共查询到18条相似文献，搜索用时 187 毫秒
1.
DEM栅格分辨率对多元线性土壤—景观模型及其制图应用的影响 总被引：6，自引：1，他引：6
以亚热带丘陵地区为对象,以该区4 km×3 km的5 m、10 m、15 m、20 m、25 m、30 m数字高程模型(DEM)为基础,建立多元线性土壤景观模型,并应用该模型预测研究区内土壤表层有机质含量分布,进而比较不同分辨率DEM中土壤景观模型及其预测制图的精度。结果表明:在本研究区11 km2范围内,随着DEM栅格分辨率降低,坡度、曲率、比汇水面积(对数)频度均表现出了向其中值区集中的趋势;地形因子的这一变化规律对土壤景观模型的影响较小,例如模型的变量、变量系数及R2在不同分辨率DEM中的差异很小;但地形因子的这一变化规律对模型预测制图的精度具有较大影响,各项指标均说明,模型在10~25 m DEM中的制图精度较高,而在更高分辨率(5 m)或更低分辨率(30 m)DEM中较低。本研究结果对其他亚热带丘陵地区具有一定的指示意义。 相似文献
2.
3.
DEM栅格分辨率对丘陵山地区定量土壤-景观模型的影响 总被引：2，自引：2，他引：0
基于数字高程模型（Digital Elevation Model,DEM）的定量土壤-景观模型的精度依赖于DEM栅格分辨率,而DEM栅格分辨率如何影响土壤-景观模型及其预测精度目前研究较少。以西南丘陵山地区一典型汇水盆地为研究对象,以该区2.5、5、10、20和30 m DEM为基础,利用逐步线性回归方法建立起研究区不同分辨率下的定量土壤-景观模型,并应用这些模型预测研究区内土壤表层碱解氮含量的空间分布,进而比较DEM不同分辨率下土壤-景观模型及其预测精度。结果表明,随着DEM栅格分辨率的降低,比汇水面积、地形湿度指数的均值逐渐增加;平均坡度逐渐降低;曲率变化的范围逐渐减小。地形指数的这一变化规律对土壤-景观模型及其预测结果产生显著影响,模型的校正决定系数、平均绝对误差和均方根误差都以5 m栅格分辨率为转折点,分辨率低于5 m,模型的校正决定系数显著减小,平均绝对误差和均方根误差显著增加。 相似文献
4.
5.
基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究 总被引：10，自引：1，他引：10
遥感数据已经在数字土壤制图中得到广泛应用,并且可以一定程度上提高土壤属性预测的精度。本文以榆阳区的黄土丘陵和风沙滩地两种地貌区为例,利用不同分辨率的专题制图仪(thematic mapper,TM)、先进宽视场传感器(advanced wide field sensor,AWIFS)和中等分辨率成像仪(Moderate resolution imaging spectroradiometer,MODIS)的遥感影像数据(分辨率分别为30 m、56 m和250 m)和基于高级热量散射和反射辐射仪全球数字高程模型(advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM)的地形衍生数据,结合其他影响土壤有机质分布的辅助因子,用随机森林算法(random forest,RF)对表层土壤有机质进行模拟预测,并通过实测数据的百分比抽样对预测结果进行了验证。结果表明,在榆阳区的黄土丘陵区,基于TM数据的土壤有机质预测结果较好;在风沙滩地区,基于AWIFS数据的土壤有机质预测结果较好。基于RF的土壤有机质预测在榆阳区的黄土丘陵区结果较好,三个分辨率下的平均绝对误差在1.27~1.57 g kg-1之间,在风沙滩地区预测精度较低,平均绝对误差在1.46~2.08 g kg-1之间。高程、地理位置和植被是影响黄土丘陵区土壤有机质预测的主要因素,在风沙滩地区,植被、高程和离水源地的距离是影响有机质预测的主要因素。可见,在地貌相对简单的地区进行土壤有机质含量的预测时可以使用较低分辨率的数据代替较高分辨率的数据,同时,RF算法在复杂地貌区的土壤有机质预测更有效。 相似文献
6.
流域尺度土壤厚度的模糊聚类与预测制图研究 总被引：3，自引：2，他引：3
基于土壤厚度与景观位置和特征之间的关系,运用模糊c均值聚类(FCM)方法对西苕溪流域的土壤厚度分布进行了空间预测。选取高程、坡度、平面曲率、剖面曲率、径流强度系数和地形湿度指数6个地形因子进行模糊聚类,根据相应的聚类参数将流域地形组合分为8类。利用部分调查获得的土壤剖面数据,结合样点属性和专家经验为典型区赋值,最后由加权平均得到流域土壤厚度预测图。验证结果表明,FCM方法可以对地形因子组合进行有效合理的分级,其预测精度较高,模型的稳定性较好,是一种低成本高效率的制图方法。该方法在土壤厚度预测方面具有一定的可靠性。 相似文献
7.
基于传统土壤图的土壤—环境关系获取及推理制图研究 总被引：3，自引：0，他引：3
在数字土壤制图研究中,从历史资料中提取准确的、详细的土壤—环境关系对于土壤图的更新和修正十分重要。从传统土壤图中提取土壤类型并从地形数据中提取环境参数,采用空间数据挖掘方法建立土壤—环境关系,并进行推理制图和精度验证。以湖北省黄冈市红安县华家河镇滠水河流域为例,首先选取成土母质和基于地形数据提取的高程、坡度、坡向等7个环境因子;然后利用频率分布原理得到包含土壤类型与环境因子信息的典型样本数据1 410个;采用See5.0决策树方法进行空间数据挖掘,建立土壤—环境关系;将其导入So LIM中进行推理制图;最后利用270个实地采样点验证所得土壤图的精度。土壤图的精度提高了约11%,证明了本研究方法对土壤类型和空间分布推理的可靠性。 相似文献
8.
9.
机器学习用于耕地土壤有机碳空间预测对比研究——以亚热带复杂地貌区为例 总被引：1，自引：0，他引：1
耕地土壤有机碳(SOC)是土壤质量的重要指标,也是生态系统健康的重要表征。当前机器学习(Machine Learning, ML)用于SOC数字制图日益热门,但不同算法在高空间分辨率SOC数字制图中的对比研究尚有欠缺。本研究以福建省东北部复杂地形地貌区为例,采用10m空间分辨率Sentinel-2影像数据,选取地形、气候、遥感植被变量为驱动因子,重点分析当前常用的机器学习算法——支持向量机(SupportVector Machine,SVM)、随机森林(RandomForest,RF)在SOC预测中的差异,并与传统普通克里格模型(Ordinary Kriging, OK)进行比较。结果表明:基于地形、遥感植被因子和气候因子构建的RF模型表现最佳(RMSE=2.004,r=0.897),其精度优于OK模型(RMSE=4.571, r=0.623),而SVM模型预测精度相对最低(RMSE=5.190, r=0.431);3种模型预测SOC空间分布趋势总体相似,表现为西高东低、北高南低,其中RF模型呈现的空间分异信息更加精细;最优模型反演得到耕地土壤有机碳平均含量为15.33 g·kg-1; RF模型和SVM模型变量重要性程度表明:高程和降水是影响复杂地貌区SOC空间分布的重要变量,而遥感植被因子重要性程度低于高程。 相似文献
10.
基于土壤变异解释力的几种土壤制图方法的对比研究——以南阳市1m土体土壤有机碳密度制图为例 总被引：2，自引：0，他引：2
为克服方法的复杂性和数据的详细性解释土壤制图效果的不足,基于土壤变异解释力对多种方法进行对比研究。收集南阳1∶5万土壤类型图、30 m分辨率数字高程模型和TM影像,计算出高程、坡度、坡向、归一化植被指数(NDVI)、穗帽变换的湿度(TCW)参数等,以439个土壤剖面为训练数据,分别按土壤类型连接法(SCLM)、加权最小二乘法(WLS)回归、地理权重(GWR)回归、随机森林(RF)、普通克里格(OK)、回归克里格(RK)进行1m土体土壤有机碳密度(SOCD)制图,其余49个土壤剖面作为验证集。结果表明:(1)对SOCD变异的解释力是影响制图效果的本质因素。土壤类型、土壤表层有机质(OM)是主要预测变量,SCLM、WLS和GWR均只能利用其中一种主要变量,土壤图的详细化和回归模型的复杂化均不能明显改善SOCD制图效果。基于土属和OM变量,RF对SOCD变异的解释力最强,预测效果最优;地统计学空间变异函数对SOCD变异的解释力大于回归模型,小于RF,而与土壤类型相当,其相对制图效果亦如此。(2)预测变量建模和空间相关是两类不同的土壤变异解释机制,RK未必能使它们产生最佳组合:只有WLS回归、GWR回归和缺乏土壤类型信息的RF(OM+TCW)适合RK算法,在原始模型中它们对训练数据的拟合效果依次升高,但其RK结果的优劣排序则相反;所有RK的结果均未达到土属和OM参与下RF制图的精度。 相似文献
11.
基于环境变量的渭干河-库车河绿洲土壤盐分空间分布 总被引：5，自引：4，他引：1
土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。 相似文献
12.
亚像元定位技术对地表遥感信息提取及农业遥感定量化发展具有重要意义。针对当前国内外亚像元定位研究多集中于亚像元定位模型而缺少模型定位精度影响因素分析的现状,该文开展了定位尺度因素(如重建尺度、影像空间分辨率)和像元空间关系等对农业区域多光谱遥感影像亚像元定位模型精度影响的定量分析。以中国吉林省白城地区洮南市和内蒙古自治区兴安盟突泉县交界农业区为研究区域,以典型的空间引力模型为核心模型,以具有相同光谱分辨率的高分一号(GF-1)卫星8、16 m空间分辨率多光谱遥感影像为基础数据,对重建尺度、影像空间分辨率和像元空间关系等因素对遥感亚像元定位精度的影响进行了探讨。结果表明,对于8 m空间分辨率GF-1遥感影像,当重建尺度为5时,在邻接空间关系下的亚像元定位可达到最佳效果,即由40 m空间分辨率遥感影像重建8 m空间分辨率遥感影像的总体精度为74.67%,Kappa系数为0.604;对于16 m空间分辨率GF-1遥感影像,当重建尺度为4时在象限空间关系下的亚像元定位可达到最佳效果,即由64 m空间分辨率重建16 m空间分辨率遥感影像的总体精度为74.65%,Kappa系数为0.623。此外,重建尺度、影像空间分辨率和像元空间关系对亚像元定位精度具有波动影响,3个因素对应的亚像元定位总体精度最大变幅分别为18.08%、4.39%和0.08%,对应Kappa系数变化最大幅度分别为0.268、0.049和0.006。因此,在不同精度影响因素下,基于空间引力模型的GF-1亚像元定位精度影响因素轻重等级依次为重建尺度影像空间分辨率像元空间关系,这可为遥感亚像元定位模型选取、模型参数设置以及适宜的遥感数据选择提供一定参考。 相似文献
13.
基于Fisher判别分析的数字土壤制图研究 总被引：2，自引：0，他引：2
利用已知类型的土壤样点及其所处位置的高程、坡度、平面曲率、剖面曲率、复合地形指数等数据,基于Fisher判别分析方法对安徽宣城样区的土壤类型进行预测和制图表达。结果表明,土纲级别的预测效果较好,正确率达到84.2%。但随着从土纲到亚类级别的降低,由于受土壤样点数量限制,土壤类型预测的准确率也逐步降低。通过与样区1986年基于发生分类的土壤图进行对比,采用的方法无论是在制图精度,还是图面信息的负载量方面都要优于传统方法,能够更加客观真实地反映土壤在自然界的空间分布。 相似文献
14.
基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图 总被引：1，自引：1，他引：0
土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument,MSI）、数字高程模型（Digital Elevation Model,DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数）,经过极端梯度提升（Extreme Gradient Boosting,XGBoost）算法筛选有效特征变量,构建了关于土壤电导率（Electrical Conductivity,EC）的随机森林（Random Forest,RF）、极限学习机（Extra Learning Machine,ELM）和偏最小二乘回归（Partial Least Squares Regression,PLSR）预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合,3类指数组合的建模取得了较为理想的预测精度,其中RF模型表现最优（验证集R2=0.83,RMSE=4.81 dS/m,RPD=3.11）;在整个研究区内,中部和东部地区土壤盐渍化程度尤为严重。因此,XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。 相似文献
15.
S&#;rgio H. G. SILVA David C. WEINDORF Wilson M. FARIA Leandro C. PINTO Michele D. MENEZES Luiz R. G. GUILHERME Nilton CURI 《土壤圈》2021,31(4):615-626
Portable X-ray fluorescence (pXRF) spectrometry and magnetic susceptibility (MS) via magnetometer have been increasingly used with terrain variables for digital soil mapping. However, this methodology is still emerging in many countries with tropical soils. The objective of this study was to use proximal soil sensor data associated with terrain variables at varying spatial resolutions to predict soil classes using the Random Forest (RF) algorithm. The study was conducted on a 316-ha area featuring highly variable soil classes and complex soil-landscape relationships in Minas Gerais State, Brazil. The overall accuracy and Kappa index were evaluated using soils that were classified at 118 sites, with 90 being used for modeling and 28 for validation. Digital elevation models (DEMs) were created at 5-, 10-, 20-, and 30-m resolutions using contour lines from two sources. The resulting DEMs were processed to generate 12 terrain variables. Total Fe, Ti, and SiO2 contents were obtained using pXRF, with MS determined via a magnetometer. Soil class prediction was performed using the RF algorithm. The quality of the soil maps improved when using only the five most important covariates and combining proximal sensor data with terrain variables at different spatial resolutions. The finest spatial resolution did not always provide the most accurate maps. The high soil complexity in the area prevented highly accurate predictions. The most important variables influencing the soil mapping were MS, Fe, and Ti. Proximal sensor data associated with terrain information were successfully used to map Brazilian soils at variable spatial resolutions. 相似文献
16.
基于地形因子的土壤有机碳最优估算模型 总被引：2，自引：0，他引：2
基于数字地面模型(Digital Terrain Model,DTM),同时考虑因子组合和分辨率构建土壤有机碳(SOC)最优估算模型。在7 100 km2范围内,选取了71个分辨率和22个地形因子中不多于5个因子的所有可能组合,构造了2 514 820个模型。采样点随机分为两组,6 362个训练样点构造数据挖掘模型,其他2 208个为验证样点。根据模型相关系数r值大小从中选取了不同个数因子组合以及相应分辨率的最优模型,并根据这些模型生成对应的土壤有机碳图。结果表明:单个地形因子模型和栅格大小之间的关系表现出多样化,并不是分辨率越高模型结果越好。单因子模型r值的大小并不能决定其在因子组合模型中的重要性。不同的因子及其组合有其特定的最适分辨率,最佳分辨率范围约为60~150 m。综合数据的存储空间和计算量、模型复杂度、预测精度以及空间表达能力,该地区最优模型由相对坡位、高程、归一化高程及多尺度山谷平坦指数等4个变量组成,对应分辨率为121.6 m。同时与多种克里格空间插值方法生成的土壤有机碳空间分布图进行了对比分析,发现无论几个变量的组合,其空间预测能力均较克里格空间插值方法更能表达SOC的空间变化,预测精度也较高。 相似文献
17.
地形是影响土壤侵蚀的重要因子。以修正通用土壤流失方程中的地形因子为研究对象,以黄土高原延河流域县南沟5m分辨率的DEM为数据源,在ArcGIS软件平台下,实现对地形因子LS值的提取。对提取后的LS值和LS值分布进行检验分析,结果表明:以5m分辨率的DEM为数据源,采用适合该地区的修正后的LS值的算法,在ArcGIS支持下,可以获得较准确的LS值。研究结果可以为区域土壤侵蚀的地形因子研究提供数据支持,为更大区域尺度转换提供数据匹配基础,同时,为土壤侵蚀在区域尺度上进行预测评价提供方法引导和技术支持。 相似文献
18.
西南典型岩溶区土壤硒空间分布预测 总被引：4，自引：2，他引：2
土壤硒精准预测和制图是富硒土壤资源开发利用和环境规划管理的基础。该文以西南典型岩溶区桂林永福百寿河流域为例,在分析影响土壤硒化学行为因子的基础上,通过野外样品采集和室内化学分析以及Arc GIS空间分析,获取了研究区相关地理环境因子和土壤属性因子数据。利用逐步回归方法选择土壤硒空间分布预测的辅助变量,使用协同克里格模型对非连续分布的辅助变量进行插值。在此基础上利用地理加权回归模型对土壤硒空间分布进行预测,同时以普通克里格插值结果作为参照。研究结果表明:使用地理环境因子和影响土壤硒化学行为的土壤属性因子可以提高土壤硒预测精度;协同克里格插值解决了辅助变量数据连续分布的问题;土壤硒的空间分布与地形和影响土壤硒化学行为的因子有关。 相似文献