集成土壤-環(huán)境關系與機器學習的干旱區(qū)土壤屬性數(shù)字制圖
發(fā)布時間:2021-07-04 07:41
【目的】土壤屬性的空間分布是影響農(nóng)業(yè)生產(chǎn)力、土地管理和生態(tài)安全的重要因素。通過土壤環(huán)境耦合關系,在機器學習算法框架下,定量預測出干旱區(qū)土壤酸堿度(pH)、土壤鹽分含量(Soil Salt Content,SSC)與土壤有機質(zhì)(Soil Organic Matter, SOM)3種土壤屬性的空間分布,為干旱區(qū)農(nóng)業(yè)生產(chǎn)和生態(tài)安全提供科學依據(jù)!痉椒ā吭谖几珊印獛燔嚭泳G洲干旱區(qū)于2017年7月設計采集典型表層(0—20 cm)土壤樣品82個,依據(jù)土壤-環(huán)境之間的關系,集成DEM數(shù)據(jù)和Landsat 8數(shù)據(jù)提取出32種環(huán)境協(xié)變量,利用柵格重采樣將提取出的32種變量重采樣為90 m空間分辨率并轉(zhuǎn)換為Grid格式參與建模。借助梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)模型依次對3類土壤屬性的32種環(huán)境協(xié)變量進行重要性排序,并通過均方根誤差(Root Mean SquareError,RMSE)界定出協(xié)變量重要性閾值點,從而篩選出參與3類土壤屬性制圖的環(huán)境協(xié)變量。進而運用隨機森林(Random Forest, RF)、Bagging和Cubist 3種...
【文章來源】:中國農(nóng)業(yè)科學. 2020,53(03)北大核心CSCD
【文章頁數(shù)】:11 頁
【部分圖文】:
研究區(qū)概況和采樣點分布圖
通過R-3.5.3中sample函數(shù)隨機劃分出70%(n=57)的建模集和30%(n=25)的驗證集并用set.seed函數(shù)固定選中的數(shù)據(jù)集。渭-庫綠洲3種土壤屬性描述性統(tǒng)計分析結(jié)果如圖2所示。土壤酸堿度(p H)全集其均值為8.0423,變異系數(shù)為0.0404,屬于弱變異,其建模集與驗證集變異系數(shù)在全集0.1%左右浮動。土壤有機質(zhì)含量(SOM)范圍在1.2863—29.9705 g·kg-1,變異系數(shù)全集為0.4802,屬于中等變異。建模集和驗證集變異系數(shù)在全集2%上下波動。土壤鹽分含量(SSC)變異系數(shù)為3種土壤屬性中最高。其中全集變異系數(shù)達到1.2646,屬于強變異。建模集和驗證集分別為1.2894和1.2075。干旱區(qū)鹽分變異系數(shù)相對較高表明表層土受鹽分影響較大[22]。3種土壤屬性全集、建模集、驗證集在統(tǒng)計特征中保持相似的統(tǒng)計形態(tài),表明樣本劃分合理。2.2 環(huán)境協(xié)變量遴選
為與傳統(tǒng)線性模型作對比,本文引入多元線性回歸模型(MLR)。根據(jù)驗證標準,3種模型均比MLR預測精度高?傮w而言,RF在3種土壤屬性預測中效果拔群(表3)。在土壤p H預測中,驗證集效果RF亦為最佳(R2=0.6779,RMSE=0.2182,ρc=0.6084)。pH預測制圖效果總體上來看依次是RF>Bagging>Cubist>MLR。在SSC預測中,無論是建模集還是驗證集RF均最為突出(建模集R2=0.9067,RMSE=2.6680,ρc=0.9219;驗證集R2=0.7945,RMSE=3.1803,ρc=0.8377),Cubist次之(R2=0.8820,RMSE=2.9190,ρc=0.9237),但是在驗證集中Cubist的RMSE達到7.5771,一致性ρc降至0.6194。這很有可能是因為信息量過大,信息的復雜性可能會導致局部最優(yōu),繼而主導優(yōu)化過程,從而產(chǎn)生局部最優(yōu)的情況[19]。MLR效果在SSC預測中最差。而在SOM預測中,驗證集RF(R2=0.7472,RMSE=3.5456,ρc=0.7009)效果較好。圖5為土地利用圖,圖6、7、8分別為pH、SSC和SOM 3種土壤屬性最佳制圖。圖4 數(shù)字土壤制圖環(huán)境協(xié)變量閾值劃分
【參考文獻】:
期刊論文
[1]基于RF和SGT算法的子區(qū)優(yōu)先建模對綠洲尺度土壤鹽度預測精度的影響[J]. 王飛,楊勝天,魏陽,楊曉東,丁建麗. 中國農(nóng)業(yè)科學. 2018(24)
[2]環(huán)境敏感變量優(yōu)選及機器學習算法預測綠洲土壤鹽分[J]. 王飛,楊勝天,丁建麗,魏陽,葛翔宇,梁靜. 農(nóng)業(yè)工程學報. 2018(22)
[3]基于競爭適應重加權采樣算法耦合機器學習的土壤含水量估算[J]. 葛翔宇,丁建麗,王敬哲,王飛,蔡亮紅,孫慧蘭. 光學學報. 2018(10)
[4]寧夏砂田小尺度土壤性質(zhì)空間變異特征與肥力評價[J]. 王幼奇,白一茹,趙云鵬. 中國農(nóng)業(yè)科學. 2016(23)
[5]Digital Soil Mapping Using Artificial Neural Networks and Terrain-Related Attributes[J]. Mohsen BAGHERI BODAGHABADI,José Antonio MARTINEZ-CASASNOVAS,Mohammad Hasan SALEHI,Jahangard MOHAMMADI,Isa ESFANDIARPOOR BORUJENI,Norair TOOMANIAN,Amir GANDOMKAR. Pedosphere. 2015(04)
[6]基于改進植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演[J]. 陳紅艷,趙庚星,陳敬春,王瑞燕,高明秀. 農(nóng)業(yè)工程學報. 2015(05)
[7]鹽漬化土壤光譜特征的區(qū)域異質(zhì)性及鹽分反演[J]. 彭杰,劉煥軍,史舟,向紅英,遲春明. 農(nóng)業(yè)工程學報. 2014(17)
[8]Relationships between Soil Depth and Terrain Attributes in a Semi Arid Hilly Region in Western Iran[J]. Abdolmohammad MEHNATKESH,Shamsollah AYOUBI,Ahmad JALALIAN,Kanwar L.SAHRAWAT. Journal of Mountain Science. 2013(01)
[9]基于土壤-環(huán)境關系的更新傳統(tǒng)土壤圖研究[J]. 楊琳,Fahmy Sherif,Hann Sheldon,朱阿興,秦承志,徐志剛. 土壤學報. 2010(06)
碩士論文
[1]渭—庫綠洲不同土地利用方式下土壤理化性質(zhì)分析[D]. 古麗波斯坦·巴圖.新疆大學 2018
[2]灌區(qū)尺度土壤特性空間變異性研究[D]. 谷海斌.新疆農(nóng)業(yè)大學 2011
本文編號:3264352
【文章來源】:中國農(nóng)業(yè)科學. 2020,53(03)北大核心CSCD
【文章頁數(shù)】:11 頁
【部分圖文】:
研究區(qū)概況和采樣點分布圖
通過R-3.5.3中sample函數(shù)隨機劃分出70%(n=57)的建模集和30%(n=25)的驗證集并用set.seed函數(shù)固定選中的數(shù)據(jù)集。渭-庫綠洲3種土壤屬性描述性統(tǒng)計分析結(jié)果如圖2所示。土壤酸堿度(p H)全集其均值為8.0423,變異系數(shù)為0.0404,屬于弱變異,其建模集與驗證集變異系數(shù)在全集0.1%左右浮動。土壤有機質(zhì)含量(SOM)范圍在1.2863—29.9705 g·kg-1,變異系數(shù)全集為0.4802,屬于中等變異。建模集和驗證集變異系數(shù)在全集2%上下波動。土壤鹽分含量(SSC)變異系數(shù)為3種土壤屬性中最高。其中全集變異系數(shù)達到1.2646,屬于強變異。建模集和驗證集分別為1.2894和1.2075。干旱區(qū)鹽分變異系數(shù)相對較高表明表層土受鹽分影響較大[22]。3種土壤屬性全集、建模集、驗證集在統(tǒng)計特征中保持相似的統(tǒng)計形態(tài),表明樣本劃分合理。2.2 環(huán)境協(xié)變量遴選
為與傳統(tǒng)線性模型作對比,本文引入多元線性回歸模型(MLR)。根據(jù)驗證標準,3種模型均比MLR預測精度高?傮w而言,RF在3種土壤屬性預測中效果拔群(表3)。在土壤p H預測中,驗證集效果RF亦為最佳(R2=0.6779,RMSE=0.2182,ρc=0.6084)。pH預測制圖效果總體上來看依次是RF>Bagging>Cubist>MLR。在SSC預測中,無論是建模集還是驗證集RF均最為突出(建模集R2=0.9067,RMSE=2.6680,ρc=0.9219;驗證集R2=0.7945,RMSE=3.1803,ρc=0.8377),Cubist次之(R2=0.8820,RMSE=2.9190,ρc=0.9237),但是在驗證集中Cubist的RMSE達到7.5771,一致性ρc降至0.6194。這很有可能是因為信息量過大,信息的復雜性可能會導致局部最優(yōu),繼而主導優(yōu)化過程,從而產(chǎn)生局部最優(yōu)的情況[19]。MLR效果在SSC預測中最差。而在SOM預測中,驗證集RF(R2=0.7472,RMSE=3.5456,ρc=0.7009)效果較好。圖5為土地利用圖,圖6、7、8分別為pH、SSC和SOM 3種土壤屬性最佳制圖。圖4 數(shù)字土壤制圖環(huán)境協(xié)變量閾值劃分
【參考文獻】:
期刊論文
[1]基于RF和SGT算法的子區(qū)優(yōu)先建模對綠洲尺度土壤鹽度預測精度的影響[J]. 王飛,楊勝天,魏陽,楊曉東,丁建麗. 中國農(nóng)業(yè)科學. 2018(24)
[2]環(huán)境敏感變量優(yōu)選及機器學習算法預測綠洲土壤鹽分[J]. 王飛,楊勝天,丁建麗,魏陽,葛翔宇,梁靜. 農(nóng)業(yè)工程學報. 2018(22)
[3]基于競爭適應重加權采樣算法耦合機器學習的土壤含水量估算[J]. 葛翔宇,丁建麗,王敬哲,王飛,蔡亮紅,孫慧蘭. 光學學報. 2018(10)
[4]寧夏砂田小尺度土壤性質(zhì)空間變異特征與肥力評價[J]. 王幼奇,白一茹,趙云鵬. 中國農(nóng)業(yè)科學. 2016(23)
[5]Digital Soil Mapping Using Artificial Neural Networks and Terrain-Related Attributes[J]. Mohsen BAGHERI BODAGHABADI,José Antonio MARTINEZ-CASASNOVAS,Mohammad Hasan SALEHI,Jahangard MOHAMMADI,Isa ESFANDIARPOOR BORUJENI,Norair TOOMANIAN,Amir GANDOMKAR. Pedosphere. 2015(04)
[6]基于改進植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演[J]. 陳紅艷,趙庚星,陳敬春,王瑞燕,高明秀. 農(nóng)業(yè)工程學報. 2015(05)
[7]鹽漬化土壤光譜特征的區(qū)域異質(zhì)性及鹽分反演[J]. 彭杰,劉煥軍,史舟,向紅英,遲春明. 農(nóng)業(yè)工程學報. 2014(17)
[8]Relationships between Soil Depth and Terrain Attributes in a Semi Arid Hilly Region in Western Iran[J]. Abdolmohammad MEHNATKESH,Shamsollah AYOUBI,Ahmad JALALIAN,Kanwar L.SAHRAWAT. Journal of Mountain Science. 2013(01)
[9]基于土壤-環(huán)境關系的更新傳統(tǒng)土壤圖研究[J]. 楊琳,Fahmy Sherif,Hann Sheldon,朱阿興,秦承志,徐志剛. 土壤學報. 2010(06)
碩士論文
[1]渭—庫綠洲不同土地利用方式下土壤理化性質(zhì)分析[D]. 古麗波斯坦·巴圖.新疆大學 2018
[2]灌區(qū)尺度土壤特性空間變異性研究[D]. 谷海斌.新疆農(nóng)業(yè)大學 2011
本文編號:3264352
本文鏈接:http://sikaile.net/kejilunwen/nykj/3264352.html
最近更新
教材專著