CN115561432A - 一种农田土壤有机碳空间分布图获取方法 - Google Patents

一种农田土壤有机碳空间分布图获取方法 Download PDF

Info

Publication number
CN115561432A
CN115561432A CN202211234454.6A CN202211234454A CN115561432A CN 115561432 A CN115561432 A CN 115561432A CN 202211234454 A CN202211234454 A CN 202211234454A CN 115561432 A CN115561432 A CN 115561432A
Authority
CN
China
Prior art keywords
organic carbon
soil
region
soil organic
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.)
Pending
Application number
CN202211234454.6A
Other languages
English (en)
Inventor
吴子豪
陈奕云
祝元丽
李桂娥
冯向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202211234454.6A priority Critical patent/CN115561432A/zh
Publication of CN115561432A publication Critical patent/CN115561432A/zh
Priority to IE20230060U priority patent/IE20230060U1/en
Pending legal-status Critical Current

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
    • 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
    • G01N33/245—Earth materials for agricultural purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Computational Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Geology (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种农田土壤有机碳空间分布图获取方法，属于土壤质量评价技术领域。预测精度和拟合优度大大提高，为快速准确获得大范围农田土壤有机碳空间分布图和实现精确农业提供了一种可行的方法。使用空间随机采样方法在研究区采集土壤样本，记录采样点的种植制度并测定其土壤有机碳含量；使用时间序列遥感影像获取农田种植制度空间分布图；将各子区域的结果汇总，获得土壤有机碳空间分布图。大大提升了模型的预测精度和拟合优度，发明成果实现了低成本、快速、准确的大面积农田土壤有机碳空间分布预测。

Description

一种农田土壤有机碳空间分布图获取方法
技术领域
本发明属于土壤质量评价技术领域，涉及一种农田土壤有机碳空间分布图获取方法，特别涉及一种基于种植制度分区-回归克里格模型的农田土壤有机碳空间分布图获取方法。
背景技术
土壤有机碳含量是评价土壤质量的重要指标，土壤有机碳含量及其变化直接反映了农田土壤碳的固定或流失。因此，快速准确地获取农田土壤有机碳的空间分布对评估农田土壤肥力、指导农业生产和保障粮食安全有重要意义。
普通克里格法可以通过少量采样点间的空间依赖关系，推断土壤属性在整个研究区的空间分布，具有成本低、准确、快捷的优势，是最常用的空间预测方法。然而，由于受到人类活动的长期影响，农田土壤有机碳的空间分布具有强烈的异质性和非平稳性，违背了普通克里格法的二阶平稳假设，导致普通克里格法预测结果的误差较大。因此，学者们提出分区-普通克里格模型(SOK)，它先将研究区分为多个独立的均质子区域，再对各子区域分别进行普通克里格插值，减轻了空间异质性的影响，提升了预测精度。例如，Stein等(Stein,A.,Hoogerwerf,M.,Bouma,J.,1988.Use of soil-map delineations to improveCo-kriging of point data on moisture deficits.Geoderma 43(2),163–177)首先提出根据土壤类型将研究区分为3个子区域，分别进行普通克里格插值，发现这种分区-克里格方法的预测结果优于直接使用普通克里格插值模型。Wu Qian等(Wu,Q.,Li,Q.,Gao,J.,Lin,Q.,Xu,Q.,Groffman,P.M.,Yu,S.,2017.Non-Algorithmically Integrating LandUse Type with Spatial Interpolation of Surface Soil Nutrients in anUrbanizing Watershed.Pedosphere 27,147-154)基于厦门市板头水库流域的土地利用类型，分别对林地、农田、绿地、城市用地的土壤有机碳、全氮和全磷含量进行普通克里格插值，发现预测精度均优于直接使用普通克里格模型。Igor Bogunovic等(Bogunovic,I.,Trevisani,S.,Pereira,P.,Vukadinovic,V.,2018.Mapping soil organic matter inthe Baranja region(Croatia):Geological and anthropic forcingparameters.Science of The Total Environment 643,335-345)发现克罗地亚东部地区不同地质环境的土壤有机质含量存在显著差异，因此分别对全新世域和更新世域的土壤有机质分别进行普通克里格预测，结果表明这种分区-克里格方法的预测精度高于全局普通克里格模型。
LiuYaolin等(Liu,Y.,Chen,Y.,Wu,Z.,Wang,B.,Wang,S.,2021.Geographicaldetector-based stratified regression kriging strategy for mapping soilorganic carbon with high spatial heterogeneity.CATENA 196,104953)在上述研究的基础上从两个方面进行了提升：一是同时使用土地利用类型和土壤类型，将研究区分为4个相对均质的子区域；二是引入其他环境变量，对不同子区域进行回归克里格插值，以消除各子区域内的空间异质性，结果表明，这种分区-回归克里格插值策略(SRK)优于分区-普通克里格模型(SOK)。这些研究表明，使用恰当的变量进行分区，再对各子区域分别进行回归克里格插值，可以有效提升预测精度。
然而，在农田土壤有机碳空间预测的研究中，现有土地利用分类方式(如林地、草地、农田)过于粗略，无法实现对农田内部的有效分区；在长期耕作影响下，土壤类型和地质类型对农田土壤有机碳的影响已非常微弱，依据这些因子进行分区，反而可能降低克里格模型的预测精度。亟需寻找适用于农田土壤有机碳的有效分区变量。
种植制度通过影响作物类型、施肥类型、残茬数量、土壤环境等影响农田土壤有机碳的时空变化。WuZihao等(Wu,Z.,Liu,Y.,Han,Y.,Zhou,J.,Liu,J.,Wu,J.,2021.Mappingfarmland soil organic carbon density in plains with combined cropping systemextracted from NDVI time-series data.Science of The Total Environment 754,142120)基于时间序列遥感影像反演出洪湖市汊河镇农田种植制度的空间分布图，发现不同种植制度的土壤有机碳含量存在显著差异。这表明依据种植制度进行分区，是提升分区-回归克里格模型预测精度的可行途径。然而，国内外使用种植制度分区-回归克里格模型进行农田土壤有机碳空间预测的研究尚未见报道。
发明内容
本发明针对以上问题，提出了一种农田土壤有机碳空间分布图获取方法，预测精度和拟合优度大大提高，为快速准确获得大范围农田土壤有机碳空间分布图和实现精确农业提供了一种可行的方法。
本发明的技术方案为：包括以下步骤：
(1)使用空间随机采样方法在研究区采集土壤样本，记录采样点的种植制度并测定其土壤有机碳含量；
(2)使用时间序列遥感影像获取农田种植制度空间分布图；
(3)依据种植制度进行分区，建立不同子区域土壤有机碳的回归预测模型，预测各子区域未采样点的土壤有机碳值，获得研究区土壤有机碳分区回归预测结果；若无法建立回归预测模型，则直接进行普通克里格插值，并以普通克里格插值的结果作为该子区域的最终预测结果；
(4)检验各子区域残差的空间依赖性，无空间依赖性的，以回归预测结果作为该子区域的最终预测结果；有空间依赖性的，则对各子区域土壤有机碳回归模型的残差进行普通克里格插值，再叠加回归预测结果作为该子区域的最终预测结果；
(5)将各子区域的结果汇总，获得土壤有机碳空间分布图。
步骤(1)的具体过程如下：
(1.1)设定采样点数量n，使用空间随机抽样方法确定采样点位置；
(1.2)实地采集土壤样本，记录土壤样本的种植制度信息；
(1.3)在实验室测定土壤样本的有机碳含量。
步骤(2)的具体过程如下：
(2.1)下载时间序列遥感影像，并进行辐射定标和大气校正；
从中国资源卫星应用中心、地理空间数据云等平台下载高时间和空间分辨率的遥感影像，每半个月一幅，总时长1年，共计24幅影像，组成时间序列遥感影像数据集；在ENVI软件平台对这些影像逐个进行辐射定标和大气校正等预处理操作；
(2.2)计算每一幅影像的植被指数值，获得时间序列植被指数影像数据；
基于预处理后的时间序列遥感影像，使用波段计算器计算每一幅影像的归一化差值植被指数(NDVI)，最终形成时间序列植被指数影像数据；
(2.3)基于时间序列植被指数影像，使用监督分类法分别获取研究区农田夏季和冬季农作物的空间分布图；
基于时间序列植被指数影像，结合步骤(1.2)中记录的地面采样点的种植制度信息，分别采集研究区农田夏季和冬季作物的训练样本点，并使用随机森林分类器对农田进行监督分类，分别获得研究区夏季和冬季种植制度的空间分布图；
(2.4)将夏季和冬季农作物空间分布图叠加，获得农田种植制度空间分布图。通过相乘的方式进行叠加，例如夏季作物有2类，冬季作物有2类，则合起来一共有2*2＝4种种植制度。
步骤(3)的具体过程如下：
(3.1)建立土壤有机碳的校正集和验证集；
校正集由总样本集，即步骤(1.2)实地采集土壤样本中随机抽取一定比例，比如80％的数据得到，用于预测模型构建；验证集为总样本集中的剩余数据，用于评估模型预测结果；
(3.2)根据种植制度进行分区，分别建立各子区域土壤有机碳和环境变量的逐步回归模型；
根据步骤(2.4)获得的农田种植制度空间分布图中的种植制度进行分区，使用Kolmogorov-Smirnov(K-S)方法检验校正集是否为正态分布，若不为正态分布，需要进行对数转换；之后，使用逐步回归模型建立各子区域校正集样点的土壤有机碳和其他环境变量的关系，若某子区域的土壤有机碳能够受其他环境变量影响，则可以构建成功，进行下一步；
反之，若某子区域的土壤有机碳不受其他环境变量影响，构建回归方程失败，则直接进行普通克里格插值，并以普通克里格插值的结果作为该子区域的最终预测结果；
(3.3)分别使用各区的逐步回归模型预测该区未采样点的土壤有机碳值；
分别使用各区的逐步回归模型预测该区验证集样点的土壤有机碳值，用于后续模型精度的外部验证；分别使用各区的逐步回归模型预测该区未采样点的土壤有机碳值，用于绘制土壤有机碳空间分布图。
步骤(4)的具体过程如下：
(4.1)用各子区域土壤有机碳实测值减去回归模型的预测值，得到各区的残差；
(4.2)分别检验各子区域残差的空间依赖性；
使用理论半变异函数的块基比检验各区残差的空间依赖性，若块基比小于0.5，则表明具有较好的空间依赖性，则进入步骤(4.3)；
反之则直接使用逐步回归模型预测的结果作为该子区域的最终预测结果；
(4.3)分别对各子区域的回归方程残差进行普通克里格插值；
分别对各区的回归方程残差进行普通克里格插值，在模型拟合过程中，从球状模型、指数模型和高斯模型中选择误差系数值最小的，作为该区普通克里格方法的理论半变异函数；
(4.4)叠加步骤(3.3)中回归预测结果和步骤(4.3)中残差克里格插值结果作为该子区域的最终预测结果，即二者进行相加，土壤有机碳预测值＝回归方程预测值+残差克里格插值预测值。
步骤(5)，将各子区域的结果汇总，获得土壤有机碳空间分布图，以及后续进行模型精度验证的具体过程如下：得到研究区土壤有机碳残差空间插值结果。
或者是步骤(3.2)直接进行普通克里格插值的结果，或者是步骤(4.2)判断后的逐步回归模型预测的结果；
(5.1)对步骤(3.2)直接进行普通克里格插值的结果，或者是步骤(4.2)判断后的逐步回归模型预测的结果，或者是步骤(4.4)叠加后的结果进行汇总；
(5.2)计算步骤(3.1)中验证集的RMSE和R2值，评估模型的拟合优度和预测精度，良好的预测模型具有较高的R2值和较低的RMSE值，RMSE和R2的具体公式如下：
Figure BDA0003883075760000051
Figure BDA0003883075760000052
其中，Oi是验证集中第i个采样点的土壤有机碳实测值，
Figure BDA0003883075760000053
是验证集中土壤有机碳实测值的均值，Pi是验证集第i个采样点的土壤有机碳预测值，n是采样点数量。
本发明的有益效果：
本发明结合基于时间序列遥感影像的种植制度空间格局提取技术和分区-回归克里格模型预测农田土壤有机碳的空间分布，该方法与传统的使用土地利用、土壤类型和地质类型的分区方法相比，大大提升了模型的预测精度和拟合优度，发明成果实现了低成本、快速、准确的大面积农田土壤有机碳空间分布预测，为评估农田土壤肥力、指导农业生产和保障粮食安全有重要意义提供了科学依据和方法支持。
附图说明
图1是本发明的工作流程图。
图2是本发明实施例的研究区夏季作物、冬季作物、种植制度空间分布图。
图3是本发明实施例的采样点空间分布图，以及土地利用、残茬指数、土壤类型、坡度、坑塘和水渠面积比例等环境变量的空间分布图。
图4是本发明实施例的土壤有机碳含量空间分布图。
具体实施方式
为能清楚说明本专利的技术特点，下面通过具体实施方式，并结合其附图，对本专利进行详细阐述。
本实施例的研究区位于江汉平原汊河镇，土地利用类型主要为农田和水域，还包括少量建设用地和自然绿地。该区域农田已经历数百年耕作，夏季作物为水稻和多种旱作物，冬季部分农田种植冬小麦。由于长期耕作，自然因子对土壤有机碳含量的影响较小。在这种情况下，前人提出的土地利用、土壤类型和地质类型分区方法都不完全适用。下面将通过这个案例，具体说明基于种植制度的分区-回归克里格模型(SRK_CS)在农田土壤有机碳空间预测及制图中的应用：
(1)使用空间随机抽样方法，在研究区采集了242个土壤样点，记录了它们的种植制度信息，并带回实验室测得它们的土壤有机碳含量，构成总样本集。
(2)从中国资源卫星应用中心下载了21幅环境1A/B卫星影像，其空间分辨率30米，时间分辨率2天(由于天气和云雾的影响，缺乏2月、11月上半月和6月下半月的可用影像)。根据公式NDVI＝(band4-band3)/(band4+band3)，计算得到时间序列NDVI影像。结合地面采样点的种植制度信息采集夏季作物和冬季作物的训练样本，并通过随机森林分类器获得研究区农田夏季作物和冬季作物的空间分布图，进而将二者叠加，获得研究区农田种植制度的空间分布图(附图2)。
(3)从总样本集中随机选出194个点作为校正集(占总数的80％)，其余48个点作为验证集(占总数的20％)。由于校正集土壤有机碳未能通过K-S检验，不能直接用于普通克里格插值，因此对校正集土壤有机碳含量进行了ln对数转换。依据种植制度的空间格局，将研究区分为四个子区域，分别进行逐步回归，构建了lnSOC与坡度(Slope)、残茬指数(NDI)、坑塘面积比例(Pond)、水渠面积比例(IC)等易获取自然和农业因子(附图2)的线性关系(附表2)，进而基于回归方程预测子区域1、3、4土壤有机碳的空间分布。
(4)理论半变异函数拟合结果表明，子区域1、3、4的回归方程残差的块基比均>50％(附表3)，表明它们的空间依赖性弱，因此这三个区域仅使用逐步回归模型进行预测，不再结合残差克里格插值结果；子区域2的校正集的块基比为14.23％，具有较强的空间依赖性，因此使用普通克里格法预测子区域2的土壤有机碳含量。
(5)将四个子区域的回归和克里格预测结果叠加，获得lnSOC的空间分布图，再对该数值进行ln逆转换，即获得了基于SRK_CS模型的土壤有机碳空间分布图。传统的普通克里格模型(OK)、基于土壤类型的分层-普通克里格模型(SOK_ST)、基于土地利用类型的分层-普通克里格模型(SOK_LU)、基于种植制度的分层-普通克里格模型(SOK_CS)作为参照模型。外部验证结果表明(附表3)，OK和SOK_ST的预测结果较差；SOK_CS的预测精度和拟合优度均优于SOK_LU、SOK_ST、OK，展现了基于种植制度分区的优越性；SRK_CS优于SOK_CS，展现了进一步结合其他环境变量的重要性，也凸显了本发明方法的可靠性和有效性。
表1：不同种植制度的逐步回归方程拟合结果
Figure BDA0003883075760000071
表2：SRK_CS模型各子区域的理论半变异函数模型及参数
Figure BDA0003883075760000072
表3：模型外部预测精度评价
Figure BDA0003883075760000073
以上实验结果表明：在进行农田土壤有机碳空间预测和制图时，通过基于种植制度的分区方式，可以有效减弱空间异质性对模型精度的影响；相比于传统预测模型，基于种植制度的分区-回归克里格方法大大提升了农田土壤有机碳的预测精度和拟合优度，所得的更高精度的土壤有机碳空间分布图，可以帮助揭示土壤有机碳空间分异规律、对评估农田土壤肥力、指导农业生产、保障粮食安全有重要意义。
本发明具体实施途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种农田土壤有机碳空间分布图获取方法，其特征在于，包括以下步骤：
(1)使用空间随机采样方法在研究区采集土壤样本，记录采样点的种植制度并测定其土壤有机碳含量；
(2)使用时间序列遥感影像获取农田种植制度空间分布图；
(3)依据种植制度进行分区，建立不同子区域土壤有机碳的回归预测模型，预测各子区域未采样点的土壤有机碳值，获得研究区土壤有机碳分区回归预测结果；若无法建立回归预测模型，则直接进行普通克里格插值，并以普通克里格插值的结果作为该子区域的最终预测结果；
(4)检验各子区域残差的空间依赖性，无空间依赖性的，以回归预测结果作为该子区域的最终预测结果；有空间依赖性的，则对各子区域土壤有机碳回归模型的残差进行普通克里格插值，再叠加回归预测结果作为该子区域的最终预测结果；
(5)将各子区域的结果汇总，获得土壤有机碳空间分布图。
2.根据权利要求1所述的一种农田土壤有机碳空间分布图获取方法，其特征在于，步骤(1)的具体过程如下：
(1.1)设定采样点数量n，使用空间随机抽样方法确定采样点位置；
(1.2)实地采集土壤样本，记录土壤样本的种植制度信息；
(1.3)在实验室测定土壤样本的有机碳含量。
3.根据权利要求2所述的一种农田土壤有机碳空间分布图获取方法，其特征在于，步骤(2)的具体过程如下：
(2.1)下载时间序列遥感影像，并进行辐射定标和大气校正；
从中国资源卫星应用中心、地理空间数据云等平台下载高时间和空间分辨率的遥感影像，每半个月一幅，总时长1年，共计24幅影像，组成时间序列遥感影像数据集；在ENVI软件平台对这些影像逐个进行辐射定标和大气校正等预处理操作；
(2.2)计算每一幅影像的植被指数值，获得时间序列植被指数影像数据；
基于预处理后的时间序列遥感影像，使用波段计算器计算每一幅影像的归一化差值植被指数(NDVI)，最终形成时间序列植被指数影像数据；
(2.3)基于时间序列植被指数影像，使用监督分类法分别获取研究区农田夏季和冬季农作物的空间分布图；
基于时间序列植被指数影像，结合步骤(1.2)中记录的地面采样点的种植制度信息，分别采集研究区农田夏季和冬季作物的训练样本点，并使用随机森林分类器对农田进行监督分类，分别获得研究区夏季和冬季种植制度的空间分布图；
(2.4)将夏季和冬季农作物空间分布图叠加，获得农田种植制度空间分布图。
4.根据权利要求3所述的一种农田土壤有机碳空间分布图获取方法，其特征在于，步骤(3)的具体过程如下：
(3.1)建立土壤有机碳的校正集和验证集；
校正集由总样本集，即步骤(1.2)实地采集土壤样本中随机抽取一定比例的数据得到，用于预测模型构建；验证集为总样本集中的剩余数据，用于评估模型预测结果；
(3.2)根据种植制度进行分区，分别建立各子区域土壤有机碳和环境变量的逐步回归模型；
根据步骤(2.4)获得的农田种植制度空间分布图中的种植制度进行分区，使用Kolmogorov-Smirnov(K-S)方法检验校正集是否为正态分布，若不为正态分布，需要进行对数转换；之后，使用逐步回归模型建立各子区域校正集样点的土壤有机碳和其他环境变量的关系，若某子区域的土壤有机碳能够受其他环境变量影响，则可以构建成功，进行下一步；
反之，若某子区域的土壤有机碳不受其他环境变量影响，构建回归方程失败，则直接进行普通克里格插值，并以普通克里格插值的结果作为该子区域的最终预测结果；
(3.3)分别使用各区的逐步回归模型预测该区未采样点的土壤有机碳值；
分别使用各区的逐步回归模型预测该区验证集样点的土壤有机碳值，用于后续模型精度的外部验证；分别使用各区的逐步回归模型预测该区未采样点的土壤有机碳值，用于绘制土壤有机碳空间分布图。
5.根据权利要求4所述的一种农田土壤有机碳空间分布图获取方法，其特征在于，步骤(4)的具体过程如下：
(4.1)用各子区域土壤有机碳实测值减去回归模型的预测值，得到各区的残差；
(4.2)分别检验各子区域残差的空间依赖性；
使用理论半变异函数的块基比检验各区残差的空间依赖性，若块基比小于0.5，则表明具有较好的空间依赖性，则进入步骤(4.3)；
反之则直接使用逐步回归模型预测的结果作为该子区域的最终预测结果；
(4.3)分别对各子区域的回归方程残差进行普通克里格插值；
分别对各区的回归方程残差进行普通克里格插值，在模型拟合过程中，从球状模型、指数模型和高斯模型中选择误差系数值最小的，作为该区普通克里格方法的理论半变异函数；
(4.4)叠加步骤(3.3)中回归预测结果和步骤(4.3)中残差克里格插值结果作为该子区域的最终预测结果。
6.根据权利要求5所述的一种农田土壤有机碳空间分布图获取方法，其特征在于，步骤(5)，将各子区域的结果汇总，获得土壤有机碳空间分布图，以及后续进行模型精度验证的具体过程如下：得到研究区土壤有机碳残差空间插值结果。
或者是步骤(3.2)直接进行普通克里格插值的结果，或者是步骤(4.2)判断后的逐步回归模型预测的结果；
(5.1)对步骤(3.2)直接进行普通克里格插值的结果，或者是步骤(4.2)判断后的逐步回归模型预测的结果，或者是步骤(4.4)叠加后的结果进行汇总；
(5.2)计算步骤(3.1)中验证集的RMSE和R2值，评估模型的拟合优度和预测精度，良好的预测模型具有较高的R2值和较低的RMSE值，RMSE和R2的具体公式如下：
Figure FDA0003883075750000031
Figure FDA0003883075750000032
其中，Oi是验证集中第i个采样点的土壤有机碳实测值，
Figure FDA0003883075750000033
是验证集中土壤有机碳实测值的均值，Pi是验证集第i个采样点的土壤有机碳预测值，n是采样点数量。
CN202211234454.6A 2022-10-10 2022-10-10 一种农田土壤有机碳空间分布图获取方法 Pending CN115561432A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211234454.6A CN115561432A (zh) 2022-10-10 2022-10-10 一种农田土壤有机碳空间分布图获取方法
IE20230060U IE20230060U1 (en) 2022-10-10 2023-03-20 Method for Acquiring Spatial Distribution Map of Farmland Soil Organic Carbon

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211234454.6A CN115561432A (zh) 2022-10-10 2022-10-10 一种农田土壤有机碳空间分布图获取方法

Publications (1)

Publication Number Publication Date
CN115561432A true CN115561432A (zh) 2023-01-03

Family

ID=84745454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211234454.6A Pending CN115561432A (zh) 2022-10-10 2022-10-10 一种农田土壤有机碳空间分布图获取方法

Country Status (2)

Country Link
CN (1) CN115561432A (zh)
IE (1) IE20230060U1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132883A (zh) * 2023-05-08 2023-11-28 江苏商贸职业学院 一种基于gis的智慧农业灾害判别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132883A (zh) * 2023-05-08 2023-11-28 江苏商贸职业学院 一种基于gis的智慧农业灾害判别方法及系统
CN117132883B (zh) * 2023-05-08 2024-03-19 江苏商贸职业学院 一种基于gis的智慧农业灾害判别方法及系统

Also Published As

Publication number Publication date
IES87493Y1 (en) 2024-04-10
IE20230060U1 (en) 2024-04-10

Similar Documents

Publication Publication Date Title
Teuling et al. Climate change, reforestation/afforestation, and urbanization impacts on evapotranspiration and streamflow in Europe
Razakamanarivo et al. Mapping organic carbon stocks in eucalyptus plantations of the central highlands of Madagascar: A multiple regression approach
CN114239278B (zh) 土壤重金属累积过程时空模拟模型构建方法
CN104794336B (zh) 一种农田秸秆资源空间分布估算方法
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
Ma et al. Evaluating carbon fluxes of global forest ecosystems by using an individual tree-based model FORCCHN
CN115545254A (zh) 预测植被固碳释氧量的方法、系统、设备及存储介质
CN114663782A (zh) 一种林地环境数据的林业碳源汇计量方法
CN114580834A (zh) 耕地质量等级评价方法、装置及电子设备
CN113919185B (zh) 一种地形地貌状况测度方法与装置
CN116628978A (zh) 基于改进水分敏感确定网格化作物干旱脆弱性曲线的方法
CN115561432A (zh) 一种农田土壤有机碳空间分布图获取方法
CN115759331A (zh) 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法
CN115879832A (zh) 区域农田建设需求的划分方法、装置及电子设备
Chen et al. Spatiotemporal variation of vegetation net primary productivity and its responses to climate change in the Huainan Coal Mining Area
Witte National water management and the value of nature
Chiesi et al. A semiempirical method to estimate actual evapotranspiration in mediterranean environments
CN111652521A (zh) 一种整治后耕地质量等别评定方法
Matthews et al. Climatic soil moisture deficit-climate and soil data integration in a GIS
Meng et al. A high‐accuracy vegetation restoration potential mapping model integrating similar habitat and machine learning
CN113935622A (zh) 一种生态地质环境质量评价方法、系统及电子设备
Demise Assessing Land Use Land Cover Dynamics And Its Impact On Soil Erosion In Gidabo Watershed, Southern Ethiopia
Qi Human-induced biospheric change and the global carbon cycle: a spatial modeling approach and its application to tropical Asia
Posch et al. The European background database
Dutta et al. Quantification of decadal deforestation and afforestation scenario in Bankura District of West Bengal using geospatial techniques

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