CN104408258B - 融合环境因素的大尺度土壤有机碳空间分布模拟方法 - Google Patents
融合环境因素的大尺度土壤有机碳空间分布模拟方法 Download PDFInfo
- Publication number
- CN104408258B CN104408258B CN201410717756.8A CN201410717756A CN104408258B CN 104408258 B CN104408258 B CN 104408258B CN 201410717756 A CN201410717756 A CN 201410717756A CN 104408258 B CN104408258 B CN 104408258B
- Authority
- CN
- China
- Prior art keywords
- soil
- vegetation
- factor
- organic matter
- spatial distribution
- 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.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了融合环境因素的大尺度土壤有机碳空间分布模拟方法,涉及土壤数字土壤制图技术领域。包括以下步骤:(1)将植被类型图和土壤类型图叠加生成植被‑土类单元组合的空间分布图,以建模点统计得到的各植被‑土类单元的土壤有机碳含量均值赋值到图中对应的图斑,得到1km分辨率的土壤有机碳均值空间分布曲面m(k);(2)以神经网络模型表达植被‑土类均值残差与定量环境因子间的关系,获得植被‑土类均值残差的空间分布曲面f’(xi,k,yj,k);(3)以HASM模型模拟剩余残差的空间分布曲面r’(xi,k,yj,k);(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)相加得到HASM_EF方法对土壤有机碳空间分布的模拟结果。本发明为国家尺度上土壤有机碳储量的精准估算和大尺度土壤性质的时空变化研究提供参考。
Description
技术领域
本发明涉及的是土壤数字土壤制图技术领域,具体涉及一种融合环境因素的大尺度土壤有机碳空间分布模拟方法。
背景技术
土壤是陆地表层系统中最大的有机碳库,土壤中有机碳的储量和动态直接影响着全球碳循环,是地理学研究和“未来地球”研究计划的重要内容。而高精度的土壤有机碳空间变化信息,不仅是准确估算区域土壤有机碳储量的基础,也是研究以碳为基础的温室气体收支平衡的基础资料和有效运行各种耦合土壤信息的陆面模型的重要输入参数。中国陆地面积约为全球的6.4%,其精准的土壤有机碳空间变化信息一直是学界关注和探讨的热点。然而由于尺度大,影响因素复杂,中国国家尺度上土壤性质空间变异强烈,获取国家尺度上较高精度的土壤有机碳空间分布信息并不容易。
空间模拟或插值是获取土壤性质空间变化的重要手段。由于土壤性质的空间异质性是在各种环境因素的综合作用下形成的,引入环境因子作为辅助变量的空间模拟方法利用了土壤与各因子间的对应关系,其精度明显高于仅基于样点值进行空间内插的方法。然而,国家尺度上影响土壤性质的因素包括土壤概念模型中的所有要素(母质、气候、地形、植被及人类活动等),不同因素对土壤性质空间异质性形成的作用不同。土地利用方式、土壤类型和母质类型等定性因素对土壤性质空间分布的影响显著,甚至会影响定量因素的作用强度。同时引入定性和定量辅助因子的方法,其精度明显优于仅融合定性或定量因子的模拟方法。而土壤性质与定量因子间的关系具有明显的非线性和空间非平稳性,这决定了在整个大尺度上采用一个简单的线性模型很难准确揭示复杂环境条件下土壤与定量因子间的复杂关系。此外,各因素间存在不同程度的共线性。基于土壤发生学理论提出的土壤概念模型给出了土壤与各成土因素间的一般关系,但并未具体化。因此,合理选择辅助因子以及准确表达土壤性质与各因子间的定量关系,成为了土壤性质空间分布高精度模拟的关键。之前的研究对国家尺度上土壤性质空间分布的高精度模拟方法进行了探索,取得了一定的成果,但方法中对不同因子作用的表达仍需进一步改进,模拟结果精度也还有待于进一步提高。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种融合环境因素的大尺度土壤有机碳空间分布模拟方法,以土壤发生学提出的土壤概念模型为基础,构建融合多种因素并合理表达各因素作用的土壤有机碳空间分布模拟方法,模拟中国表层土壤有机碳的空间分布格局,以期为国家尺度上土壤有机碳储量的精准估算和大尺度土壤性质的时空变化研究提供参考。
为了实现上述目的,本发明是通过如下的技术方案来实现:融合环境因素的大尺度土壤有机碳空间分布模拟方法,将土壤样点的有机碳实测值划分为由不同因素决定的3个部分:
Z(xi,k,yj,k)=m(k)+f(xi,k,yj,k)+r(xi,k,yj,k) (1)
式中:Z(xi,k,yj,k)表示在点(xi,yj)处属于第k种定性因素或定性因素组合的土壤样点的有机碳含量实测值,(xi,yj)为点位坐标;m(k)为第k种定性因素或定性因素组合的土壤有机碳含量平均值,该均值差异反映由不同定性因素或定性因素组合引起的土壤有机碳含量空间变异;f(xi,k,yj,k)为点位(xi,yj)处去除定性因素影响后由该点位处气象、地形及植被盖度等点位环境因素差异引起的土壤有机碳含量变异;r(xi,k,yj,k)为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项,由研究中未考虑到的其它因素或点位处其它因素引起。
假设3个部分相互独立,可分别由不同的方法获取:
(1)m(k):由定性因素决定的土壤有机碳空间变异部分。研究表明,土壤类型和土地利用方式在不同尺度上均是土壤有机碳空间分布的重要影响因子,且分类级别越低,对土壤有机碳空间变异的反映能力越高。本研究中m(k)部分以土壤类型和土地类型2个因素不同组合类型下土壤有机碳的均值来表示。考虑到不同组合类型下需要有一定数量的样本数进行统计,研究中根据土地类型划分出自然植被(包括林地、草地灌木和荒漠)和农业植被(包括耕地和果园)2个类型,将2个植被类型与58个土类进行组合,部分组合中土壤样本数少于3个,则将其合并到相同植被类型下相同土纲内统计均值最接近的其它植被-土类组合中,共获得97个植被-土类分类单元(landscape-soil group unit,LS)。最后以建模样点数据分别统计各植被-土类单元土壤有机碳含量均值。
(2)f(xi,k,yj,k):反映点位(xi,yj)处某一定性因素组合内部的土壤有机碳含量变异,由该点位处气象、地形及植被盖度等点位环境因素差异决定,通过样点实测值减去该样点所属的植被-土类单元均值获得。考虑到土壤有机碳与各定量因子间的非线性关系,采用径向基函数人工神经网络模型(Radial Basis Function Neural Network,RBFNN)来表达f(xi,k,yj,k)与气象、地形及植被指数因子间的非线性关系,其中模型输入变量为由各定量环境因子转化而来的主成分。该神经网络模型能较好地刻画多元变量间的非线性映射关系,在土壤性质空间分布预测中取得了较成功的应用。同时考虑到土壤有机碳与各定量因子间的空间非平稳性以及之前研究结果,按土纲和植被类型划分出22个植被-土纲单元,分别在每一个植被-土纲单元中构建一个RBFNN模型,以表达在不同空间单元内土壤有机碳与各因子间不同的非线性关系,其表达式如下:
f′(xi,k,yj,k)=RBFNNn[PC1(xi,k,yj,k),PC2(xi,k,yj,k),...,PC11(xi,k,yj,k)] (2)
式中,f’(xi,k,yj,k)为神经网络模型对f(xi,k,yj,k)的预测值;PC1(xi,k,yj,k)~PC11(xi,k,yj,k)为神经网络模型的输入变量,由气象、地形及植被指数等11个定量环境因子通过主成分分析转化而来,表示点位(xi,yj)处的11个主成分值;n=1,2,…,22,表示22个植被-土纲单元。
(3)r(xi,k,yj,k):为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项,由样点实测值减去样点所属的植被-土类单元均值和RBFNN模型对f(xi,k,yj,k)的预测值获得。该部分的空间变化采用高精度曲面模型(High accuracy surface modeling,HASM)来进行模拟。该模型已在模拟气象、地形和土壤性质等生态因子空间变化的研究中取得了较好的效果。
所述的该融合环境因素的土壤有机碳空间分布模拟方法(HASM_EF)模拟过程如下:
(1)将植被类型图和土壤类型图进行叠加,得到植被-土类单元组合的空间分布图;再以利用建模点统计得到的各植被-土类单元的土壤有机碳含量均值对图中相应的图斑进行赋值,生成1km分辨率土壤有机碳的各植被-土类单元均值空间分布曲面m(k)。
(2)以样点实测值减去样点所属的植被-土类单元均值,得到各样点的植被-土类均值残差,对该残差值进行变换后(正态变换,图2c),在每一个植被-土纲单元中以该残差变换值为输出变量,以环境因子主成分为输入变量,在软件MATLAB中分别训练适合于对应植被-土纲单元的RBFNN模型;然后将各环境因子主成分和植被-土纲单元组合空间分布栅格数据转换为矩阵数据,以植被-土纲单元组合为控制条件,在MATLAB中完成对植被-土类均值残差f’(xi,k,yj,k)空间分布的预测,并将预测结果以文本文件导出,在ArcGIS软件中转化为1km分辨率的栅格数据。
(3)再以样点实测值减去前两部分的预测结果,得到去除所选因素影响后剩余的残差项r(xi,k,yj,k),以HASM模型进行模拟,得到对该残差项r(xi,k,yj,k)空间变化的模拟结果r’(xi,k,yj,k)。
(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)3个部分相加,即得到融合环境因素的大尺度土壤有机碳空间分布模拟方法对土壤有机碳空间分布的模拟结果。
本发明的有益效果:本发明的建模过程考虑了不同因素对国家尺度上土壤有机碳空间变异的解释能力;以环境因子主成分代替原环境因子作为模型输入变量,消除了原环境变量间的共线性;而在不同植被-土纲单元内建立神经网络模型则解决了其非线性问题以及在一定程度上考虑了其空间非平稳性问题;同时对残差的空间分布也进行了模拟。该方法不仅能反映土壤有机碳空间分布的宏观格局,还能较好地揭示土壤有机碳空间变化的细节信息,预测精度高。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的建模点和验证点空间分布图;
图2为本发明的土壤有机碳含量值、自然对数转换值及植被土类均值残差Johnson转换值的频率分布图;
图3为本发明的土壤有机碳各数据项的半方差函数图
图4为本发明的不同方法对验证点有机碳的预测值与实测值间的线性关系图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1至图4,本具体实施方式采用以下技术方案:所述的该融合环境因素的土壤有机碳空间分布模拟方法(HASM_EF)模拟过程如下:
(1)将植被类型图和土壤类型图进行叠加,得到植被-土类单元组合的空间分布图;再以利用建模点统计得到的各植被-土类单元的土壤有机碳含量均值对图中相应的图斑进行赋值,生成1km分辨率土壤有机碳的各植被-土类单元均值空间分布曲面m(k)。
(2)以样点实测值减去样点所属的植被-土类单元均值,得到各样点的植被-土类均值残差,对该残差值进行变换后(正态变换,图2c),在每一个植被-土纲单元中以该残差变换值为输出变量,以环境因子主成分为输入变量,在软件MATLAB中分别训练适合于对应植被-土纲单元的RBFNN模型;然后将各环境因子主成分和植被-土纲单元组合空间分布栅格数据转换为矩阵数据,以植被-土纲单元组合为控制条件,在MATLAB中完成对植被-土类均值残差f’(xi,k,yj,k)空间分布的预测,并将预测结果以文本文件导出,在ArcGIS软件中转化为1km分辨率的栅格数据。
(3)再以样点实测值减去前两部分的预测结果,得到去除所选因素影响后剩余的残差项r(xi,k,yj,k),以HASM模型进行模拟,得到对该残差项r(xi,k,yj,k)空间变化的模拟结果r’(xi,k,yj,k)。
(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)3个部分相加,即得到融合环境因素的大尺度土壤有机碳空间分布模拟方法对土壤有机碳空间分布的模拟结果。
土壤有机碳数据来自于第二次全国土壤普查时采集的典型土壤剖面。这些典型土壤剖面数据资料记录在《中国土种志》及各省级土种志中,每一个剖面都较详细地记录了该土壤剖面的采样地点、成土母质、土壤类型、地形特征、土地利用类型以及土壤理化性质等信息。本研究收集整理了这些资料,建立了第二次全国土壤普查的典型土壤剖面数据库,并结合全国行政区划、全国居民点空间分布数据、土壤类型图、母质图、植被类型图、90m分辨率D EM和1:25万地形图等辅助资料对各剖面点位置逐一进行了定位,尽可能使各土壤剖面的位置接近原采样点位置,同时使定位处的环境条件符合各土壤剖面记录的环境信息;共整理获得6000多个具有相对准确位置信息的典型剖面。作为方法探讨,本研究仅选择表层土壤有机碳作为研究对象。
个别样点由于受到点位异常环境因素影响,可能出现极端异常值,从而掩盖土壤有机碳与环境因素间的普遍关系,进而影响到预测结果的可靠性,因此需要对极端异常值进行排除。研究中采用样本平均值加减三倍标准差的方法在58土类和6种土地利用方式(林地、灌木、草地和3种不同熟制的农地)中标记异常值,同时在各土类和土地利用方式中标记为异常值的剖面点被最终确定为异常值进行剔除,研究中实际使用的样点数为6179个(图1)。为评价模拟方法的精度,在ArcGIS的地统计学模块中将6179个样点随机分为建模数据集和验证数据集,分别包含5561个样点(90%)和618个样点(10%),其空间分布见图1a和图1b。
根据土壤概念模型以及融合环境因子进行土壤性质空间分布模拟的相关研究,选择与几大成土因素相关的指标作为建模的辅助因子,包括气象、地形、植被、土地利用方式和土壤类型等定性和定量因子。定量因子中,气象数据来自于全国671个气象站1971年至2000年30年的统计数据;由于气象因子具有较高的空间自相关性,研究中采用普通克里格法生成全国1km分辨率的多年平均气温(Temperature,T)、降水(Precipitation,P)、相对湿度(Relative Humidity,RH)、日照时数(Duration of Sunshine,DS)、太阳辐射(SolarRadiation)和>10℃积温(Accumulated Temperature,AT)的空间分布栅格数据。地形因子包括全国1km分辨率的DEM,以及利用1km DEM数据生成的坡度(Slope,S)、汇流面积(Catchment area,CA)和地形湿度指数(Topographic index,TI)。归一化植被指数(NDVI)采用分辨率为1km、与第二次土壤普查时间最接近的1992年4月至1993年3月的36旬AVHRR数据平均值(来源于USGS:http://edc2.usgs.gov/KM/1kmhomepage.php)。考虑到定量因子间存在不同程度的共线性,采用主成分分析方法将11个定量指标转化为11个互不相关的主成分(Principal Component,PC)作为模型的输入变量。定性因素选择了土壤类型和植被类型,研究中使用的全国1:100万的土壤类型图和植被类型图来源于中国科学院资源环境数据中心。
本具体实施方式利用了不同环境因素对国家尺度上土壤有机碳空间异质性形成的作用及解释能力,考虑了土壤有机碳与环境因子间关系的非线性、空间非平稳性以及各因子间的共线性,有效地提高了模拟精度,且模拟结果更符合实际情况,各项预测误差降低了16.86%~47.46%,有效地提高了模拟精度;模型性能指数为2.26,达到了高精度模拟标准。实现了国家尺度上土壤有机碳空间分布的高精度模拟,同时也可为较大尺度上土壤性质的时空变化研究提供方法参考。
实施例1:对5561个建模样点的统计结果表明,中国表层土壤有机碳含量范围在0.35~262.74g/kg之间,平均值为16.96g/kg,变异系数达到116.11%,属于极强烈的空间变异(表1)。从数据的分布形态来看,原始数据呈明显的偏态分布(图2a),通过自然对数转换后其偏度值和峰度值以及分布频率图明显接近正态分布(图2b)。而植被土类均值残差经Johnson变换后的值更符合正态分布(图2c),因此将符合正态分布的数据项用于相应的普通克里格插值、相关分析、回归分析以及神经网络建模。
不同土地利用方式下土壤有机碳含量差异明显,自然植被土壤有机碳含量明显高于农业植被(表1)。自然植被中,林地土壤有机碳含量最大,为28.63g/kg,其次是草荒地23.13g/kg,灌木地最小为20.14g/kg。3种自然植被类型下土壤有机碳含量差异达到极显著(P<0.001)。农业植被的3种熟制中,一年三熟农地土壤有机碳含量略大于其他2种熟制类型,但差异不显著。从变异系数来看,农业植被下土壤有机碳含量变异系数在48.80~76.42%之间,均属于中等程度的变异性。自然植被下土壤有机碳含量变异性明显大于农业植被;其中林地土壤有机碳含量变异系数为93.72%,接近极强的变异性,灌木和草荒地土壤有机碳含量变异系数均超过100%,属于极强烈的空间变异性。
表1不同土地利用方式下土壤有机碳含量统计特征
不同土壤类型间土壤有机碳含量均值不同(表2)。12个土纲中,水成土土壤有机碳含量均值最大,达到50.90g/kg;其次是高山土和淋溶土,有机碳含量均值分别为37.44g/kg和29.43g/kg;漠土、干旱土和盐碱土3个土纲有机碳含量较低,平均含量均不足10g/kg,其中漠土有机碳含量最低,平均仅为5.30g/kg。从12个土纲的变异程度来看,水成土、半水成土、初育土、淋溶土和半淋溶土变异系数超过100%,属于极强的变异性,其余各土纲则表现为中等程度的变异性,其中人为土的变异系数最小,为48.51%。
表2不同土壤类型有机碳含量统计特征
与土纲相比,各土类间土壤有机碳含量均值差异较大(表2)。58个土类中,泥炭土有机碳含量最大(灰化土仅有一个样点除外),均值达到106.73g/kg,其次是棕色针叶林土和黑毡土,而灰棕漠土、棕漠土、寒漠土、龟裂土和风沙土有机碳含量较低,其平均含量均不足5g/kg。土类中含量均值最大的泥炭土是最小值风沙土的29.98倍。这与不同土类的成土环境和成土特征有关。从变异系数来看,除沼泽土、寒冻土、石质土和漠境盐土属于极强的变异性外,其余各土类均表现为中等变异性。2个土壤类型分级相比,分类级别越低,土壤类型内变异程度越小,土壤类型间有机碳含量差异越大。
相关分析结果表明(表3),土壤有机碳与各环境因子主成分间表现出了不同程度的相关性。土壤有机碳与11个主成分的相关系数中仅有2个未达到较显著的相关关系(P>0.10)。第6至第11主成分所能解释的原环境因子总方差量较少,但仍与土壤有机碳含量有不同程度的显著相关关系,对土壤有机碳空间变异仍有一定程度的解释能力。而不同植被类型土壤有机碳与各主成分间也表现出不同的相关性,说明不同植被类型下土壤有机碳空间变异的主控因素不同,土壤有机碳与各因子间的关系表现出空间非平衡性。
将各样点有机碳含量去除所属植被-土类单元平均值后得到的残差与主成分进行相关分析,结果表明(表3),该植被土类均值残差与各主成分间的相关系数虽较土壤有机碳含量有所降低,但仍表现出不同程度的显著相关关系。这表明,去除植被和土类的影响后,气象、地形和植被盖度因子在不同植被土类单元内部各点位处的差异可进一步引起各植被-土类单元内部土壤有机碳空间变异。而不同植被-土纲单元内均值残差与各主成分间不同程度的相关关系,则说明该残差值与各因子间的关系仍表现出空间非平衡性。
表3土壤有机碳含量及植被土类均值残差与环境因子主成分间的相关性系数
注:*,**分别表示显著水平为0.05和0.01。
半方差分析表明,土壤有机碳的2个数据项均符合指数模型,模型的拟合决定系数均在0.9以上(表4和图3),拟合程度较高,可以用来揭示土壤有机碳及其植被土类均值残差的空间变异结构特征。从拟合模型的参数来看,土壤有机碳的块金效应为52.31%,表明土壤有机碳具有中等程度的空间自相关性。去除植被土类组合均值后,其残差项的块金效应为71.73%,仍表现为中等程度的空间自相关性,但自相关的程度明显降低,空间自相关范围(变程)则减小了1倍。
表4土壤有机碳及植被土类均值残差的半方差模型参数
不同因素对国家尺度土壤有机碳空间变异的解释能力:以土壤类型、土地利用方式、气象、地形和植被指数为自变量进行回归分析,定量揭示不同环境因素对国家尺度土壤有机碳空间变异的影响程度。结果表明,各回归方程均达到极显著水平(P<0.001),说明研究中所选的环境因素均对土壤有机碳的空间变异有极显著的影响(表5)。
表5不同因素对土壤有机碳空间变异的解释能力
3个定量因素对土壤有机碳空间变异的独立解释能力在2.2~28.3%之间,其中植被盖度因子的解释能力最低,气象因子的独立解释能力最高。3个因素的综合解释能力为35.9%(表5)。2个定性因素中,土地利用方式对土壤有机碳空间变异的独立解释能力较低,仅为7.6%。土壤类型的解释能力与其分类级别有关,土纲、亚纲和土类的独立解释能力分别为17.7%、34.8%和42.4%,分级越低,解释能力越高,但均高于土地利用方式的独立解释能力,这与省域和县域尺度上的研究结果正好相反。土地利用方式和土类对土壤有机碳空间变异的综合解释能力为45.2%,高于3个定量因素的综合解释能力。在不考虑非线性和空间非平衡性的情况下,各因素对土壤有机碳空间变异的综合解释能力可达到55.3%。
不同方法对验证样点预测结果的精度评价结果。从预测误差来看,HASM_EF的预测误差明显低于其他3种方法。与OK、MEAN和HASM_LS相比,HASM_EF预测结果的平均绝对误差(MAE)分别降低了32.53%、29.55%和21.07%,平均相对误差(MRE)分别降低了32.99%、32.56%和16.86%,均方根误差(RMSE)分别降低了47.46%、40.49%和35.90%。从预测值与实测值间的相关性来看,HASM_EF对验证点的预测值与实测值间的相关系数远大于其它3种方法(表6),预测值与实测值间关系的更接近直线y=x,其中对极值的预测结果更明显优于其它方法(图4a)。从模型性能指数(RPD)来看,HASM_EF的RPD值为2.26,超过2,达到了高精度预测结果的标准。
表6不同模拟方法的精度评价
大尺度上,气候、植被类型等因素控制着土壤性质空间变异的宏观格局,而地形、植被盖度以及气象等因素在点位上的差异在则在较小的尺度上控制着土壤性质空间变化。国家尺度上土壤类型的空间分布与气候、植被等宏观因素有关,植被类型则可反映有机碳输入量的差异以及在一定程度上反映人活动因素的影响。因此,植被-土类单元组合反映了各种宏观因素的综合作用,对土壤有机碳空间变异的解释能力最大(表5),决定了国家尺度上土壤有机碳空间分布的宏观格局;而气象、地形、植被盖度等因素在植被-土类单元内部的差异则可进一步导致植被-土类单元内土壤有机碳的变异(表3)。
融合定性及定量环境因素的模拟方法(HASM_EF)首先以各植被-土类单元土壤有机碳均值分离出土壤有机碳空间分布的宏观格局,再以神经网络模型建立气象、地形及植被盖度等点位因素差异与各植被-土类单元内部土壤有机碳变异的映射关系,最后以高精度曲面模型(HASM)对其残差曲面进行高精度的逼近。该建模过程考虑了不同因素对国家尺度上土壤有机碳空间变异的解释能力;以环境因子主成分代替原环境因子作为模型输入变量,消除了原环境变量间的共线性;而在不同植被-土纲单元内建立神经网络模型则解决了其非线性问题以及在一定程度上考虑了其空间非平稳性问题;同时对残差的空间分布也进行了模拟。该方法不仅能反映土壤有机碳空间分布的宏观格局,还能较好地揭示土壤有机碳空间变化的细节信息,预测精度明显高于其它几种方法。类似的大尺度研究中,Mishra等采用地理加权回归模型对美国中西部(658168km2)土壤有机碳空间分布进行模拟,其模型性能指数(RPD)为1.32。Meersmans等应用多元回归模型分析比利时(30528km2)1960年至2006年耕地与草地土壤有机时空变化时,其模型的RPD分别为1.35和1.45。而本研究中融合环境因素的大尺度土壤有机碳空间分布模拟方法的RPD达到了2.26,与之前研究中仅在各植被-土纲单元内构建神经网络模型的方法相比也提高了16.50%。因此,本研究方法获得了国家尺度上较高精度的土壤有机碳空间变化信息。
融合环境因素的模拟方法其预测结果在很大程度上依赖于环境因子的精度。采用更大比例尺度的土壤类型图和植被类型图,提高各种定量因子的空间分辨率,将能更准确地揭示土壤有机碳与各种因素间的对应关系,进一步提高模拟精度。
土壤性质的空间变异是各种环境因素综合作用的结果。本研究提出的土壤有机碳空间分布模拟方法以神经网络模型、HASM模型和主成分分析方法融合多种环境因素,模拟国家尺度上土壤有机碳的空间分布格局,该方法利用了不同环境因素对国家尺度上土壤有机碳空间异质性形成的作用及解释能力,考虑了土壤有机碳与环境因子间关系的非线性、空间非平稳性以及各因子间的共线性,有效地提高了模拟精度,且模拟结果更符合实际情况,实现了国家尺度上土壤有机碳空间分布的高精度模拟,同时也可为较大尺度上土壤性质的时空变化研究提供方法参考。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.融合环境因素的大尺度土壤有机碳空间分布模拟方法,其特征在于,包括以下步骤:
(1)将植被类型图和土壤类型图进行叠加,得到植被-土类单元组合的空间分布图;再以利用建模点统计得到的各植被-土类单元的土壤有机碳含量均值对图中相应的图斑进行赋值,生成1km分辨率土壤有机碳的各植被-土类单元均值空间分布曲面;
(2)以样点实测值减去样点所属的植被-土类单元均值,得到各样点的植被-土类均值残差,对该残差值进行变换后,在每一个植被-土纲单元中以该残差变换值为输出变量,以环境因子主成分为输入变量,在软件MATLAB中分别训练适合于对应植被-土纲单元的RBFNN模型;然后将各环境因子主成分和植被-土纲单元组合空间分布栅格数据转换为矩阵数据,以植被-土纲单元组合为控制条件,在MATLAB中完成对植被-土类均值残差f’(xi,k,yj,k)空间分布的预测,并将预测结果以文本文件导出,在ArcGIS软件中转化为1km分辨率的栅格数据;
(3)再以样点实测值减去前两部分的预测结果,得到去除所选因素影响后剩余的残差项r(xi,k,yj,k),以HASM模型进行模拟,得到对该残差项r(xi,k,yj,k)空间变化的模拟结果r’(xi,k,yj,k);
(4)最后将m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)三个部分相加,即得到融合环境因素的大尺度土壤有机碳空间分布模拟方法对土壤有机碳空间分布的模拟结果;
所述的步骤(2)和步骤(3)的样点实测值划分为由不同因素决定的3个部分:
Z(xi,k,yj,k)=m(k)+f(xi,k,yj,k)+r(xi,k,yj,k) (1)
式中:Z(xi,k,yj,k)表示在点(xi,yj)处属于第k种定性因素或定性因素组合的土壤样点的有机碳含量实测值,(xi,yj)为点位坐标;m(k)为第k种定性因素或定性因素组合的土壤有机碳含量平均值,该均值差异反映由不同定性因素或定性因素组合引起的土壤有机碳含量空间变异;f(xi,k,yj,k)为点位(xi,yj)处去除定性因素影响后由该点位处气象、地形及植被盖度点位环境因素差异引起的土壤有机碳含量变异;r(xi,k,yj,k)为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项,由研究中未考虑到的其它因素或点位处其它因素引起;
假设3个部分相互独立,可分别由不同的方法获取:
(1)m(k):由定性因素决定的土壤有机碳空间变异部分;研究表明,土壤类型和土地利用方式在不同尺度上均是土壤有机碳空间分布的重要影响因子,且分类级别越低,对土壤有机碳空间变异的反映能力越高;本研究中m(k)部分以土壤类型和土地类型2个因素不同组合类型下土壤有机碳的均值来表示;考虑到不同组合类型下需要有一定数量的样本数进行统计,研究中根据土地类型划分出自然植被和农业植被2个类型,将2个植被类型与58个土类进行组合,部分组合中土壤样本数少于3个,则将其合并到相同植被类型下相同土纲内统计均值最接近的其它植被-土类组合中,共获得97个植被-土类分类单元;最后以建模样点数据分别统计各植被-土类单元土壤有机碳含量均值;
(2)f(xi,k,yj,k):反映点位(xi,yj)处某一定性因素组合内部的土壤有机碳含量变异,由该点位处气象、地形及植被盖度点位环境因素差异决定,通过样点实测值减去该样点所属的植被-土类单元均值获得;考虑到土壤有机碳与各定量因子间的非线性关系,采用径向基函数人工神经网络模型来表达f(xi,k,yj,k)与气象、地形及植被指数因子间的非线性关系,其中模型输入变量为由各定量环境因子转化而来的主成分;该神经网络模型能刻画多元变量间的非线性映射关系,在土壤性质空间分布预测中取得了成功的应用;同时考虑到土壤有机碳与各定量因子间的空间非平稳性,按土纲和植被类型划分出22个植被-土纲单元,分别在每一个植被-土纲单元中构建一个RBFNN模型,以表达在不同空间单元内土壤有机碳与各因子间不同的非线性关系,其表达式如下:
f′(xi,k,yj,k)=RBFNNn[PC1(xi,k,yj,k),PC2(xi,k,yj,k),...,PC11(xi,k,yj,k)] (2)
式中,f’(xi,k,yj,k)为神经网络模型对f(xi,k,yj,k)的预测值;PC1(xi,k,yj,k)~PC11(xi,k,yj,k)为神经网络模型的输入变量,由气象、地形及植被指数11个定量环境因子通过主成分分析转化而来,表示点位(xi,yj)处的11个主成分值;n=1,2,…,22,表示22个植被-土纲单元;
(3)r(xi,k,yj,k):为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项,由样点实测值减去样点所属的植被-土类单元均值和RBFNN模型对f(xi,k,yj,k)的预测值获得;该部分的空间变化采用高精度曲面模型(High accuracy surface modeling,HASM)来进行模拟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410717756.8A CN104408258B (zh) | 2014-12-01 | 2014-12-01 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410717756.8A CN104408258B (zh) | 2014-12-01 | 2014-12-01 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408258A CN104408258A (zh) | 2015-03-11 |
CN104408258B true CN104408258B (zh) | 2017-12-15 |
Family
ID=52645889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410717756.8A Expired - Fee Related CN104408258B (zh) | 2014-12-01 | 2014-12-01 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408258B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227965B (zh) * | 2016-07-29 | 2020-01-10 | 武汉大学 | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 |
CN106980603B (zh) * | 2017-02-23 | 2019-05-17 | 中国科学院南京土壤研究所 | 基于土壤类型归并与多元回归的土壤锰含量预测方法 |
CN108764527B (zh) * | 2018-04-23 | 2020-06-09 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
CN109063895A (zh) * | 2018-06-27 | 2018-12-21 | 李林 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
CN109828623B (zh) * | 2018-12-28 | 2021-03-12 | 北京农业信息技术研究中心 | 温室作物情景感知的生产管理方法及装置 |
CN110276160B (zh) * | 2019-07-02 | 2020-01-07 | 四川农业大学 | 一种平原区土壤有机碳三维空间分布模拟方法 |
CN111488910B (zh) * | 2020-03-12 | 2023-04-07 | 河南城建学院 | 一种农田土壤有机碳时空数据获取方法 |
CN112001121B (zh) * | 2020-08-25 | 2022-01-28 | 公安部物证鉴定中心 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
CN112182486A (zh) * | 2020-09-28 | 2021-01-05 | 武汉工程大学 | 一种土壤有机碳侵蚀动态变化诱因分析方法 |
CN113095619B (zh) * | 2021-03-04 | 2022-09-06 | 广东省科学院广州地理研究所 | 基于气候和土壤模拟植被生产力空间格局的方法及系统 |
CN113176393B (zh) * | 2021-04-07 | 2023-03-10 | 中国科学院地理科学与资源研究所 | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 |
CN114971234B (zh) * | 2022-05-11 | 2023-04-07 | 北京中色测绘院有限公司 | 一种土壤普查技术方法 |
CN115145640B (zh) * | 2022-09-05 | 2022-11-29 | 中国科学院地理科学与资源研究所 | 基于并行计算的hasm超参数最优化方法及系统 |
CN116563718B (zh) * | 2023-07-11 | 2023-09-05 | 成都垣景科技有限公司 | 一种基于遥感测绘的碳储量估算方法 |
CN117216643B (zh) * | 2023-09-27 | 2024-02-06 | 四川农业大学 | 一种通过分区建模的土壤容重缺失值插补方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529189A (zh) * | 2013-06-28 | 2014-01-22 | 四川农业大学 | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 |
-
2014
- 2014-12-01 CN CN201410717756.8A patent/CN104408258B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529189A (zh) * | 2013-06-28 | 2014-01-22 | 四川农业大学 | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 |
Non-Patent Citations (5)
Title |
---|
中国表层土壤全氮的空间模拟分析;李启权 等;《地理研究》;20101130;第29卷(第11期);第1981-1991页 * |
基于定性和定量辅助变量的土壤有机质空间分布预测——以四川三台县为例;李启权 等;《地理科学进展》;20140228;第33卷(第2期);第259-269页 * |
基于神经网络模型和地统计学方法的土壤养分空间分布预测;李启权 等;《应用生态学报》;20130228;第24卷(第2期);第459-466页 * |
基于神经网络模型的中国表层土壤有机质空间分布模拟方法;李启权 等;《地球科学进展》;20120229;第27卷(第2期);第175-184页 * |
黄土丘陵区县域农田土壤有机碳空间变异性—以甘肃庄浪县为例;张志霞 等;《植物营养与肥料学报》;20130725;第19卷(第4期);第955-963页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408258A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408258B (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
Fraga et al. | Climate change projections for olive yields in the Mediterranean Basin | |
He et al. | A simulation study of landscape scale forest succession in northeastern China | |
Cui et al. | Climate impacts of anthropogenic land use changes on the Tibetan Plateau | |
CN109002621B (zh) | 一种顾及邻域与地理差异的林分平均高与胸径计算方法 | |
Naithani et al. | Spatial distribution of tree species governs the spatio-temporal interaction of leaf area index and soil moisture across a forested landscape | |
Boegh et al. | Remote sensing based evapotranspiration and runoff modeling of agricultural, forest and urban flux sites in Denmark: From field to macro-scale | |
Dye | Modelling growth and water use in four Pinus patula stands with the 3-PG model | |
Broström | Estimating source area of pollen and pollen productivity in the cultural landscapes of southern Sweden-developing a palynological tool for quantifying past plant cover | |
Amichev et al. | Carbon sequestration by white spruce shelterbelts in Saskatchewan, Canada: 3PG and CBM-CFS3 model simulations | |
Sivandran et al. | Dynamic root distributions in ecohydrological modeling: A case study at Walnut Gulch Experimental Watershed | |
Pretzsch | Facilitation and competition reduction in tree species mixtures in Central Europe: Consequences for growth modeling and forest management | |
Bowen et al. | Isotope landscapes for terrestrial migration research | |
Jetten | Modelling the effects of logging on the water balance of a tropical rain forest: a study of Guyana | |
Xiao et al. | The dynamics of vegetation and implications for ecosystem services in the context of urbanisation: An example from Huangyan-Taizhou, China | |
Gaur et al. | Introduction to physical scaling: A model aimed to bridge the gap between statistical and dynamic downscaling approaches | |
Ishtiaq et al. | Relative linkages of canopy-level CO 2 fluxes with the climatic and environmental variables for US deciduous forests | |
Fabrika et al. | Models for mixed forests | |
Jonah et al. | Production of a topographic map and the creation of a six-layer geographic information system (GIS) for a fifteen square-kilometre (15 km2) areal extent of the Gidan Kwano Campus of the Federal University of Technology, Minna, Niger State, Nigeria | |
Donmez et al. | A comparative assessment of catchment runoff generation and forest productivity in a semi-arid environment | |
Boone et al. | G-Range: development and use of a beta global rangeland model | |
Daoud | Integrated hydrological model to study surface-groundwater interaction in hard rock systems using an unstructured grid approach, the Sardon Catchment, Spain | |
Qi | Human-induced biospheric change and the global carbon cycle: a spatial modeling approach and its application to tropical Asia | |
Lincoln et al. | Agroforestry Distribution and Contributions in Ancient Hawaiian Agriculture | |
Ruiz et al. | Land Cover Changes and Their Influence on Recharge in a Mediterranean Karstic Aquifer (Alicante, Spain) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171215 Termination date: 20181201 |