论文部分内容阅读
在大尺度下,由于空间跨度大、景观环境复杂,成土环境的空间异质性高,土壤形成过程和土壤属性会在区域上呈现出复杂多变的特性。受地形条件和交通状况等可达性因素影响,在复杂景观区域采集土壤样品尤为困难。因此,在有限样点条件下,如何获得土壤属性与环境的关系,并依据土壤分布规则进行预测性制图研究成为一个难点。作为影响陆地水文过程和土壤肥力的重要属性,土壤厚度制图是数字土壤制图的重要目标之一。 环境要素变化导致土壤属性发生明显变化的“突变点”,即土壤—环境变量变化阈值,是某些环境下预测性制图的前提,而最优环境变量组合是获得精准土壤制图结果的关键。迄今为止,关于环境变量变化阈值的确定和变量筛选方法的研究仍存在一些不足。此外,土壤厚度数据存在土壤学领域常见的数据删失问题,而关于删失型数据的土壤制图研究还甚少。因此,在复杂景观区域、有限样点条件下结合土壤发生学知识,揭示土壤厚度分布规律,获得精准的空间分布数据,对发展和完善数字土壤制图的理论和方法具有重要的意义。 本文选取葫芦沟流域和黑河上游地区两个研究尺度,利用基于目的性采样获取的129个土壤剖面和19个环境变量,分别以类别型的土壤厚度等级和连续型的土壤厚度数值为目标变量,进行土壤厚度环境变量变化阈值的确定和预测性制图方法研究。主要的研究结果如下: (1)在葫芦沟流域,构建基于模糊c均值聚类(Fuzzy c-means cluster,FCM)结合决策树(Decision Tree,DT)的模型,获得了小尺度内土壤—环境阈值和土壤—环境关系知识,并应用于土壤厚度预测性制图。采用FCM结合DT方法,减少了大量训练样本的采集,提高了工作效率并降低了数据获取成本,获得了高质量的土壤—环境变量变化阈值和土壤—环境关系知识,易于解译、利用和保存,便于推广和应用,为数字土壤制图提供了一种有效的预测方法。 (2)优化环境变量组合是获得精确而稳定的土壤制图结果的关键。本研究提出了一种新的变量筛选方法——综合变量筛选方法(Integrated variables selection method,IM),并以我国黑河上游为研究区,通过开展土壤厚度预测制图,检验该方法在环境变量筛选上的有效性。结果表明:IM方法所得变量组合采用较少的预测变量即可获得最优的预测结果。不仅明显提升了模型的预测精度,且能从土壤发生学角度很好地解释土壤厚度与环境变量间的关系,为数字制图中其他土壤属性的变量筛选提供了一种新的思路。 (3)目前,删失型土壤数据的预测性制图研究甚少。本研究引入可处理删失型数据的条件推理森林(Conditional inference forest,CIF)方法进行土壤厚度预测,并与随机森林(Random forest,RF)的预测结果进行对照。研究结果显示:CIF模型预测精度虽略低于RF,但CIF可以指示出深度超过特定范围的土壤厚度分布,这是RF等方法所无法完成的。CIF方法的引入可为删失型土壤数据的预测性制图研究提供新的思路和方法借鉴。 (4)对照支持向量机(Support vector machine,SVM)、促进回归树(Boosted regression trees,BRT)、RF和CIF四种机器学习方法所得土壤厚度预测结果显示,RF效果最优,其次是CIF,然后为BRT,而上述三种以树为基础发展而来的模型(BRT、RF和CIF)的预测结果均优于SVM。四种预测模型中,环境变量间的相对重要性差异极大,但高程均是影响预测模型的最重要变量。几种预测模型所得土壤厚度在空间上呈现出相似的条带状分布规律,体现了区域土壤空间变异的特点,即深厚的土壤主要分布在水热均衡,地势低缓的区域,浅薄的土壤则分布在高海拔区域或地形极起伏区域。 本研究以复杂景观区域为研究区,基于有限样点,对土壤厚度的环境变量变化阈值确定、环境变量筛选和预测性制图方法等进行了探索性研究。通过开展复杂景观区域土壤厚度的研究,可充实数字土壤制图方法的基础研究,为类似区域内土壤属性预测制图提供科学参考和方法借鉴。