[發明專利]一種基于定性和定量輔助變量的土壤有機質空間分布預測方法

有效

• 申請號: 201310268497.0
• 申請日: 2013-06-28
• 公開（公告）號: CN103529189A
• 公開（公告）日: 2014-01-22
• 發明（設計）人: 李啟權;王昌全;李冰;張新;高雪松;張毅;袁大剛
• 申請（專利權）人: 四川農業大學
• 主分類號: G01N33/24
• 分類號: G01N33/24;G06F19/00
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 龔燮英

1.一種基于定性和定量輔助變量的土壤有機質空間分布預測方法，其特征在于：步驟如下：

1）、數據來源：以選取的研究區地形圖、土地利用現狀圖和土壤類型分布圖為輔助信息，在兼顧代表性與均勻性原則的基礎上綜合考慮地形、土壤類型等信息進行土壤采樣點的布設，在每個土壤采樣點處采用多點混合的方法采集表層土壤樣品；每個采樣點均以GPS記錄其地理坐標和海拔高度，同時詳細記錄樣點所在的環境信息；采集到的樣品帶回實驗室經自然風干后磨碎過1mm篩，采用重鉻酸鉀容量法測定每個土樣有機質含量；

2）、輔助數據來源與處理：

研究中定量因子主要選擇了地形因子和植被指數；地形因子是土壤性質空間分布預測中最常用的輔助環境變量，包括高程(H)、坡度(S)、平面曲率(Ct)、剖面曲率(Cp)及地形濕度指數(TI)；基于研究區1:5萬地形圖在ArcGIS9.3中生成30m分辨率的數據高程模型，進一步利用ArcGIS9.3的空間分析和柵格計算功能獲取研究區30m分辨率的坡度、平面曲率、剖面曲率及地形濕度指數分布圖；

基于遙感影像獲取的植被指數能較好地反映區域地表植被的生長狀態和植被覆蓋度信息，是常用于土壤性質空間分布預測的又一輔助變量；在研究區采用MODIS遙感數據產品中的增強型植被指數作為預測研究區土壤有機質含量空間分布的定量植被因子；

3）、研究方法：

研究方法采用的是融合定性和定量輔助變量的徑向基函數神經網絡方法；

將各采樣點土壤有機質的實測值和環境因素之間的關系表示為：

Z(x_i,k,y_j,k)=m(k)+r(x_i,k,y_j,k)??(1)

r(x_i,k,y_j,k)=f(t(_xi,y_j),v(x_i,y_j),...)??(2)

式中：Z(x_i,k,y_j,k)表示屬于第k種土壤類型的土樣在(x_i,y_j)處的有機質含量值，(x_i,y_j)為采樣點坐標，其行列號分別為i和j；m(k)為第k種土壤類型有機質含量平均值；r(x_i,k,y_j,k)為采樣點(x_i,y_j)減去該點所屬土壤類型有機質含量平均值后的殘差。t(x_i,y_j)為點(x_i,y_j)的地形參數值，v(x_i,y_j)為點(x_i,y_j)的植被指數值。即假定特定點位上土壤有機質的變異首先由該點所處的土壤類型決定，而其殘差值則由該點所處的地形植被條件等局地環境因素確定；平均值m(k)和殘差r(x_i,k,y_j,k)相互獨立；

各點位殘差值與局地環境因素間的關系采用徑向基函數人工神經網絡模型表達；該模型是一種具有單隱層的三層前饋型神經網絡模型，預測方法過程如下：

（1）、依據采樣點土壤有機質含量值，分別統計研究區中各個土壤類型土壤有機質含量的平均值及每個土壤采樣點對應的殘差值；

（2）、依據計算出的各個土壤類型有機質含量平均值和研究區土壤類型分布圖，制作研究區各土壤類型有機質值含量平均值分布圖；

（3）、以各土壤采樣點的地形及植被特征參數值作為網絡輸入，以對應點位歸一化后的土壤有機質殘差值作為網絡輸出，構建神經網絡模型，在MATLAB中模擬得到研究區土壤有機質的殘差分布圖；

（4）、最后將研究區各土壤類型有機質值平均值分布圖加上神經網絡模型預測得到的殘差分布圖，即得到研究區土壤有機質含量空間分布圖；

4）、對照方法：

選用普通克里格法、回歸克里格法及神經網絡模型與普通克里格結合的方法作為對照方法；回歸克里格法首先采用多元逐步回歸進行土壤有機質與環境因子間的回歸預測，再以普通克里法對回歸預測結果殘差進行插值，最后將回歸預測結果和普通克里格法對殘差的估計值相加，即得到研究區土壤有機質的空間分布圖；神經網絡模型與普通克里格結合的方法則是以神經網絡模型替代回歸克里格法中的回歸模型完成對研究區土壤有機質的空間分布預測；

5）、預測精度評價方法

采用獨立驗證樣點集對各方法預測結果進行評價，即隨機從2346個土壤樣點提取20%(469個)作為驗證點，其余80%(1877個)作為建模點(圖1b)，以平均絕對誤差(MAE)、均方根誤差(RMSE)和平均相對誤差(MRE)對驗證點的預測值和實際觀測值進行對比分析，得出精度評價結果。