坐标和海拔高度，同时详细记录样点所在的环境信息；采集到的样品带回实验室经自然风干后磨碎过1mm筛，采用重铬酸钾容量法测定每个土样有机质含量；2）、辅助数据来源与处理：研究中定量因子主要选择了地形因子和植被指数；地形因子是土壤性质空间分布预测中最常用的辅助环境变量，包括高程(H)、坡度(S)、平面曲率(Ct)、剖面曲率(Cp)及地形湿度指数(TI)；基于研究区1:5万地形图在ArcGIS9.3中生成30m分辨率的数据高程模型，进一步利用ArcGIS9.3的空间分析和栅格计算功能获取研究区30m分辨率的坡度、平面曲率、剖面曲率及地形湿度指数分布图；基于遥感影像获取的植被指数能较好地反映区域地表植被的生长状态和植被覆盖度信息，是常用于土壤性质空间分布预测的又一辅助变量；在研究区采用MODIS遥感数据产品中的增强型植被指数作为预测研究区土壤有机质含量空间分布的定量植被因子；3）、研究方法：研究方法采用的是融合定性和定量辅助变量的径向基函数神经网络方法；将各采样点土壤有机质的实测值和环境因素之间的关系表示为：Z(xi,k,yj,k)=m(k)+r(xi,k,yj,k)  (1)r(xi,k,yj,k)=f(t(xi,yj),v(xi,yj),...)  (2)式中：Z(xi,k,yj,k)表示属于第k种土壤类型的土样在(xi,yj)处的有机质含量值，(xi,yj)为采样点坐标，其行列号分别为i和j；m(k)为第k种土壤类型有机质含量平均值；r(xi,k,yj,k)为采样点(xi,yj)减去该点所属土壤类型有机质含量平均值后的残差。t(xi,yj)为点(xi,yj)的地形参数值，v(xi,yj)为点(xi,yj)的植被指数值。即假定特定点位上土壤有机质的变异首先由该点所处的土壤类型决定，而其残差值则由该点所处的地形植被条件等局地环境因素确定；平均值m(k)和残差r(xi,k,yj,k)相互独立；各点位残差值与局地环境因素间的关系采用径向基函数人工神经网络模型表达；该模型是一种具有单隐层的三层前馈型神经网络模型，预测方法过程如下：（1）、依据采样点土壤有机质含量值，分别统计研究区中各个土壤类型土壤有机质含量的平均值及每个土壤采样点对应的残差值；（2）、依据计算出的各个土壤类型有机质含量平均值和研究区土壤类型分布图，制作研究区各土壤类型有机质值含量平均值分布图；（3）、以各土壤采样点的地形及植被特征参数值作为网络输入，以对应点位归一化后的土壤有机质残差值作为网络输出，构建神经网络模型，在MATLAB中模拟得到研究区土壤有机质的残差分布图；（4）、最后将研究区各土壤类型有机质值平均值分布图加上神经网络模型预测得到的残差分布图，即得到研究区土壤有机质含量空间分布图；4）、对照方法：选用普通克里格法、回归克里格法及神经网络模型与普通克里格结合的方法作为对照方法；回归克里格法首先采用多元逐步回归进行土壤有机质与环境因子间的回归预测，再以普通克里法对回归预测结果残差进行插值，最后将回 归预测结果和普通克里格法对残差的估计值相加，即得到研究区土壤有机质的空间分布图；神经网络模型与普通克里格结合的方法则是以神经网络模型替代回归克里格法中的回归模型完成对研究区土壤有机质的空间分布预测；5）、预测精度评价方法采用独立验证样点集对各方法预测结果进行评价，即随机从2346个土壤样点提取20%(469个)作为验证点，其余80%(1877个)作为建模点(图1b)，以平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MRE)对验证点的预测值和实际观测值进行对比分析，得出精度评价结果。