[发明专利]融合环境因素的大尺度土壤有机碳空间分布模拟方法

摘要

本发明公开了融合环境因素的大尺度土壤有机碳空间分布模拟方法，涉及土壤数字土壤制图技术领域。包括以下步骤(1)将植被类型图和土壤类型图叠加生成植被‑土类单元组合的空间分布图，以建模点统计得到的各植被‑土类单元的土壤有机碳含量均值赋值到图中对应的图斑，得到1km分辨率的土壤有机碳均值空间分布曲面m(k)；(2)以神经网络模型表达植被‑土类均值残差与定量环境因子间的关系，获得植被‑土类均值残差的空间分布曲面f’(xi,k,yj,k)；(3)以HASM模型模拟剩余残差的空间分布曲面r’(xi,k,yj,k)；(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)相加得到HASM_EF方法对土壤有机碳空间分布的模拟结果。本发明为国家尺度上土壤有机碳储量的精准估算和大尺度土壤性质的时空变化研究提供参考。

主权项

融合环境因素的大尺度土壤有机碳空间分布模拟方法，其特征在于，包括以下步骤：(1)将植被类型图和土壤类型图进行叠加，得到植被‑土类单元组合的空间分布图；再以利用建模点统计得到的各植被‑土类单元的土壤有机碳含量均值对图中相应的图斑进行赋值，生成1km分辨率土壤有机碳的各植被‑土类单元均值空间分布曲面；(2)以样点实测值减去样点所属的植被‑土类单元均值，得到各样点的植被‑土类均值残差，对该残差值进行变换后，在每一个植被‑土纲单元中以该残差变换值为输出变量，以环境因子主成分为输入变量，在软件MATLAB中分别训练适合于对应植被‑土纲单元的RBFNN模型；然后将各环境因子主成分和植被‑土纲单元组合空间分布栅格数据转换为矩阵数据，以植被‑土纲单元组合为控制条件，在MATLAB中完成对植被‑土类均值残差f’(xi,k,yj,k)空间分布的预测，并将预测结果以文本文件导出，在ArcGIS软件中转化为1km分辨率的栅格数据；(3)再以样点实测值减去前两部分的预测结果，得到去除所选因素影响后剩余的残差项r(xi,k,yj,k)，以HASM模型进行模拟，得到对该残差项r(xi,k,yj,k)空间变化的模拟结果r’(xi,k,yj,k)；(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)三个部分相加，即得到融合环境因素的大尺度土壤有机碳空间分布模拟方法对土壤有机碳空间分布的模拟结果；所述的步骤(2)和步骤(3)的样点实测值划分为由不同因素决定的3个部分：Z(xi,k,yj,k)＝m(k)+f(xi,k,yj,k)+r(xi,k,yj,k)  (1)式中：Z(xi,k,yj,k)表示在点(xi,yj)处属于第k种定性因素或定性因素组合的土壤样点的有机碳含量实测值，(xi,yj)为点位坐标；m(k)为第k种定性因素或定性因素组合的土壤有机碳含量平均值，该均值差异反映由不同定性因素或定性因素组合引起的土壤有机碳含量空间变异；f(xi,k,yj,k)为点位(xi,yj)处去除定性因素影响后由该点位处气象、地形及植被盖度点位环境因素差异引起的土壤有机碳含量变异；r(xi,k,yj,k)为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项，由研究中未考虑到的其它因素或点位处其它因素引起；假设3个部分相互独立，可分别由不同的方法获取：(1)m(k):由定性因素决定的土壤有机碳空间变异部分；研究表明，土壤类型和土地利用方式在不同尺度上均是土壤有机碳空间分布的重要影响因子，且分类级别越低，对土壤有机碳空间变异的反映能力越高；本研究中m(k)部分以土壤类型和土地类型2个因素不同组合类型下土壤有机碳的均值来表示；考虑到不同组合类型下需要有一定数量的样本数进行统计，研究中根据土地类型划分出自然植被和农业植被2个类型，将2个植被类型与58个土类进行组合，部分组合中土壤样本数少于3个，则将其合并到相同植被类型下相同土纲内统计均值最接近的其它植被‑土类组合中，共获得97个植被‑土类分类单元；最后以建模样点数据分别统计各植被‑土类单元土壤有机碳含量均值；(2)f(xi,k,yj,k)：反映点位(xi,yj)处某一定性因素组合内部的土壤有机碳含量变异，由该点位处气象、地形及植被盖度点位环境因素差异决定，通过样点实测值减去该样点所属的植被‑土类单元均值获得；考虑到土壤有机碳与各定量因子间的非线性关系，采用径向基函数人工神经网络模型来表达f(xi,k,yj,k)与气象、地形及植被指数因子间的非线性关系，其中模型输入变量为由各定量环境因子转化而来的主成分；该神经网络模型能刻画多元变量间的非线性映射关系，在土壤性质空间分布预测中取得了成功的应用；同时考虑到土壤有机碳与各定量因子间的空间非平稳性，按土纲和植被类型划分出22个植被‑土纲单元，分别在每一个植被‑土纲单元中构建一个RBFNN模型，以表达在不同空间单元内土壤有机碳与各因子间不同的非线性关系，其表达式如下：f′(xi,k,yj,k)＝RBFNNn[PC1(xi,k,yj,k),PC2(xi,k,yj,k),...,PC11(xi,k,yj,k)]  (2)式中，f’(xi,k,yj,k)为神经网络模型对f(xi,k,yj,k)的预测值；PC1(xi,k,yj,k)～PC11(xi,k,yj,k)为神经网络模型的输入变量，由气象、地形及植被指数11个定量环境因子通过主成分分析转化而来，表示点位(xi,yj)处的11个主成分值；n＝1，2，…，22，表示22个植被‑土纲单元；(3)r(xi,k,yj,k)：为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项，由样点实测值减去样点所属的植被‑土类单元均值和RBFNN模型对f(xi,k,yj,k)的预测值获得；该部分的空间变化采用高精度曲面模型(High accuracy surface modeling，HASM)来进行模拟。