CN103196698B - 一种基于近地传感器技术的土壤采样方法 - Google Patents
一种基于近地传感器技术的土壤采样方法 Download PDFInfo
- Publication number
- CN103196698B CN103196698B CN201310090119.8A CN201310090119A CN103196698B CN 103196698 B CN103196698 B CN 103196698B CN 201310090119 A CN201310090119 A CN 201310090119A CN 103196698 B CN103196698 B CN 103196698B
- Authority
- CN
- China
- Prior art keywords
- sampling
- soil
- data
- earth sensor
- locations
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于近地传感器技术的土壤采样方法。利用近地传感器快速获取的数据,通过主成分变换、去除异常值后,转化为一个中心、去相关矩阵。随后采用中心复合响应设计找出曲面响应设计的最初的候选点的位置,这些位置点仅从统计学上满足中心复合响应设计坐标位置点的选取。然后根据相近位置之间距离最小化、协方差结构最大化的标准采用迭代运算确定最优位置的筛选,采用优化指数来评判采样位置是否均匀分布在样区,最后并将带有坐标位置的采样点以图形的形式输出。利用近地传感器快速获取的数据结合曲面采样设计可以进行土壤肥力高效采样,快速准确地获得最优的土壤采样布局方案,节约成本,提高采样布点的效率和代表性。
Description
技术领域
本发明涉及一种土壤采样方法,尤其涉及一种基于近地传感器技术的土壤采样方法。
背景技术
对土壤肥力及其空间分布的准确认识,是充分、合理、持久地利用土壤资源的基础。由于不可能测得区域内所有位置的土壤肥力特性,采样调查便成为获取土壤肥力信息及其空间分布的基本方法。采样设计直接影响到利用样点进行土壤制图的精度,因而成为土壤采样调查中的关键环节,也是国内外相关领域的研究热点。目前,常用于土壤肥力空间分布推测制图的采样方法包括经典采样方法和基于地统计学的空间采样方法。经典采样方法通常假定采样区土壤性质的空间变异是随机的,样本之间完全独立且服从某种类型的概率分布,可用样本均值和方差来描述土壤特性,用标准差、变异函数和置信区间来表征估计精度。经典采样简单易行,应用广泛,但这类采样方法通常需要大量样点才能全面准确地获取土壤性状的空间分布特征,受资金、时间和人力资源的限制。另外,研究表明许多土壤性质的空间变异并非完全随机,在不同尺度上都呈现出一定的空间结构,具有明显的空间自相关性(Burgess等,1980;Webster,1985),而经典的土壤采样方法由于未考虑土壤性状的空间自相关性,往往难以避免局部样点冗余和局部样点密度无法满足制图精度的情况。
基于地统计学的空间采样方法通过建立待测土壤要素的变异函数,根据克立格估计方差进行采样数量的优选,并利用克立格插值方法获得待推测土壤要素在空间的连续性分布。相比经典采样方法,在一个既定的置信水平上,满足同一精度的条件下,这种方法所需要的样本数比传统的采样方法所需的样品少得多。许多研究者曾应用地统计学理论和方法研究土壤肥力的空间变异和空间相关性,并在土壤制图中进行土壤肥力的局部估计和采样方案设计(McBratney和Webster,1983;Di等,1989;史舟等,2000;Ferreyra等,2002;李艳等,2007;庞夙等,2009)。
但是,基于地统计学的空间采样方法仍存在一些问题:(1)采样方案的设计依赖于变异函数,而变异函数通常只有在采样后才能获知。有人建议可通过已有类似研究的毗邻田块来获取待采样田块土壤肥力特性的变异函数空间自相关信息,或者从相关文献中找到一些相似变量的信息,进行一个初步采样勘测采集部分样本,根据这些样本获取变异函数的初步信息并以此进一步修改采样方案(Flatman等,1984;张仁铎,2005)。但无论采用哪种建议,都会使采样设计要么流于繁琐,要么失之精确。(2)稳健的变异函数需要大量样本才能建立。Webster和Oliver(1992)的研究表明:如果变异是各向同性的,需要100-150个样点才能建立有效的变异函数,如果变异是各向异性的,由于要计算不同方向上的变异函数,则至少需要250个采样点。Stein等(1998)研究表明,随着样本数减少,普通克立格法对土壤性质的预测精度显著降低。这些研究说明,当样本较小时,所得到的变异函数是不稳定的。因此,需要尽可能大的样本来得到稳健的变异函数。(3)变异函数的建立需满足两个假设:二阶平稳假设和本征假设,而这两个假设在复杂的实际野外条件下经常很难得到满足。
可见,尽管相比于经典采样方法,基于地统计学的空间采样方法在采样成本和效率方面具有一定优势,但在不具备研究区域的先验知识时,只能通过实地采样来获取样点,此时样本点的设计仍要依赖于经典采样(姚荣江等,2006)。计算变异函数的实测样本数到底需要多少,这是引起广泛争议的问题。尽管一般认为样点数据越多计算出的变异函数就越精确,但多数情况下,所要求的精度是未知的,而传统的置信区间公式在此不能应用,除非采样本身就是为此目的设计的(Webster和Oliver,2001)。另外,如果某土壤属性同时在多个空间尺度上存在变异,那么如何设计采样方案?这些都是目前较多讨论的问题。
近年来,数据获取技术和现代信息技术的发展为推测土壤肥力的空间分布提供了越来越多的辅助环境数据,如土壤表征电导率(ECa)、遥感影像、高光谱数据、高精度数字高程模型等。这些辅助环境数据一般与土壤特性具有较好的相关性,可以用来推测待测土壤性质的空间分布并辅助空间采样设计。尤其是利用EM38大地电导仪获取的土壤ECa,数据获取快速,质量可靠,且常常可以与多个影响土壤生产力的参数(如盐分、土壤质地、土壤含水量等)建立直接或间接的函数关系,在过去20年来受到越到越多的关注(Johnson等,2003;Corwin和Lesch,2003)。
如何利用辅助环境变量进行目标土壤肥力特性的采样设计,一些研究者进行了技术和方法的探索。如Minasny和McBratney(2006)运用拉丁超立方方法将样点均匀布设于辅助土壤环境因子的参数空间,通过全面覆盖参数空间对目标土壤属性的空间分布特征进行采样。Minasny等(2007)采用方差四分法根据辅助环境变量的变异程度来设计采样点,在环境因子变异剧烈的地区设计样点数量多,反之则设计样点数量少。杨琳等(2011)通过对与土壤在空间分布具有协同变化的环境因子进行聚类分析,寻找可代表土壤性状空间分布的不同等级类型的代表性样点进行样品的采集,探讨采样方案与数字土壤制图精度的关系。
然而,上述采样方法所需要的样本量通常较多,费时费力,成本较高,而且还存在着采样位置不能精确定位的问题。
响应曲面法(RSM)是一种可以较好运用辅助环境变量来进行目标土壤性质采样设计和预测的方法,近年来开始引起土壤学家的关注。该方法基于这样的假定:辅助环境变量和目标土壤特性之间的关系是预知的且可用低阶的回归模型来表达,但要精确估计和校正回归模型的参数,仍需要通过某种采样设计采集一定的样本点,那么在满足一定的空间优化标准的条件下,该如何选择采样点来优化回归模型的预测?RSM通过采用一个基于模型的采样方法,并应用一个适当的响应曲面设计来约束采样算法,从而在有效估计回归模型的同时,得到数目最少、位置最优的采样点。RSM通过响应曲面设计来使模型校正中的不确定性达到最小,并通过使采样的最小间距尽可能大来确保残差非独立这一假定条件得到满足。通过这样的采样方法,可将原本复杂的空间线性模型或地统计学模型简化成一个普通的回归模型,而采样效率却不降低。该方法不但可以用于土壤特性的采样和模拟,还可推广应用到其他地类调查数据如遥感数据的采样,以及更多精确农业调查和应用领域。
发明内容
本发明提供了一种基于近地传感器技术的土壤采样方法,借助近地传感器技术快速、高效的进行土壤采样。
一种基于近地传感器技术的土壤采样方法,包括如下步骤:
(1)数据获取:采用电与电磁型近地传感器获取土壤表观电导率数据ECa,并用GPS记录每个数据点的位置;
(2)数据预处理:将步骤(1)得到的ECa数据与GPS数据合并为矩阵数据X,将矩阵数据X以文件格式存放于电脑中;
(3)矩阵变换:将步骤(2)得到的矩阵数据X进行主成分变换转化,转换为一个中心矩阵数据X’;
(4)初始采样位置组获取:根据步骤(3)得到的矩阵数据X’,采用响应曲面设计获取初始采样位置组,记录初始采样位置组中每个采样点的位置及采样设计的水平值m;
(5)最优采样位置组寻找:对步骤(4)得到的初始采样位置组采用迭代运算进行最优采样位置组寻找,确定最优采样位置组;
(6)采样图制作:将步骤(5)确定的最优采样位置组中的每个采样点的空间位置制作成野外土壤采样地图或输入电脑,然后结合GPS定位仪进行土壤采样。
本发明基于近地传感器获取ECa数据,采用响应曲面法(RSM)产生采样设计方案,可对与ECa在空间分布具有协同变化的目标土壤肥力特性进行采样。这种利用近地传感器技术快速获取的数据结合响应曲面的方法(RSM),可以进行土壤肥力的高效采样设计,可快速准确地获得数量最少、位置最优的土壤采样点,从而大大提高采样效率,节约采样成本,是对现有采样设计理论和方法的有力拓展,具有重要的理论、实践意义和推广应用价值。
电与电磁型近地传感器通过电磁感应的原理,可以通过接触地表的方式直接获取土壤表观电导率数据,每秒钟可以读取10个数据。
步骤(1)中,所述的土壤表观电导率数据ECa为0~0.75m土层深度的电导率,该深度范围的土壤表观电导率能够较快速的获得,对于土体内的电导率表征具有一定的代表性。
步骤(1)中,所述电与电磁型近地传感器优选采用近地传感器EM38,在实际应用中也可采用其它型号的近地传感器,如VERIS3100等。
采用近地传感器EM38时,利用EM38的近似网格式获取水平模式ECa数据。
步骤(3)中,所述的主成分变换方法为:首先将矩阵数据X标准化,去除异常值。然后根据数据X空间上的方差结构去除相关性,转换为一个中心矩阵数据X’。与常规的主成分变换不同的是,本方法中保留所有变量用于最优位置的寻找。
步骤(4)中,所述的响应曲面设计采用中心复合响应设计,设计得到的初始采样位置组在统计学上满足欧式距离最小。
步骤(5)的具体步骤为:采用优化指数来评判采样位置是否均分布在样区,优化指数的计算方程如下,如果则返回步骤(4)重新获取初始采样点,直到则迭代终止,确定最优采样位置组,其中,为优化指数期望值;
∑=σ2V
其中,σ2为协方差,∑为协方差矩阵,ε为矩阵期望误差,V为先验知识,m为采样设计的水平;I为一个常量矩阵,I'为I的转置矩阵。
所述在这个范围内越小效果越好。
与现有技术相比,本发明的有益技术效果为:
本发明采用近地传感器技术可快速获取土壤的ECa数据,并利用响应曲面法(RSM)产生采样设计方案,可快速准确地获得数量最少、位置最优的土壤采样点,从而大大提高采样效率,节约采样成本,是对现有采样设计理论和方法的有力拓展,具有重要的理论、实践意义和推广应用价值。
附图说明
图1为本发明方法流程示意图;
图2为本发明实施例中利用近地传感器技术及RSM产生的土壤采样点位置分布图。
具体实施方式
下面结合附图1-2和实施例对本发明作进一步说明。
选取浙江省上虞市西北地区、杭州湾南岸的海涂实验农场作为研究区域,于2012年04月26进行试验。
(1)数据获取:利用近地传感器EM38的近似网格式获取水平模式ECa数据(EM38水平模式下能够快速获取0~0.75m土体的电导率数据),经扫描式获取了339个土壤表观电导率ECa数据,EM38工作的同时连接GPS进行每个采样点位置的确定;
(2)数据预处理:将步骤(1)得到的ECa数据与GPS数据合并为矩阵数据X,将矩阵数据X以文件格式存放于电脑中;
(3)矩阵变换:将步骤(2)得到的矩阵数据X进行主成分转换,首先将矩阵数据X标准化,去除异常值,然后根据数据X空间上的方差结构去除相关性,转换为一个中心矩阵数据X’。
(4)初始采样位置组获取:根据步骤(3)得到的矩阵数据X’,采用中心复合设计找出响应曲面设计的初始采样点,并记录初始采样点的位置及采样设计的水平值m,所述初始采样点统计学上满足欧式距离最小;
假设第j个采样设计的水平值为(p1j,p2j),第i个采样设计的水平值为(q1i,q2i),则采样点i和j的欧式距离为Δij,
(5)最优采样位置组寻找:对步骤(4)得到的初始采样位置组根据相近位置之间距离最小化、协方差结构最大化的标准采用迭代运算进行最优采样位置组寻找,确定最优采样位置组;
采用优化指数来评判采样位置是否均分布在样区。与数据残差的空间结构有关,假设ε是期望模型的误差,ε∈(0,∑)。如果则返回步骤(4)重新获取初始采样点,最终当时,迭代终止,确定了12个采样点的最优位置;
∑=σ2V
其中,σ2为协方差,∑为协方差矩阵,ε为矩阵期望误差,V为先验知识,m为采样设计的水平;I为一个常量矩阵,I'为I的转置矩阵。
(6)采样图制作:将步骤(5)确定的最优采样位置组中每个采样点的空间位置制作成野外土壤采样地图或输入到手持电脑上,然后结合GPS定位仪进行土壤采样。确定的采样位置分布图见图2。
Claims (8)
1.一种基于近地传感器技术的土壤采样方法,其特征在于,包括以下步骤:
(1)数据获取:采用电与电磁型近地传感器获取土壤表观电导率数据ECa,并用GPS记录每个数据点的位置;
(2)数据预处理:将步骤(1)得到的ECa数据与GPS数据合并为矩阵数据X,将矩阵数据X以文件格式存放于电脑中;
(3)矩阵变换:将步骤(2)得到的矩阵数据X进行主成分变换转化,转换为一个中心矩阵数据X’;
(4)初始采样位置组获取:根据步骤(3)得到的中心矩阵数据X’,采用响应曲面设计获取初始采样位置组,记录初始采样位置组中每个采样点的位置及采样设计的水平值m;
(5)最优采样位置组寻找:对步骤(4)得到的初始采样位置组采用迭代运算进行最优采样位置组寻找,确定最优采样位置组;
(6)采样图制作:将步骤(5)确定的最优采样位置组中的每个采样点的空间位置制作成野外土壤采样地图或输入电脑,然后结合GPS定位仪进行土壤采样。
2.如权利要求1所述的基于近地传感器技术的土壤采样方法,其特征在于,步骤(1)中,所述的土壤表观电导率数据ECa为0~0.75m土层深度的电导率数据。
3.如权利要求1所述的基于近地传感器技术的土壤采样方法,其特征在于,步骤(1)中,所述的电与电磁型近地传感器为近地传感器EM38。
4.如权利要求3所述的基于近地传感器技术的土壤采样方法,其特征在于,采用近地传感器EM38近似网格式获取水平模式的ECa数据。
5.如权利要求1所述的基于近地传感器技术的土壤采样方法,其特征在于,步骤(3)中,所述的主成分变换转化方法为:首先将矩阵数据X标准化,去除异常值,然后根据矩阵数据X空间上的方差结构去除相关性,转换为一个中心矩阵数据X’。
6.如权利要求1所述的基于近地传感器技术的土壤采样方法,其特征在于,步骤(4)中,所述的响应曲面设计采用中心复合响应设计。
7.如权利要求1所述的基于近地传感器技术的土壤采样方法,其特征在于,步骤(5)的具体步骤为:采用优化指数来评判采样位置是否均分布在样区,最优采样位置组中的采样点需满足相近位置之间距离最小化、协方差结构最大化的标准,优化指数的计算方程如下,如果则返回步骤(4)重新获取初始采样位置组,直到则迭代终止,确定最优采样位置组,其中,为优化指数期望值;
Σ=σ2V
ε∈(0,∑)
其中,σ2为协方差,∑为协方差矩阵,ε为矩阵期望误差,V为先验知识,m为采样设计的水平,I为一个常量矩阵,I'为I的转置矩阵。
8.如权利要求7所述的基于近地传感器技术的土壤采样方法,其特征在于,所述
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090119.8A CN103196698B (zh) | 2013-03-20 | 2013-03-20 | 一种基于近地传感器技术的土壤采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090119.8A CN103196698B (zh) | 2013-03-20 | 2013-03-20 | 一种基于近地传感器技术的土壤采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103196698A CN103196698A (zh) | 2013-07-10 |
CN103196698B true CN103196698B (zh) | 2015-01-28 |
Family
ID=48719392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310090119.8A Active CN103196698B (zh) | 2013-03-20 | 2013-03-20 | 一种基于近地传感器技术的土壤采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103196698B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2973736C (en) * | 2015-01-30 | 2021-07-20 | The Climate Corporation | Soil quality measurement device |
CN105388035A (zh) * | 2015-11-09 | 2016-03-09 | 长沙开元仪器股份有限公司 | 一种车厢采样区域确定装置 |
CN106340018B (zh) * | 2016-08-31 | 2019-07-12 | 中国水利水电科学研究院 | 水文气象要素空间插值最优分辨率的确定方法 |
CN106407682B (zh) * | 2016-09-18 | 2019-04-26 | 北京市土肥工作站 | 土壤采样点确定方法及装置 |
CN106323670B (zh) * | 2016-09-18 | 2019-08-09 | 北京市土肥工作站 | 土壤采样点确定方法及装置 |
CN110411778A (zh) * | 2019-06-17 | 2019-11-05 | 淮北矿业股份有限公司 | 一种煤泥采样方法 |
CN110727901B (zh) * | 2019-09-23 | 2024-04-16 | 武汉大学 | 一种用于大数据分析的数据样本均匀采样方法及装置 |
CN110974242B (zh) * | 2019-12-26 | 2023-02-10 | 浙江福祉科创有限公司 | 一种用于可穿戴式设备的步态异常程度评价方法及该设备 |
CN111693006B (zh) * | 2020-06-12 | 2021-07-02 | 中国科学院地理科学与资源研究所 | 珊瑚沙土壤监测区域的传感器数量和位置确定方法及装置 |
CN114814169A (zh) * | 2022-04-27 | 2022-07-29 | 深圳市政科检测有限公司 | 一种环境检测用土壤重金属含量检测方法 |
CN115310719B (zh) * | 2022-09-16 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 基于三阶段k-means的农田土壤采样方案设计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625741A (zh) * | 2009-07-07 | 2010-01-13 | 武汉大学 | 土地评价样点空间配置方法 |
CN102645350B (zh) * | 2012-03-08 | 2013-11-13 | 浙江大学 | 基于高分卫星遥感数据的土壤采样方法 |
CN102636632A (zh) * | 2012-04-25 | 2012-08-15 | 上海交通大学 | 围垦地土壤重金属污染综合评价图生成方法 |
-
2013
- 2013-03-20 CN CN201310090119.8A patent/CN103196698B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103196698A (zh) | 2013-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103196698B (zh) | 一种基于近地传感器技术的土壤采样方法 | |
Adhikary et al. | Comparison of deterministic and stochastic methods to predict spatial variation of groundwater depth | |
Alvera-Azcárate et al. | Reconstruction of incomplete oceanographic data sets using empirical orthogonal functions: application to the Adriatic Sea surface temperature | |
Gaus et al. | Geostatistical analysis of arsenic concentration in groundwater in Bangladesh using disjunctive kriging | |
Bi et al. | An improved particle filter algorithm based on ensemble Kalman filter and Markov chain Monte Carlo method | |
Kwok et al. | Fram Strait sea ice outflow | |
Gaume et al. | Mapping extreme snowfalls in the French Alps using max‐stable processes | |
Wang et al. | Comparison of geographically weighted regression and regression kriging for estimating the spatial distribution of soil organic matter | |
López‐Moreno et al. | Snowpack variability across various spatio‐temporal resolutions | |
Kim et al. | Mapping surface currents from HF radar radial velocity measurements using optimal interpolation | |
Fan et al. | Century‐scale reconstruction of water storage changes of the largest lake in the inner mongolia plateau using a machine learning approach | |
CN103810376A (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
US20100036650A1 (en) | Method for Determining Heterogeneous Bottom Friction Distributions using a Numerical Wave Model | |
Schiemann et al. | Reduced space optimal interpolation of daily rain gauge precipitation in Switzerland | |
Perez et al. | Using physically based synthetic peak flows to assess local and regional flood frequency analysis methods | |
Huang et al. | An improved adaptive template size pixel-tracking method for monitoring large-gradient mining subsidence | |
Nicolet et al. | Assessing climate change impact on the spatial dependence of extreme snow depth maxima in the French Alps | |
Fagan et al. | Spatial sampling design in the circumpolar active layer monitoring programme | |
Rye et al. | On the need for automated multiobjective optimization and uncertainty estimation of glacier mass balance models | |
Yuan | Using correlation of daily flows to identify index gauges for ungauged streams | |
Chen et al. | A high speed method of SMTS | |
Jin et al. | Bayesian spatiotemporal modeling for blending in situ observations with satellite precipitation estimates | |
He et al. | SMPD: A soil moisture-based precipitation downscaling method for high-resolution daily satellite precipitation estimation | |
CN103678883B (zh) | 一种面向多源海洋环境监测数据的空间抽样方法 | |
Gan et al. | Spatial interpolation of precipitation considering geographic and topographic influences-a case study in the Poyang Lake Watershed, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |