论文部分内容阅读
准确又详细的空间土壤信息对环境建模、生态评估和决策至关重要,而遥感卫星的迅速发展为提高土壤预测模型的性能提供了巨大机遇。但我国高分一号（GF-1）遥感数据在三维土壤制图方面的潜力尚未得到充分探索。本研究以罗定市为建模区,通过组合GF-1多光谱衍生的遥感数据与其它环境数据（基础土壤数据和数字高程模型（DEM）衍生的地形水文数据）构建基于基础土壤数据的基础人工神经网络（ANN）模型、基础土壤数据+地形水文变量的地形水文ANNA模型、基础土壤数据+地形水文变量+遥感变量的全变量ANNB模型和基础土壤数据+遥感变量的遥感ANNC模型共四种模型,旨在探索GF-1衍生的遥感变量在预测森林土壤养分中的作用。以新兴县作为推广区,通过比较直接在该区运用建模区的最优模型与构建简单且高效的线性推广模型精度,探索GF-1衍生的遥感变量在预测森林土壤养分模型中的推广性。研究对象是五个森林土壤深度（D1:0～20 cm、D2:20～40cm、D3:40～60 cm、D4:60～80 cm、D5:80～100 cm）的有机质（OM）、碱解氮（AN）、速效磷（AP）、速效钾（AK）、全氮（TN）、全磷（TP）和全钾（TK）。结果表明:（1）加上遥感数据的全变量ANNB模型具有最佳的预测精度,其次是无遥感数据的地形水文ANNA模型,仅遥感数据的植被遥感ANNC模型预测精度最差。ANNA模型对七个土壤性质的预测精度（R~2）在0.61～0.78之间,ANNB模型的预测精度（R~2）在0.66～0.88之间,ANNC模型的预测精度（R~2）在0.42～0.76之间,即ANNB＞ANNA＞ANNC。加上遥感数据的全变量ANNB模型精度的提高以及仅遥感数据的ANNC良好的预测精度表明GF-1衍生的植被遥感变量对土壤预测是有效的。（2）植被遥感变量对上部（0～40 cm）土壤养分的预测性能较好。加入遥感数据的全变量ANNB模型的预测精度与无遥感数据的地形水文ANNA模型的精度相比,在0～40 cm的R~2能得到较显著提高0.10～0.14（AK和TP除外）,但在40～100 cm精度改善效果较差（0.02～0.08）。且仅遥感数据的植被遥感ANNC模型随着土壤深度加深,其精度越差,同样证明了植被遥感变量在上部土壤表现较佳。除了AK和TP这两个指标之外,其它土壤指标D1土层的RC~2接近甚至优于RA~2,OM小于0.01,AN小于0.02,AP大于0.01,TN一样大,TK则大于0.02。表明植被遥感变量对于表层土壤（0～20cm）的预测能力能与地形水文变量相媲美。（3）植被遥感变量对AK和TP的预测能力较差。在上部土壤,加入遥感数据的全变量ANNB模型对AK和TP的预测精度仅提高（R~2）0.05～0.07。仅遥感数据的植被遥感ANNC模型预测OM、AN、AP、AK、TN、TP和TK的R~2平均值分别为0.63、0.63、0.60、0.53、0.58、0.51和0.63,其中AK和TP的精度最低。表明本研究所选的植被遥感变量不能很好的捕捉AK和TP的空间变异性,可能是AK和TP的空间变异性主要由其它植被变量影响,也有可能是TP含量范围过于狭窄,使得模型难以拟合。（4）线性模型较好的修正了ANN模型直接推广的结果。本研究探索发现加上遥感数据的全变量ANNB模型在新兴县直接推广的精度（ROA）损失23%～40%,但直接推广的预测值与实测值之间存在显著的相关性。通过以土壤类型进行分区,每个类型区以50%的样点建立线性模型,经另外50%的样点进行独立性检验后发现ROA提高了13%～28%。（5）建模区的森林土壤OM、AN、AP、AK和TN的三维空间分布随着土壤深度加深而逐渐下降,而TP和TK是随着土壤深度略显增加。此外,罗定市只有AN整体上很丰富,其它土壤指标都存在不同程度的缺乏状态,特别是AP和TP整体都处于缺和极缺水平。