CN114324823B - 一种土壤有机碳含量时空预测制图方法 - Google Patents
一种土壤有机碳含量时空预测制图方法 Download PDFInfo
- Publication number
- CN114324823B CN114324823B CN202111662553.XA CN202111662553A CN114324823B CN 114324823 B CN114324823 B CN 114324823B CN 202111662553 A CN202111662553 A CN 202111662553A CN 114324823 B CN114324823 B CN 114324823B
- Authority
- CN
- China
- Prior art keywords
- soc
- time
- space
- content
- prediction
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种土壤有机碳含量时空预测制图方法，及SOC含量预测技术领域，包括以下步骤：根据平缓地区长时间序列高时空分辨率遥感数据，提取连续变化的时空相关因子；定量表征时空相关因子的变化模式，构建平缓地区的SOC含量数字制图环境协同变量；采用随机森林算法方法构建环境协同变量与SOC含量间的预测模型；运行预测模型进行空间预测制图，获得SOC含量数字图；基于初始值数据和模型参数构建RothC模型；根据RothC模型，预测得到SOC密度变化图，将SOC密度变化图转化为SOC含量变化图；将SOC含量变化图中预测年份的预测值与SOC含量数字图中对应的数据相加进行SOC含量时空制图，实现预测年份的SOC含量数字制图。
Description
技术领域
本发明涉及土壤有机碳(SOC)含量预测技术领域，具体涉及一种土壤有机碳含量时空预测制图方法。
背景技术
作为陆地生态系统碳储量的重要组成部分，土壤有机碳(SOC)在维持全球碳循环、保持土壤生产力、环境保护和农业规划管理发展方面发挥着极其重要的作用。SOC储量的微小变化会对全球碳循环产生重大影响，因此对SOC的分布信息不但需要详尽的空间分布信息，还需要对SOC分布图实时的更新，提供动态的时空变异分布图。目前数字土壤制图技术多以单时相的空间制图为主，缺乏能够同时关注土壤空间分布和时间变异的时空制图体系。
部分陆地生态系统的SOC周转模型可以动态模拟SOC的变化，其中RothC模型应用最广泛。RothC模型仅与土壤过程有关，所需参数简单且容易获取，运行该模型所需的主要输入数据为土壤黏土含量、初始SOC、土壤容重、每月总降水量、平均每月温度、每月总蒸发量、残留物质量、土壤覆盖率和残留物C输入。目前，基于RothC模型的SOC模拟研究多基于一些采样点的SOC数据模拟SOC的分解和积累的动态变化，无法获取大区域SOC详尽的空间分布图。
基于土壤景观模型的数字土壤制图采用易于获取的地形、植被等环境协同变量推测土壤信息，可为RothC模型实现空间预测提供土壤空间数据支撑。平缓地区大多是农业耕作区域和人口聚集地，在整个国民经济和社会生活中占有举足轻重的地位。但是在地形起伏平缓地区，地形因子相对一致，植被条件也相同或相似，这使得基于土壤-景观模型的预测制图的应用受到限制。因此改进环境协同变量反映平缓地区土壤信息差异，以实现这一地区的土壤信息推测还需要进一步研究。目前平缓地区的数字土壤制图仍为土壤制图领域关注的难点和热点领域。
发明内容
为解决上述问题，本发明提供一种土壤有机碳含量时空预测制图方法。
本发明提供了如下的技术方案。
一种土壤有机碳含量时空预测制图方法，包括以下步骤：
根据平缓地区长时间序列高时空分辨率遥感数据，提取连续变化的时空相关因子；
定量表征时空相关因子的变化模式，基于时空相关因子的变化模式构建平缓地区的SOC含量数字制图环境协同变量；
将平缓地区的SOC含量数字制图环境协同变量作为预测因子，采用随机森林算法方法构建环境协同变量与SOC含量间的预测模型；
输入平缓地区的SOC含量数字制图环境协同变量，运行预测模型进行空间预测制图，获得SOC含量数字图；
将SOC含量数字图作为RothC模型的初始值数据，根据长时间序列高时空分辨率遥感数据获取模型参数；基于初始值数据和模型参数构建RothC模型；
根据RothC模型，预测得到SOC密度变化图，将SOC密度变化图转化为SOC含量变化图；
将SOC含量变化图中预测值与SOC含量数字图中对应的数据相加进行SOC含量时空制图，获取SOC含量数字制图。
优选地，所述提取连续变化的时空相关因子，包括以下步骤：
按时间序列获取平缓地区高时空分辨率遥感数据；
根据平缓地区高时空分辨率遥感数据提取连续变化的时空相关因子；所述时空相关因子包括气候因子、生物因子和人为因子。
优选地，所述定量表征时空相关因子的变化模式，包括以下步骤：
生成平缓地区高时空分辨率遥感数据的时间序列矩阵；
对时间序列矩阵进行小波分析和特征提取，得到环境协同变量时空变异特征值；
根据时空变异特征值表征时空相关因子的变化模式。
优选地，所述根据长时间序列高时空分辨率遥感数据获取的RothC模型参数，具体包括：土壤粘粒含量、土壤容重、每月总降水量、平均每月温度、每月总蒸发量、残留物质量、土壤覆盖率、残留物输入和作物根茬有机碳归还量。
优选地，所述将SOC密度变化图转化为SOC含量变化图，包括以下步骤：
将SOC密度变化图中的SOC密度进行SOC含量的换算：
SOCD＝SOCC×BD×D×(1-δ)/100
其中，SOCD为有机碳密度；D为土层厚度，取值为20cm；BD为土壤容重，δ为直径>2mm的砾石含量，δ值为0.5％。
优选地，还包括定量评价时空制图结果的精度和不确定性，包括以下步骤：
选用平均误差，平均绝对误差，均方根误差和准确度系数指标评价制图准确度；
采用序贯高斯模拟、蒙特卡罗、拉丁超立方相结合的方法评估SOC含量制图和粘粒含量制图的不确定性。
本发明的有益效果：
本方法提出一种土壤有机碳含量时空预测制图方法，其一方面可为SOC含量的时空预测制图提供参考方法和途径，另一方面有望从区域特点上丰富平缓地区SOC含量数字制图的预测指标和制图方法，进而为农业耕作区域为主的平缓地区的环境模拟和农业管理提供基础土壤信息。
附图说明
图1是本发明实施例的方法技术路线图；
图2是本发明实施例的时空相关因子向量组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种土壤有机碳含量时空预测制图方法，如图1所示，具体包括以下步骤：
S1、根据平缓地区长时间序列高时空分辨率遥感数据，提取连续变化的时空相关因子。具体的：
按时间序列获取平缓地区高时空分辨率遥感数据；
根据平缓地区高时空分辨率遥感数据提取连续变化的时空相关因子；所述时空相关因子包括气候因子、生物因子和人为因子。
(1)气候因子(A,W)：Landsat等卫星数据反演地表温度，湿度状况，辅以由县级气象站数据获取。
(2)生物因子(B)：利用高时空分辨率的卫星影像(Landsat 8，HJ-1A/1B)解译生物量、NDVI、覆盖度等参数；
(3)人为因子(H)：复种指数、轮作模式、土地利用、作物类型、耕作方式、道路密度、人口密度和距居民点距离等都与人为活动有关。
S2、定量表征时空相关因子的变化模式，基于时空相关因子的变化模式构建平缓地区的SOC含量数字制图环境协同变量。具体的：
生成平缓地区高时空分辨率遥感数据的时间序列矩阵；
对时间序列矩阵进行小波分析和特征提取，得到环境协同变量时空变异特征值；
根据时空变异特征值表征时空相关因子的变化模式。
对于环境协同变量对应的各因子，均采用长时间序列数据。如采用长时间序列遥感数据，表征地表植被变化，温度和水分等(变化周期较短的因子)的变化及其特征，以此代表时间演替。假设在n个时间周期(如n个月)内具有K×J个像素的一系列向量p(x，n)构成类似高光谱的一系列三维立方体数据。x是温度或水分等因子的值，相当于光谱值；n将取决于数据收集的长度，相当于光谱波段。图2以地表温度为例(即x＝地表温度)给出了示意图。采用主成分分析，小波分析等方法提取其特征值，实现定量表征，构建平缓区SOC含量预测协同环境变量。
S3、将平缓地区的SOC含量数字制图环境协同变量作为预测因子，采用随机森林算法方法构建环境协同变量与SOC含量间的预测模型。
S4、输入平缓地区的SOC含量数字制图环境协同变量，运行预测模型进行空间预测制图，获得SOC含量数字图。
S5、将SOC含量数字图作为RothC模型的初始值数据，根据长时间序列高时空分辨率遥感数据获取模型参数；基于初始值数据和模型参数构建RothC模型。
其中，RothC模型参数，具体包括：土壤粘粒含量、土壤容重、每月总降水量、平均每月温度、每月总蒸发量、残留物质量、土壤覆盖率、残留物输入和作物根茬有机碳归还量。
S6、根据RothC模型，预测得到SOC密度变化图，将SOC密度变化图转化为SOC含量变化图，计算方式如下：
将SOC密度变化图中的SOC密度进行SOC含量的换算：
SOCD＝SOCC×BD×D×(1-δ)/100
其中，SOCD为有机碳密度；D为土层厚度，取值为20cm；BD为土壤容重，δ为直径>2mm的砾石含量，δ值为0.5％。
S7、将SOC含量变化图中预测值与SOC含量数字图中对应的数据相加进行SOC含量时空制图，获取SOC含量数字制图。
S8、定量评价时空制图结果的精度和不确定性，包括以下步骤：
选用平均误差(ME)，平均绝对误差(MAE)，均方根误差(RMSE)和准确度系数(Accuracy Coefficient，AC)等指标评价制图准确度；
采用序贯高斯模拟、蒙特卡罗、拉丁超立方相结合的方法评估SOC含量制图和粘粒含量制图的不确定性。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种土壤有机碳含量时空预测制图方法，其特征在于，包括以下步骤：
根据平缓地区长时间序列高时空分辨率遥感数据，提取连续变化的时空相关因子；
定量表征时空相关因子的变化模式，基于时空相关因子的变化模式构建平缓地区的SOC含量数字制图环境协同变量；
将平缓地区的SOC含量数字制图环境协同变量作为预测因子，采用随机森林算法方法构建环境协同变量与SOC含量间的预测模型；
输入平缓地区的SOC含量数字制图环境协同变量，运行预测模型进行空间预测制图，获得SOC含量数字图；
将SOC含量数字图作为RothC模型的初始值数据，根据长时间序列高时空分辨率遥感数据获取RothC模型参数；基于初始值数据和模型参数构建RothC模型；
根据RothC模型，预测得到SOC密度变化图，将SOC密度变化图转化为SOC含量变化图；
将SOC含量变化图中预测值与SOC含量数字图中对应的数据相加进行SOC含量时空制图，获取SOC含量数字制图；
所述提取连续变化的时空相关因子，包括以下步骤：
按时间序列获取平缓地区高时空分辨率遥感数据；
根据平缓地区高时空分辨率遥感数据提取连续变化的时空相关因子；所述时空相关因子包括气候因子、生物因子和人为因子；
所述定量表征时空相关因子的变化模式，包括以下步骤：
生成平缓地区高时空分辨率遥感数据的时间序列矩阵；
对时间序列矩阵进行小波分析和特征提取，得到环境协同变量时空变异特征值；
根据时空变异特征值表征时空相关因子的变化模式；
所述根据长时间序列高时空分辨率遥感数据获取的RothC模型参数，具体包括：土壤粘粒含量、土壤容重、每月总降水量、平均每月温度、每月总蒸发量、残留物质量、土壤覆盖率、残留物输入和作物根茬有机碳归还量。
2.根据权利要求1所述的土壤有机碳含量时空预测制图方法，其特征在于，所述将SOC密度变化图转化为SOC含量变化图，包括以下步骤：
将SOC密度变化图中的SOC密度进行SOC含量的换算：
SOCD＝SOCC×BD×D×(1-δ)/100
其中，SOCD为有机碳密度；D为土层厚度，取值为20cm；BD为土壤容重，δ为直径>2mm的砾石含量，δ值为0.5％。
3.根据权利要求1所述的土壤有机碳含量时空预测制图方法，其特征在于，还包括定量评价时空制图结果的精度和不确定性，包括以下步骤：
选用平均误差，平均绝对误差，均方根误差和准确度系数指标评价制图准确度；
采用序贯高斯模拟、蒙特卡罗、拉丁超立方相结合的方法评估SOC含量制图和粘粒含量制图的不确定性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111662553.XA CN114324823B (zh) | 2021-12-30 | 2021-12-30 | 一种土壤有机碳含量时空预测制图方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111662553.XA CN114324823B (zh) | 2021-12-30 | 2021-12-30 | 一种土壤有机碳含量时空预测制图方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114324823A CN114324823A (zh) | 2022-04-12 |
| CN114324823B true CN114324823B (zh) | 2022-10-11 |
Family
ID=81021430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111662553.XA Active CN114324823B (zh) | 2021-12-30 | 2021-12-30 | 一种土壤有机碳含量时空预测制图方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114324823B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115266612A (zh) * | 2022-07-27 | 2022-11-01 | 福建农林大学 | 一种基于高分辨率环境变量的南方丘陵地区耕地土壤有效磷制图方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2021
- 2021-12-30 CN CN202111662553.XA patent/CN114324823B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114324823A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| Xia et al. | Estimates of grassland biomass and turnover time on the Tibetan Plateau | |
| Hurtt et al. | Beyond MRV: high-resolution forest carbon modeling for climate mitigation planning over Maryland, USA | |
| Yang et al. | Research on reconstructing spatial distribution of historical cropland over 300 years in traditional cultivated regions of China | |
| Resop et al. | Combining explanatory crop models with geospatial data for regional analyses of crop yield using field-scale modeling units | |
| CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
| Manna et al. | A geospatial decision support system to assist olive growing at the landscape scale | |
| CN111489092B (zh) | 一种植物栽培种植环境适生区的评估方法及系统 | |
| Alganci et al. | Vineyard site suitability analysis by use of multicriteria approach applied on geo-spatial data | |
| Crockett et al. | Structural and species diversity explain aboveground carbon storage in forests across the United States: Evidence from GEDI and forest inventory data | |
| Patenaude et al. | Integrating remote sensing datasets into ecological modelling: a Bayesian approach | |
| CN114324823B (zh) | 一种土壤有机碳含量时空预测制图方法 | |
| Zhang et al. | Winter wheat yield prediction using integrated Landsat 8 and Sentinel-2 vegetation index time-series data and machine learning algorithms | |
| CN116738161A (zh) | 冻土活动层厚度反演方法、装置、设备及存储介质 | |
| Dokoohaki et al. | Development of an open-source regional data assimilation system in PEcAn v. 1.7. 2: Application to carbon cycle reanalysis across the contiguous US using SIPNET | |
| Grishin et al. | Remote sensing: The method of GIS application for monitoring the state of soils | |
| Gaur et al. | Introduction to physical scaling: a model aimed to bridge the gap between statistical and dynamic downscaling approaches | |
| Honda et al. | Agriculture information service built on geospatial data infrastructure and crop modeling | |
| Gómez et al. | Digital mapping of the soil available water capacity: tool for the resilience of agricultural systems to climate change | |
| Jarray et al. | SMETool: A web-based tool for soil moisture estimation based on Eo-Learn framework and Machine Learning methods | |
| Zhang et al. | A machine learning-based approach for generating high-resolution soil moisture from SMAP products | |
| Liao et al. | Towards crop yield estimation at a finer spatial resolution using machine learning methods over agricultural regions | |
| CN117611997A (zh) | 一种可解释的森林地上生物量遥感估算方法及装置 | |
| Holmes et al. | Indicators of vegetation productivity under a changing climate in British Columbia, Canada | |
| Ma et al. | A mechanism-guided machine learning method for mapping gapless land surface temperature |
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 |