CN113176393B - 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 - Google Patents
一种基于hasm模型的土壤有机碳储量三维估算方法及系统 Download PDFInfo
- Publication number
- CN113176393B CN113176393B CN202110370512.7A CN202110370512A CN113176393B CN 113176393 B CN113176393 B CN 113176393B CN 202110370512 A CN202110370512 A CN 202110370512A CN 113176393 B CN113176393 B CN 113176393B
- Authority
- CN
- China
- Prior art keywords
- soil
- organic carbon
- spatial prediction
- prediction result
- carbon density
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Geology (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供了一种基于HASM模型的土壤有机碳储量三维估算方法及系统,进一步完善并发展了现有数字土壤制图技术中的HASM模型。通过结合土壤深度信息,对多层土壤有机碳密度进行比例分配,可以实现对不同深度的土壤有机碳密度同时模拟,克服以前的HASM需逐一模拟不同深度土壤有机碳密度和储量的问题;通过土壤有机碳密度随不同深度变化的指数函数类型与地表分类信息联合控制,建立高精度三维土壤有机碳储量空间估算模型,解决大尺度三维土壤有机碳储量的空间估算误差问题。该方法不仅可为准确掌握大尺度区域复杂地表环境下的土壤有机碳储量三维空间分布提供可靠的模拟方法,也可为土壤质量评估、农田生态管理和气候变化适应与减缓提供科学支撑。
Description
技术领域
本发明属于数字化土壤制图技术领域,具体涉及一种基于HASM模型的土壤有机碳储量三维估算方法及系统。
背景技术
土壤有机碳库是陆地生态系统中最丰富的碳库,其动态变化和存储分布在土壤质量评估、农田生态管理和气候变化适应与减缓等领域起着至关重要的作用。土壤有机碳储量的准确评估通常取决于土壤有机碳密度,其微小变化会显着影响大气中二氧化碳的浓度,从而进一步影响全球碳循环和生态平衡。因此对土壤有机碳密度进行精细预测对于更好的评估区域甚至全球土壤有机碳储量和理解生态系统碳循环至关重要。此外,土壤有机碳是景观中的三维实体,应更注意其垂直分布。其空间预测不仅应停留在表层,深层同样拥有大量的碳储量,且与评估总土壤有机碳储量相比,各层储量更为重要。表层土壤有机碳对地表径流、水分渗透、侵蚀控制和土壤耕作起着显著作用;而亚表层土壤碳动态比表层慢7倍。因此,更好地表述不同层土壤有机碳密度和储量的空间分布很有必要。此外,明确不同地表类型上土壤有机碳储量在不同土壤深度的差异,可以更好理解土壤有机碳的垂直分布,从而有助于理解深层碳如何转化为碳源或碳汇。
基于数字化土壤制图,结合多种环境信息可实现土壤有机碳相关属性的三维制图。研究人员通常拟合土壤有机碳密度与土壤深度的函数以实现土壤有机碳密度和储量的三维预测;此外,结合土壤深度作为协变量的地统计一步法模型也得到了广泛应用。然而,现有的土壤有机碳储量估算方法存在以下缺陷。第一,对于函数拟合方法来说,各层独立建模忽略了不同深度之间的关系及其相互作用;第二,建模过程中,若将不同的环境协变量应用于不同的深度区间,会使模型解释更加困难;第三,并非所有采样点都随深度遵循同一衰减模式,且任一层的属性值都会影响总体拟合效果;第四,对于使用土壤深度作为协变量的三维建模方法,存在不确定性较大、精度较低、无法生成现实预测的问题。因此,建立充分利用土壤深度信息,并考虑各层之间的非线性关系以及地表分类信息的融合方法,有助于解决上述问题,进一步提高土壤有机碳储量估算精度。
高精度曲面建模(High Accuracy Surface Modeling,HASM)方法是近年来发展起来的用于地理信息系统和生态建模的一种基于微分几何学曲面理论的曲面建模方法。20世纪50年代初以来,相继诞生了诸如克里格法、样条函数法、不规则三角网法、反距离加权法、趋势面分析和生态环境要素逼近等各种经典曲面建模方法。20世纪80年代以来,曲面建模被广泛用于分析和认识地球表层过程的空间现象,误差问题是其面临的主要挑战,而经典曲面建模方法的理论缺陷是其误差问题的主要根源。基于上述问题,岳天祥等将系统论、优化控制论和曲面论引入了地球表层系统建模,建立了可有效地合成内蕴量(微观过程信息)和外蕴量(宏观格局信息)的高精度曲面建模方法,解决了半个世纪以来困扰曲面建模的误差问题和多尺度问题。HASM已成功应用于各种空间尺度地表要素曲面建模,相比于经典曲面建模方法,具有较高的精度。
HASM算法基于曲面的第一、二类基本量和高斯方程的差分形式对规则格网数据建立数值方程。在采样数据的约束下,对正交剖分的均匀格网点采用迭代法进行求解,从而获得高精度的拟合曲面。如果曲面可表达为z=U(x,y),高精度曲面建模基本理论可被表示为:
其中E、G为曲面的第一类基本量,L、N为曲面的第二类基本量。
为了保证采样点的真实值与采样点的估计值相等或相近,HASM的表达式可转化为等式约束的最小二乘问题,即:
其中A为(2i·j)行(i·j)列的矩阵;qn为(2i·j)行的列向量;(i·j)为计算网格内部点数;n为迭代次数;d为采样点的值。
然而,目前的HASM模型,是针对单一土壤剖面深度模拟设计的,不能同时模拟多个剖面深度,而土壤有机碳是景观中的三维实体,在三个空间维度上都具有多变性,为了适应土壤有机碳多个剖面深度数据的处理,需要对现有HASM模型进行改进。
发明内容
针对上述技术问题,本发明提供一种基于HASM模型的土壤有机碳储量三维估算方法及系统,在估算过程中,采用迭代法计算满足精度的解,实现最优的土壤有机碳储量模拟结果。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种基于HASM模型的土壤有机碳储量三维估算方法,用于对原始采样点的多层土壤有机碳密度数据分为两种数据结构进行处理,第一种数据为采样点各层土壤有机碳密度之和,即总层土壤有机碳密度,第二种数据为采样点各层土壤有机碳密度占所述总层土壤有机碳密度的比例,包括以下步骤:
步骤1、对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测结果;
步骤2、采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
步骤3、对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
步骤4、根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
步骤5、根据所述指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型的第二种数据的均值,得到均值表;
步骤6、结合所述多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
步骤7、将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
步骤8、将所述第四空间预测结果的每个栅格的曲线拟合参数值,根据所述曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
步骤9、将每个栅格的指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
步骤10、按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值;
步骤11、将所述第二空间预测结果与所述各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
步骤12、将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
步骤13、将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
进一步,所述空间预测模型采用广义线性模型或随机森林模型。
进一步,步骤2
使用如下的第一HASM模型,采用迭代法计算满足精度的解,将解向量的元素值对应相应的空间位置,得到SOCDTotal的空间分布曲面:
其中A为系数矩阵,SOCDTotal为优化后的总层土壤有机碳密度曲面,S1和d1分别为采样点系数矩阵和采样点总层土壤有机碳密度值,n为迭代次数。
进一步,步骤3中采用以下公式进行指数函数曲线拟合:
SOCD=PA exp(-PB×D)
其中,SOCD为土壤深度对应的土壤有机碳密度,PA和PB为指数函数的两个曲线拟合参数,D为土壤深度。
进一步,步骤4具体包括:
按照曲线拟合参数PA的范围划分出四种曲线类型,包括:范围为(40,90]的普通衰减型、范围为大于90的表层聚集型、范围为(30,40]的均匀分布型和范围为(0,30]的异常分布型。
进一步,步骤7中所使用的第二HASM模型具体为:
其中B为系数矩阵,PA为优化后的指数函数参数曲面,S2和d2分别为采样点系数矩阵和采样点指数函数参数值。
进一步,步骤12中所使用的第三HASM模型如下:
其中C为系数矩阵,SOCDDepth为优化后的各层土壤有机碳密度曲面,S3和d3分别为采样点系数矩阵和采样点各层土壤有机碳密度值。
第二方面,本发明提供一种基于HASM模型的土壤有机碳储量三维估算系统,用于对原始采样点的多层土壤有机碳密度数据分为两种数据结构进行处理,第一种数据为采样点各层土壤有机碳密度之和,即总层土壤有机碳密度,第二种数据为采样点各层土壤有机碳密度占总层土壤有机碳密度的比例,该系统包括:
第一预测模块,用于对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测结果;
第二预测模块,用于采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
曲线拟合模块,用于对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
函数分类模块,用于根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
均值计算模块,用于根据所述指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型的第二种数据的均值,得到均值表;
第三预测模块,用于结合所述多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
第四预测模块,用于将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
类型确定模块,用于将所述第四空间预测结果的每个栅格的曲线拟合参数值,根据所述曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
类型识别模块,用于将所述类型确定模块得到的每个栅格指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
赋值模块,用于按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值;
第一计算模块,用于将所述第二空间预测结果与所述各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
第五预测模块,用于将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
第二计算模块,用于将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
第三方面,本发明提供一种终端设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行上述的方法。
第四方面,本发明提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行上述的方法。
本发明的有益效果在于,进一步完善并发展了现有结合环境变量的数字土壤制图技术中的HASM模型,通过与土壤深度信息结合进行土壤有机碳密度的分配,可以同时对多层土壤剖面深度的土壤有机碳密度进行模拟,克服以前的HASM只模拟单一土壤剖面深度的问题;通过地表分类信息控制,建立三维高精度土壤有机碳储量空间估算模型,解决大尺度三维土壤有机碳储量的空间估算精度问题。该方法不仅可为准确掌握大尺度区域复杂空间变异背景下的土壤有机碳储量三维空间分布提供可靠的模拟方法,也可为土壤质量评估、农田生态管理和气候变化适应与减缓提供科学支撑。
附图说明
图1为本发明的一种基于HASM的土壤有机碳储量三维估算方法步骤流程图;
图2为实施例采样点空间分布图;
图3为实施例0-30cm土壤有机碳密度空间预测图;
图4为实施例30-60cm土壤有机碳密度空间预测图;
图5为实施例60-100cm土壤有机碳密度空间预测图;
图6为实施例各层土壤有机碳储量预测图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供的一种基于HASM模型的土壤有机碳储量三维估算方法,用于对原始的多层土壤有机碳密度数据的两种数据结构进行处理,第一种数据为采样点各层土壤有机碳密度之和(0-100cm,kg C/m2),即总层土壤有机碳密度,第二种数据为采样点各层土壤有机碳密度占总层土壤有机碳密度的比例(0-30cm,30-60cm,60-100cm,%)。
该方法包括以下步骤:
S1、对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度(0-100cm)进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测(0-100cm)结果;
该步骤中,多种环境变量指的是直接影响土壤有机碳密度或储量空间分布的环境信息空间分布变量,可包括土地利用类型、土壤类型等类别变量和年均温、年均降水、湿度、海拔、归一化植被指数、坡度、坡向、地形湿度指数、坡度坡长因子、曲率、收敛指数、土壤pH、土壤砂粒、粉粒和黏粒等离散变量。
另外,这里的空间预测模型可采用现有的广义线性模型或随机森林模型,具体过程不做赘述。
S2、采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
步骤S2中使用的HASM模型采用迭代法计算满足精度的解,将解向量的值对应相应的空间位置,得到SOCDTotal的空间分布曲面:
其中A为系数矩阵,SOCDTotal为优化后的总层土壤有机碳密度曲面,S1和d1分别为采样点系数矩阵和采样点总层土壤有机碳密度值,n为迭代次数。
S3、对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
步骤S3中采用以下公式进行指数函数曲线拟合:
SOCD=PA exp(-PB×D)
其中,SOCD为土壤深度对应的土壤有机碳密度,PA和PB为指数函数的两个曲线拟合参数,D为土壤深度。
S4、根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
步骤S4中,使用指数函数中的曲线拟合参数PA定义不同类型的拟合曲线对应的参数范围,进而划分出四种曲线类型,分别为普通衰减型(阈值范围40–90)、表层聚集型(阈值范围>90)、均匀分布型(阈值范围30–40)和异常分布型(阈值范围0–30)。
S5、根据指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型下的各采样点的第二种数据的均值,得到均值表;
具体的,地表分类信息指的是土地利用类型或土壤类型等直接影响土壤有机碳密度和储量分布的地表分类变量。该步骤中,通过步骤S3得到指数函数的曲线类型与地表分类信息进行组合,即可得到每个采样点所属的组合类型,将同一类组合类型下的各采样点的在各层土壤有机碳密度占总层土壤有机碳密度的比例,即第二种数据,计算平均值,即可得到均值表。
S6、结合多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
这里的空间预测模型可采用现有的广义线性模型或随机森林模型,具体过程不做赘述。
S7、将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
具体的,将上述步骤S6得到的第三空间预测结果作为HASM模型的驱动场,结合HASM模型进一步预测并优化模型精度,所使用的HASM模型具体为:
其中B为系数矩阵,PA为优化后的指数函数参数曲面,S2和d2分别为采样点系数矩阵和采样点指数函数参数值。
S8、将第四空间预测结果的每个栅格的曲线拟合参数值,根据曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
具体的,步骤S8基于步骤S4中的曲线类型划分方法,将空间预测优化的PA参数层各个栅格的数值转化为对应范围的曲线类型,得到每个栅格曲线类型的空间分布。
S9、将每个栅格的指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
S10、按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值(0-30cm,30-60cm,60-100cm,%);
S11、将第二空间预测结果与各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
具体的,将步骤S10得到的各层土壤有机碳密度比例的空间预测结果(0-30cm,30-60cm,60-100cm,%)与步骤S2得到的总层土壤有机碳密度结果,即第二空间预测结果(0-100cm,kg C/m2)相乘,得到各层土壤有机碳密度空间预测结果(0-30cm,30-60cm,60-100cm,kg C/m2)。
S12、将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
具体的,将步骤S11得到的各层土壤有机碳密度空间预测结果,即第五空间预测结果作为HASM模型的驱动场,结合HASM模型进一步进行空间预测并优化模型精度,该步骤采用的HASM模型通过迭代法计算满足精度的解,得到优化后的土壤有机碳密度曲面,所使用的HASM模型如下:
其中C为系数矩阵,SOCDDepth为优化后的各层土壤有机碳密度曲面,S3和d3分别为采样点系数矩阵和采样点各层土壤有机碳密度值。
S13、将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
具体的,将优化后的各层土壤有机碳密度(0-30cm,30-60cm,60-100cm,kg C/m2)中各层土壤有机碳密度与相应栅格面积(m2)相乘,最后得到三维土壤有机碳储量空间分布(0-30cm,30-60cm,60-100cm,kg C)。
与以上方法实施例对应的,本发明还提供一种基于HASM模型的土壤有机碳储量三维估算系统,其中的各个模块已在前述内容中作了介绍,在此不再赘述,该系统包括:
第一预测模块,用于对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测结果;
第二预测模块,用于采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
曲线拟合模块,用于对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
函数分类模块,用于根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
均值计算模块,用于根据所述指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型的第二种数据的均值,得到均值表;
第三预测模块,用于结合所述多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
第四预测模块,用于将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
类型确定模块,用于将所述第四空间预测结果的每个栅格的曲线拟合参数值,根据所述曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
类型识别模块,用于将所述类型确定模块得到的每个栅格指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
赋值模块,用于按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值;
第一计算模块,用于将所述第二空间预测结果与所述各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
第五预测模块,用于将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
第二计算模块,用于将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
下面结合实施例说明本发明的具体技术方案。
本实施例选择东北地区三江平原西北部的松花江流域作为案例区,以上述方案开展该大尺度三维土壤有机碳储量空间估算。具体如下:
1数据来源与研究方法
1.1研究区概况
实施例位于东北黑龙江省三江平原西北部(北纬46°36′~48°09′N,东经129°67′~132°56′E),总面积约为17423km2。气候为温带湿润和半湿润大陆性季风气候,年均降水量为536~700mm,年均温为-1°~5℃。该地区的土地利用类型主要是林地和耕地。耕地分布在研究区的中东部平原,分为水田和旱地,林地主要分布在高海拔地区。土壤类型主要是暗棕壤、草甸土和沼泽土,具有较高的土壤肥力。
1.2数据来源与处理
1.2.1土壤有机碳数据来源
采用目的性抽样方法建立了共63个土壤采样点,基本覆盖了主要的土壤类型和土地利用类型。对于每个采样点使用环刀(100cm3)从表层(0-30cm),中层(30-60cm)和底层(60-100cm)收集土壤样品。混合后收集平行土壤样品并记录相关信息,以确定土壤容重和土壤有机碳含量。风干后除去植物根和砾石(>2mm),并使用FW-100粉碎机,通过100目筛进行处理。用重铬酸钾氧化外加热法测定土壤有机碳含量。对于深度为h(cm)的剖面土壤,土壤有机碳密度(kg C km-2)和土壤有机碳储量(kg C)的计算公式如下:
SOCstorage=SOCD0-100×AREAi (2)
其中SOCDh是深度为0-h cm的土壤有机碳密度,n是层数,δi%是指土壤层i上的砾石含量(>2mm),ρi和Ci分别是在土壤i层的土壤容重和土壤有机碳含量,Ti是土壤层i的厚度(cm),AREAi是所在栅格的土壤i层的面积。为评价所建立方法对三维土壤有机碳密度空间预测及土壤有机碳储量空间估算的精度,选择独立数据集验证方法,将63个采样点随机分为训练集(70%,n=44)和测试集(30%,n=19)。
1.2.2环境变量的选择及处理
收集并处理了实施例的17个环境变量,包括土地利用类型、土壤类型、年均温、年均降水、湿度、海拔、归一化植被指数、坡度、坡向、地形湿度指数、坡度坡长因子、曲率、收敛指数、土壤pH、土壤砂粒、粉粒和黏粒空间分布数据。
1.3空间分布预测方法
(1)广义线性模型
广义线性模型(Generalized Linear Model,GLM)是多元线性回归的数学扩展形式,它允许响应变量具有非正态分布。其基于因变量的平均值与响应变量的线性组合(即链接函数)之间的假设关系。链接函数的选择取决于响应变量的分布。对于线性预测模型:
ηi=β0+β1x1i+...+βpxpi (3)
E(Yi)=μi (4)
g(μi)=ηi (5)
var(Yi)=φV(μ) (6)
使用高斯链接函数,连续变量和分类变量可直接应用,无需进行哑变量处理,最后使用t检验分析了不同环境因素对土壤有机碳密度的影响。
(2)随机森林
随机森林(Random Forest,RF)是一种非参数方法,将Bagging方法与随机变量选择相结合,其原理是使用一系列“弱树”形成“强森林”。自举采样方法应用于其中的各个树模型;在模型的内部验证中,袋外误差(Out Of Bag,OOB)用于估计鲁棒误差,均方误差的计算如下:其中E(Yi)是平均值,而var(Yi)是方差函数。
其中是所有OOB的预测值的平均值,MSEOOB是所解释方差的百分比,而Varz是响应变量的总方差。需要为RF模型调整三个参数:树模型的数量(ntree),节点数(nodesize)和随机选择的变量数(mtry)。重要性函数用于根据OOB生成不同的变量重要性。RF可以减少模型的过拟合,因为它对数据的值范围并不敏感,且不需要进行标准化。
(3)HASM
高精度曲面建模(High Accuracy Surface Modelling,HASM)是根据曲面的第一类基本量(内蕴量)、第二类基本量(外蕴量)和高斯方程的差分形式对规则格网数据建立数值方程。在采样数据的约束下,对正交剖分的均匀格网点采用迭代法进行求解,从而获得高精度的拟合曲面。HASM模型将离散的采样点转为连续的数据曲面,同时可以与其它地学信息相结合来获得更好的插值精度。HASM模型为:
其中A为系数矩阵,U为优化后的曲面,C和d分别为采样点系数矩阵和采样点的值,n为迭代次数。
(4)垂直比例分配方法
如图1所示,首先将原始的多层土壤有机碳密度数据分为两种数据结构,第一种为各层土壤有机碳密度之和(0-100cm,kg C/m2),第二种为多层土壤有机碳比率数据(0-30cm,30-60cm,60-100cm,%)。一方面,对于第一种数据的技术方法步骤,包括:
S1、结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到总层土壤有机碳密度预测结果;
S2、将S1得到的总层土壤有机碳密度预测结果作为第一驱动场,结合HASM模型进一步预测。
另一方面,对于第二种数据的技术方法步骤,包括:
S3、多层土壤有机碳统计分析及多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合;
S4、根据指数函数曲线的参数取值范围,将指数函数曲线划分为四种类型;
S5、结合多种环境变量,使用空间预测模型对指数函数的参数PA进行空间预测;
S6、将S5得到的预测层PA结果作为第二驱动场,结合HASM模型进一步预测;
S7、基于S4的曲线类型划分方法,按照参数取值范围将S6中的空间预测结果的各栅格值转化为上述四种曲线类型,得到该区域曲线类型的空间分布;
S8、将S7划分后的结果作为第一控制,同时引入土地利用类型作为第二控制,得到均值表;
S9、对于未知区域的不同层土壤有机碳密度,其对应值等于具有相同拟合曲线类型和土地利用类型的所有采样点的各层平均值;
S10、将使用第一种数据得到的S2结果与使用第二种数据得到的S9结果相乘,得到各层土壤有机碳密度空间预测。
S11、将S10中各层空间预测结果作为第三驱动场,结合HASM模型进一步预测;
S12、将S11中各层土壤有机碳密度与相应栅格面积相乘,最后得到三维空间土壤有机碳储量。
1.4精度评价方法
使用平均误差(ME)、均方根误差(RMSE)和归一化均方根误差(NRMSE)来评估各模型土壤有机碳预测效果,这些评价指标的公式如下:
其中Mi和Pi分别为在采样点i处的土壤有机碳密度的测量值和预测值,n为土壤采样点数量,Mmax和Mmin分别为测量值的最大最小值。ME主要衡量预测模型的偏度,RMSE主要衡量预测模型的精确度,NRMSE适合对比同种模型不同深度之间的精确度。ME越接近0,RMSE和NRMSE越小,模型的表现越好。
2三维模拟结果分析
(1)不同剖面深度土壤有机碳密度预测结果评价
对三层的土壤有机碳数据结合上述的各种方法进行30次独立数据集验证,得到结果如表1所示,结合HASM模型的三维估算方法(VD_GLM_HASM和VD_RF_HASM)对土壤有机碳密度空间分布的预测精度要高于仅考虑垂直比例分配方法的空间预测模型(VD_GLM和VD_RF)。30次独立数据集验证结果显示VD_RF_HASM是四种方法中精度相对较高的方法。同时,对于RMSE,由于土壤有机碳密度绝对数值的影响,其数据为随深度增加而递减,符合一般规律。
表1为土壤有机碳密度预测效果评估表,其中SOCD30、SOCD60、SOCD100分别表示0-30cm、30-60cm和60-100cm深度的土壤有机碳密度。
表1
(2)不同剖面深度土壤有机碳储量空间预测和对比
考虑土壤有机碳密度的预测精度验证、空间模拟以及储量统计的可解释性,本研究选用VD_RF_HASM方法进行实施例土壤有机碳储量的统计和评估。各层土壤有机碳储量的空间分布如图6所示,其中0-100cm的土壤有机碳储量为表层、中层和底层之和,各层的土壤有机碳储量大致相似。经统计可以汇总出:实施例0-100cm土壤有机碳储量为326.29Tg,其中0-30cm的土壤有机碳储量为173.34Tg(48%),30-60cm的土壤有机碳储量为655.71Tg(26%),60-100cm的土壤有机碳储量为93.20Tg(26%)。
3结论
本实施例以东北地区三江平原西北部的松花江流域为案例区,以气候因素、地形因素、植被因素、土壤理化性质及地表分类信息为辅助变量,通过比例分配和类型控制,构建了基于剖面深度信息的HASM模型的土壤有机碳储量三维估算新方法。与仅考虑垂直比例分配(VD_GLM和VD_RF)相比,结合HASM模型的三维空间预测方法(VD_GLM_HASM和VD_RF_HASM)模拟精度更高。结合土壤剖面深度信息的HASM模型的方法为准确获得平原区土壤有机碳储量三维空间分布特征提供了方法参考。
本发明提出了一种基于HASM模型的土壤有机碳储量三维估算方法,用于土壤属性的表面模拟,其核心在于充分利用了基于比例分配的百分比数据,并通过比例分配和地表分类信息的控制将离散采样点与土壤剖面深度信息、环境协变量有机结合,为土壤有机碳储量的精确评估提供高精度的方法支撑。同时,完善并发展了已有的HASM算法,在采样点数据的约束下,通过迭代求解方式同时对多个剖面深度的土壤有机碳进行优化模拟,克服以前的HASM只模拟单一土壤剖面深度的问题,从而获得土壤有机碳三维空间分布。基于点统计分析的深度信息与改进的HASM模型的结合,不仅可以有效提高插值方法的精度,还可使插值结果更符合地学规律,与实际情况更匹配。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述系统实施例中的模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于HASM模型的土壤有机碳储量三维估算方法,用于对原始采样点的多层土壤有机碳密度数据分为两种数据结构进行处理,第一种数据为采样点各层土壤有机碳密度之和,即总层土壤有机碳密度,第二种数据为采样点各层土壤有机碳密度占所述总层土壤有机碳密度的比例,其特征在于,包括以下步骤:
步骤1、对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测结果;
步骤2、采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
步骤3、对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
步骤4、根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
步骤5、根据所述指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型的第二种数据的均值,得到均值表;
步骤6、结合所述多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
步骤7、将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
步骤8、将所述第四空间预测结果的每个栅格的曲线拟合参数值,根据所述曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
步骤9、将每个栅格的指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
步骤10、按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值;
步骤11、将所述第二空间预测结果与所述各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
步骤12、将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
步骤13、将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
2.根据权利要求1所述的方法,其特征在于,所述空间预测模型采用广义线性模型或随机森林模型。
4.根据权利要求1所述的方法,其特征在于,步骤3中采用以下公式进行指数函数曲线拟合:
SOCD=PAexp(-PB×D)
其中,SOCD为土壤深度对应的土壤有机碳密度,PA和PB为指数函数的两个曲线拟合参数,D为土壤深度。
5.根据权利要求1所述的方法,其特征在于,所述步骤4具体包括:
按照曲线拟合参数PA的范围划分出四种曲线类型,包括:范围为(40,90]的普通衰减型、范围为大于90的表层聚集型、范围为(30,40]的均匀分布型和范围为(0,30]的异常分布型。
8.一种基于HASM模型的土壤有机碳储量三维估算系统,用于对原始采样点的多层土壤有机碳密度数据分为两种数据结构进行处理,第一种数据为采样点各层土壤有机碳密度之和,即总层土壤有机碳密度,第二种数据为采样点各层土壤有机碳密度占总层土壤有机碳密度的比例,其特征在于,包括:
第一预测模块,用于对于所述第一种数据,结合多种环境变量,使用空间预测模型对总层土壤有机碳密度进行空间预测,得到第一空间预测结果,即总层土壤有机碳密度预测结果;
第二预测模块,用于采用第一HASM模型,将所述第一空间预测结果作为所述第一HASM模型的第一驱动场,对所述总层土壤有机碳密度进一步进行空间预测,得到第二空间预测结果;
曲线拟合模块,用于对于所述第二种数据,对每个采样点进行多层土壤有机碳密度随土壤深度变化的指数函数曲线拟合,得到每个采样点的指数函数曲线类型及对应的曲线拟合参数;
函数分类模块,用于根据每个采样点的指数函数曲线类型和对应的曲线拟合参数,确定不同曲线类型的曲线拟合参数取值范围;
均值计算模块,用于根据所述指数函数曲线类型,结合地表分类信息,得到每个采样点的组合类型,分别计算每种组合类型的第二种数据的均值,得到均值表;
第三预测模块,用于结合所述多种环境变量,使用空间预测模型对所述指数函数的曲线拟合参数进行空间预测,得到第三空间预测结果;
第四预测模块,用于将所述第三空间预测结果作为第二驱动场,结合第二HASM模型对指数函数的曲线拟合参数进行空间预测,得到第四空间预测结果;
类型确定模块,用于将所述第四空间预测结果的每个栅格的曲线拟合参数值,根据所述曲线拟合参数取值范围,确定每个栅格的指数函数曲线类型;
类型识别模块,用于将所述类型确定模块得到的每个栅格指数函数曲线类型,结合每个栅格对应的地表分类信息,识别每个栅格的组合类型;
赋值模块,用于按照每个栅格的组合类型,对每个栅格点不同层的土壤有机碳密度比例根据不同组合类型的均值表进行赋值,进而得到各层土壤有机碳密度比例的空间分布值;
第一计算模块,用于将所述第二空间预测结果与所述各层土壤有机碳密度比例的空间分布值相乘,得到各层土壤有机碳密度空间预测结果,即第五空间预测结果;
第五预测模块,用于将所述第五空间预测结果作为第三驱动场,结合第三HASM模型进行空间预测,得到第六空间预测结果;
第二计算模块,用于将所述第六空间预测结果中的各层土壤有机碳密度与相应栅格面积相乘,得到三维空间土壤有机碳储量空间分布,即第七空间预测结果。
9.一种终端设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种非暂时性机器可读存储介质,其上存储有可执行代码,其特征在于,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370512.7A CN113176393B (zh) | 2021-04-07 | 2021-04-07 | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370512.7A CN113176393B (zh) | 2021-04-07 | 2021-04-07 | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176393A CN113176393A (zh) | 2021-07-27 |
CN113176393B true CN113176393B (zh) | 2023-03-10 |
Family
ID=76923156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370512.7A Active CN113176393B (zh) | 2021-04-07 | 2021-04-07 | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176393B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174506B (zh) * | 2019-06-28 | 2020-07-07 | 中国科学院地球化学研究所 | 一种喀斯特地区土壤有机碳估算方法 |
CN114021371B (zh) * | 2021-11-16 | 2023-03-03 | 中国科学院西北生态环境资源研究院 | 一种碳储量影响估算方法、装置、电子设备及存储介质 |
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 |
CN115908735B (zh) * | 2022-11-28 | 2023-09-08 | 浙江财经大学 | 融合有限剖面及表层土壤样点的精细三维土壤制图方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077274A (zh) * | 2013-01-05 | 2013-05-01 | 中国科学院地理科学与资源研究所 | 高精度曲面建模智能化方法及装置 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN110276160A (zh) * | 2019-07-02 | 2019-09-24 | 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 |
-
2021
- 2021-04-07 CN CN202110370512.7A patent/CN113176393B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077274A (zh) * | 2013-01-05 | 2013-05-01 | 中国科学院地理科学与资源研究所 | 高精度曲面建模智能化方法及装置 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN110276160A (zh) * | 2019-07-02 | 2019-09-24 | 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 |
Non-Patent Citations (4)
Title |
---|
Spatially distributed modeling of soil organic carbon across China with improved accuracy;Qi-quan Li等;《Journal of Advances in Modeling Earth Systems》;20170516;第1167-1185页 * |
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1982-1192页 * |
基于HASM的中国森林植被碳储量空间分布模拟;赵明伟等;《地理学报》;20130930(第09期);第1212-1224页 * |
结合环境信息和剖面立体特征的土壤有机碳密度空间模拟;张沫;《中国优秀硕士学位论文全文数据库 基础科学辑》;20201015(第10期);第A008-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113176393A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113176393B (zh) | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 | |
Zhou et al. | Numerical modeling of wheat irrigation using coupled HYDRUS and WOFOST models | |
Zhang et al. | How land use change contributes to reducing soil erosion in the Jialing River Basin, China | |
Petheram et al. | Rainfall–runoff modelling in northern Australia: A guide to modelling strategies in the tropics | |
Meng et al. | A comparison of soil moisture models using soil climate analysis network observations | |
Rosolem et al. | Towards a comprehensive approach to parameter estimation in land surface parameterization schemes | |
Li et al. | Modelling irrigated maize with a combination of coupled-model simulation and uncertainty analysis, in the northwest of China | |
Xu et al. | Global sensitivity analysis and calibration of parameters for a physically-based agro-hydrological model | |
Reddy et al. | Predicting crop yields under climate change conditions from monthly GCM weather projections | |
CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
Khan et al. | Catchment scale simulations of soil moisture dynamics using an equivalent cross-section based hydrological modelling approach | |
Eweys et al. | Integrating WOFOST and Noah LSM for modeling maize production and soil moisture with sensitivity analysis, in the east of The Netherlands | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
Xiao et al. | Modeling the behavior of shallow groundwater system in sustaining arid agroecosystems with fragmented land use | |
Andreasen et al. | Estimation of regional groundwater recharge using data from a distributed soil moisture network | |
Choudhary et al. | Effect of root zone soil moisture on the SWAT model simulation of surface and subsurface hydrological fluxes | |
Shwetha et al. | Soil water-retention prediction from pedotransfer functions for some Indian soils | |
Diongue et al. | Evaluation of parameterisation approaches for estimating soil hydraulic parameters with HYDRUS-1D in the groundnut basin of Senegal | |
Zewde et al. | Predicting runoff and sediment yields using soil and water assessment tool (SWAT) model in the Jemma Subbasin of Upper Blue Nile, Central Ethiopia | |
Tuteja et al. | CLASS: Catchment scale multiple-landuse atmosphere soil water and solute transport model | |
Guo et al. | Calibrating AquaCrop model using genetic algorithm with multi‐objective functions applying different weight factors | |
Boulet et al. | An assessment of effective land surface parameterisation in regional-scale water balance studies | |
Tripp et al. | Evaluating the parameter identifiability and structural validity of a probability-distributed model for soil moisture | |
Turek et al. | Parameterizing field capacity as the upper limit of available water in bucket-type hydrological models | |
Beniaich et al. | Evaluation of pedotransfer functions to estimate some of soil hydraulic characteristics in North Africa: A case study from Morocco |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |