融合環(huán)境因素的大尺度土壤有機碳空間分布模擬方法
【專利摘要】本發(fā)明公開了融合環(huán)境因素的大尺度土壤有機碳空間分布模擬方法，涉及土壤數(shù)字土壤制圖【技術(shù)領(lǐng)域】。包括以下步驟：(1)將植被類型圖和土壤類型圖疊加生成植被-土類單元組合的空間分布圖，以建模點統(tǒng)計得到的各植被-土類單元的土壤有機碳含量均值賦值到圖中對應(yīng)的圖斑，得到1km分辨率的土壤有機碳均值空間分布曲面m(k)；(2)以神經(jīng)網(wǎng)絡(luò)模型表達植被-土類均值殘差與定量環(huán)境因子間的關(guān)系，獲得植被-土類均值殘差的空間分布曲面f’(xi,k,yj,k)；(3)以HASM模型模擬剩余殘差的空間分布曲面r’(xi,k,yj,k)；(4)最后將m(k)、f’(xi,k,yj,k)和r’(xi,k,yj,k)相加得到HASM_EF方法對土壤有機碳空間分布的模擬結(jié)果。本發(fā)明為國家尺度上土壤有機碳儲量的精準估算和大尺度土壤性質(zhì)的時空變化研究提供參考。
【專利說明】融合環(huán)境因素的大尺度土壤有機碳空間分布模擬方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是土壤數(shù)字土壤制圖【技術(shù)領(lǐng)域】，具體涉及一種融合環(huán)境因素的大尺 度土壤有機碳空間分布模擬方法。

【背景技術(shù)】
[0002] 土壤是陸地表層系統(tǒng)中最大的有機碳庫，土壤中有機碳的儲量和動態(tài)直接影響著 全球碳循環(huán)，是地理學(xué)研究和"未來地球"研究計劃的重要內(nèi)容。而高精度的土壤有機碳空 間變化信息，不僅是準確估算區(qū)域土壤有機碳儲量的基礎(chǔ)，也是研究以碳為基礎(chǔ)的溫室氣 體收支平衡的基礎(chǔ)資料和有效運行各種耦合土壤信息的陸面模型的重要輸入?yún)?shù)。中國陸 地面積約為全球的6. 4%，其精準的土壤有機碳空間變化信息一直是學(xué)界關(guān)注和探討的熱 點。然而由于尺度大，影響因素復(fù)雜，中國國家尺度上土壤性質(zhì)空間變異強烈，獲取國家尺 度上較高精度的土壤有機碳空間分布信息并不容易。
[0003] 空間模擬或插值是獲取土壤性質(zhì)空間變化的重要手段。由于土壤性質(zhì)的空間異質(zhì) 性是在各種環(huán)境因素的綜合作用下形成的，引入環(huán)境因子作為輔助變量的空間模擬方法利 用了土壤與各因子間的對應(yīng)關(guān)系，其精度明顯高于僅基于樣點值進行空間內(nèi)插的方法。然 而，國家尺度上影響土壤性質(zhì)的因素包括土壤概念模型中的所有要素（母質(zhì)、氣候、地形、 植被及人類活動等），不同因素對土壤性質(zhì)空間異質(zhì)性形成的作用不同。土地利用方式、土 壤類型和母質(zhì)類型等定性因素對土壤性質(zhì)空間分布的影響顯著，甚至?xí)绊懚恳蛩氐淖?用強度。同時引入定性和定量輔助因子的方法，其精度明顯優(yōu)于僅融合定性或定量因子的 模擬方法。而土壤性質(zhì)與定量因子間的關(guān)系具有明顯的非線性和空間非平穩(wěn)性，這決定了 在整個大尺度上采用一個簡單的線性模型很難準確揭示復(fù)雜環(huán)境條件下土壤與定量因子 間的復(fù)雜關(guān)系。此外，各因素間存在不同程度的共線性?；谕寥腊l(fā)生學(xué)理論提出的土壤 概念模型給出了土壤與各成土因素間的一般關(guān)系，但并未具體化。因此，合理選擇輔助因子 以及準確表達土壤性質(zhì)與各因子間的定量關(guān)系，成為了土壤性質(zhì)空間分布高精度模擬的關(guān) 鍵。之前的研究對國家尺度上土壤性質(zhì)空間分布的高精度模擬方法進行了探索，取得了一 定的成果，但方法中對不同因子作用的表達仍需進一步改進，模擬結(jié)果精度也還有待于進 一步提商。


【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)上存在的不足，本發(fā)明目的是在于提供一種融合環(huán)境因素的大尺度 土壤有機碳空間分布模擬方法，以土壤發(fā)生學(xué)提出的土壤概念模型為基礎(chǔ)，構(gòu)建融合多種 因素并合理表達各因素作用的土壤有機碳空間分布模擬方法，模擬中國表層土壤有機碳的 空間分布格局，以期為國家尺度上土壤有機碳儲量的精準估算和大尺度土壤性質(zhì)的時空變 化研究提供參考。
[0005] 為了實現(xiàn)上述目的，本發(fā)明是通過如下的技術(shù)方案來實現(xiàn)：融合環(huán)境因素的大尺 度土壤有機碳空間分布模擬方法，將土壤樣點的有機碳實測值劃分為由不同因素決定的3 個部分：
[0006] Z (xi；k, yJ；k) = m(k) +f (xi；k, yJ；k) +r (xi；k, yJ；k) (I)
[0007] 式中：Z(Xi，k，hk)表示在點（ Xi，yp處屬于第k種定性因素或定性因素組合的土 壤樣點的有機碳含量實測值，（Xi，yP為點位坐標(biāo)；m(k)為第k種定性因素或定性因素組合 的土壤有機碳含量平均值，該均值差異反映由不同定性因素或定性因素組合引起的土壤有 機碳含量空間變異；f(Xi，k，yu)為點位（Xi，yP處去除定性因素影響后由該點位處氣象、地 形及植被蓋度等點位環(huán)境因素差異引起的土壤有機碳含量變異；r(Xi，k，hk)為點位（ Xi，yj) 處去除研究中所選因素的影響后剩余的殘差項，由研究中未考慮到的其它因素或點位處其 它因素引起。
[0008] 假設(shè)3個部分相互獨立，可由分別不同的方法獲?。?br> [0009] (l)m(k):由定性因素決定的土壤有機碳空間變異部分。研究表明，土壤類型和土 地利用方式在不同尺度上均是土壤有機碳空間分布的重要影響因子，且分類級別越低，對 土壤有機碳空間變異的反映能力越高。本研究中m(k)部分以土壤類型和土地類型2個因素 不同組合類型下土壤有機碳的均值來表示。根據(jù)之前的研究結(jié)果以及考慮到不同組合類型 下需要有一定數(shù)量的樣本數(shù)進行統(tǒng)計，研究中根據(jù)土地類型劃分出自然植被（包括林地、 草地灌木和荒漠）和農(nóng)業(yè)植被（包括耕地和果園）2個類型，將2個植被類型與58個土類進 行組合，部分組合中土壤樣本數(shù)少于3個，則將其合并到相同植被類型下相同土綱內(nèi)統(tǒng)計 均值最接近的其它植被-土類組合中，共獲得97個植被-土類分類單元（landscape-soil group unit，LS)。最后以建模樣點數(shù)據(jù)分別統(tǒng)計各植被-土類單元土壤有機碳含量均值。
[0010] (2)f(Xi，k，yj;k):反映點位（ Xi，yj)處某一定性因素組合內(nèi)部的土壤有機碳含量變 異，由該點位處氣象、地形及植被蓋度等點位環(huán)境因素差異決定，通過樣點實測值減去該樣 點所屬的植被_土類單元均值獲得?？紤]到土壤有機碳與各定量因子間的非線性關(guān)系，采 用徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)模型（Radial Basis Function Neural Network，RBFNN)來表 達fUi+hk)與氣象、地形及植被指數(shù)因子間的非線性關(guān)系，其中模型輸入變量為由各定 量環(huán)境因子轉(zhuǎn)化而來的主成分。該神經(jīng)網(wǎng)絡(luò)模型能較好地刻畫多元變量間的非線性映射關(guān) 系，在土壤性質(zhì)空間分布預(yù)測中取得了較成功的應(yīng)用。同時考慮到土壤有機碳與各定量因 子間的空間非平穩(wěn)性以及之前研究結(jié)果，按土綱和植被類型劃分出22個植被-土綱單元， 分別在每一個植被-土綱單元中構(gòu)建一個RBFNN模型，以表達在不同空間單元內(nèi)土壤有機 碳與各因子間不同的非線性關(guān)系，其表達式如下：
[0011] f ' (xi；k, yJ； k) = RBFNNn [PCI (xi；k, yJ； k), PC2 (xi；k, yJ； k), . . . , PCll (xi；k, Yjjk)] (2)式中，f'（Xi，k，yj，k)為神經(jīng)網(wǎng)絡(luò)模型對f (Xi，k，yj，k)的預(yù)測值；PCI (Xi，k，yj，k)? PCll (Xi，k，yj，k)為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，由氣象、地形及植被指數(shù)等11個定量環(huán)境因子 通過主成分分析轉(zhuǎn)化而來，表示點位（Xi, y」）處的11個主成分值；n = 1,2,…，22,表示22 個植被-土綱單元。
[0012] (3)r (Xi,k，y」,k):為點位（Xi，y」）處去除研究中所選因素的影響后剩余的殘差項，由 樣點實測值減去樣點所屬的植被-土類單元均值和RBFNN模型對f(xi;k，hk)的預(yù)測值獲 得。該部分的空間變化采用高精度曲面模型（High accuracy surface modeling,HASM)來 進行模擬。該模型已在模擬氣象、地形和土壤性質(zhì)等生態(tài)因子空間變化的研究中取得了較 好的效果。
[0013] 所述的該融合環(huán)境因素的土壤有機碳空間分布模擬方法（HASM_EF)模擬過程如 下：
[0014] (1)將植被類型圖和土壤類型圖進行疊加，得到植被-土類單元組合的空間分布 圖；再以利用建模點統(tǒng)計得到的各植被-土類單元的土壤有機碳含量均值對圖中相應(yīng)的圖 斑進行賦值，生成Ikm分辨率土壤有機碳的各植被-土類單元均值空間分布曲面m(k)。
[0015] (2)以樣點實測值減去樣點所屬的植被-土類單元均值，得到各樣點的植被-土 類均值殘差，對該殘差值進行必要的變換后（正態(tài)變換，圖2c)，在每一個植被-土綱單元 中以該殘差變換值為輸出變量，以環(huán)境因子主成分為輸入變量，在軟件MATLAB中分別訓(xùn)練 適合于對應(yīng)植被-土綱單元的RBFNN模型；然后將各環(huán)境因子主成分和植被-土綱單元組 合空間分布柵格數(shù)據(jù)轉(zhuǎn)換為矩陣數(shù)據(jù)，以植被-土綱單元組合為控制條件，在MATLAB中完 成對植被-土類均值殘差f'（Xi，k，ylk)空間分布的預(yù)測，并將預(yù)測結(jié)果以文本文件導(dǎo)出，在 ArcGIS軟件中轉(zhuǎn)化為Ikm分辨率的柵格數(shù)據(jù)。
[0016] (3)再以樣點實測值減去前兩部分的預(yù)測結(jié)果，得到去除所選因素影響后剩余的 殘差項r (Xi，k，yj，k)，以HASM模型進行模擬，得到對該殘差項r (Xi，k，yj，k)空間變化的模擬結(jié) 果 r'（xi，k，yj，k)。
[0017] (4)最后將 m(k)、f'（Xi，k，y」，k)和 r'（Xi，k，y」，k)3 個部分相加，即得到 HASM_EF 方 法對土壤有機碳空間分布的模擬結(jié)果。
[0018] 本發(fā)明的有益效果：本發(fā)明的建模過程考慮了不同因素對國家尺度上土壤有機碳 空間變異的解釋能力；以環(huán)境因子主成分代替原環(huán)境因子作為模型輸入變量，消除了原環(huán) 境變量間的共線性；而在不同植被-土綱單元內(nèi)建立神經(jīng)網(wǎng)絡(luò)模型則解決了其非線性問題 以及在一定程度上考慮了其空間非平穩(wěn)性問題；同時對殘差的空間分布也進行了模擬。該 方法不僅能反映土壤有機碳空間分布的宏觀格局，還能較好地揭示土壤有機碳空間變化的 細節(jié)信息，預(yù)測精度高。

【專利附圖】

【附圖說明】
[0019] 下面結(jié)合附圖和【具體實施方式】來詳細說明本發(fā)明；
[0020] 圖1為本發(fā)明的建模點和驗證點空間分布圖；
[0021] 圖2為本發(fā)明的土壤有機碳含量值、自然對數(shù)轉(zhuǎn)換值及植被土類均值殘差 Johnson轉(zhuǎn)換值的頻率分布圖；
[0022] 圖3為本發(fā)明的土壤有機碳各數(shù)據(jù)項的半方差函數(shù)圖
[0023] 圖4為本發(fā)明的不同方法對驗證點有機碳的預(yù)測值與實測值間的線性關(guān)系圖。

【具體實施方式】
[0024] 為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié)合

【具體實施方式】，進一步闡述本發(fā)明。
[0025] 參照圖1至圖4,本【具體實施方式】采用以下技術(shù)方案：所述的該融合環(huán)境因素的土 壤有機碳空間分布模擬方法（HASM_EF)模擬過程如下：
[0026] (1)將植被類型圖和土壤類型圖進行疊加，得到植被-土類單元組合的空間分布 圖；再以利用建模點統(tǒng)計得到的各植被_ 土類單元的土壤有機碳含量均值對圖中相應(yīng)的圖 斑進行賦值，生成Ikm分辨率土壤有機碳的各植被-土類單元均值空間分布曲面m(k)。
[0027] (2)以樣點實測值減去樣點所屬的植被-土類單元均值，得到各樣點的植被-土 類均值殘差，對該殘差值進行必要的變換后（正態(tài)變換，圖2c)，在每一個植被-土綱單元 中以該殘差變換值為輸出變量，以環(huán)境因子主成分為輸入變量，在軟件MATLAB中分別訓(xùn)練 適合于對應(yīng)植被-土綱單元的RBFNN模型；然后將各環(huán)境因子主成分和植被-土綱單元組 合空間分布柵格數(shù)據(jù)轉(zhuǎn)換為矩陣數(shù)據(jù)，以植被-土綱單元組合為控制條件，在MATLAB中完 成對植被-土類均值殘差f'（Xi，k，ylk)空間分布的預(yù)測，并將預(yù)測結(jié)果以文本文件導(dǎo)出，在 ArcGIS軟件中轉(zhuǎn)化為Ikm分辨率的柵格數(shù)據(jù)。
[0028] (3)再以樣點實測值減去前兩部分的預(yù)測結(jié)果，得到去除所選因素影響后剩余的 殘差項r (Xi，k，yj，k)，以HASM模型進行模擬，得到對該殘差項r (Xi，k，yj，k)空間變化的模擬結(jié) 果 r'（xi，k，yj，k)。
[0029] (4)最后將 m(k)、f '（Xi，k，y」，k)和 r'（Xi，k，y」，k) 3 個部分相加，即得到 HASM_EF 方 法對土壤有機碳空間分布的模擬結(jié)果。
[0030] 土壤有機碳數(shù)據(jù)來自于第二次全國土壤普查時采集的典型土壤剖面。這些典型土 壤剖面數(shù)據(jù)資料記錄在《中國土種志》及各省級土種志中，每一個剖面都較詳細地記錄了該 土壤剖面的采樣地點、成土母質(zhì)、土壤類型、地形特征、土地利用類型以及土壤理化性質(zhì)等 信息。本研究收集整理了這些資料，建立了第二次全國土壤普查的典型土壤剖面數(shù)據(jù)庫，并 結(jié)合全國行政區(qū)劃、全國居民點空間分布數(shù)據(jù)、土壤類型圖、母質(zhì)圖、植被類型圖、90m分辨 率D EM和1 :25萬地形圖等輔助資料對各剖面點位置逐一進行了定位，盡可能使各土壤剖 面的位置接近原采樣點位置，同時使定位處的環(huán)境條件符合各土壤剖面記錄的環(huán)境信息； 共整理獲得6000多個具有相對準確位置信息的典型剖面。作為方法探討，本研究僅選擇表 層土壤有機碳作為研究對象。
[0031] 個別樣點由于受到點位異常環(huán)境因素影響，可能出現(xiàn)極端異常值，從而掩蓋土壤 有機碳與環(huán)境因素間的普遍關(guān)系，進而影響到預(yù)測結(jié)果的可靠性，因此需要對極端異常值 進行排除。研究中采用樣本平均值加減三倍標(biāo)準差的方法在58 土類和6種土地利用方式 (林地、灌木、草地和3種不同熟制的農(nóng)地）中標(biāo)記異常值，同時在各土類和土地利用方式 中標(biāo)記為異常值的剖面點被最終確定為異常值進行剔除，研究中實際使用的樣點數(shù)為6179 個（圖1)。為評價模擬方法的精度，在ArcGIS的地統(tǒng)計學(xué)模塊中將6179個樣點隨機分為 建模數(shù)據(jù)集和驗證數(shù)據(jù)集，分別包含5561個樣點（90% )和618個樣點（10% )，其空間分 布見圖Ia和圖lb。
[0032] 根據(jù)土壤概念模型以及融合環(huán)境因子進行土壤性質(zhì)空間分布模擬的相關(guān)研究，選 擇與幾大成土因素相關(guān)的指標(biāo)作為建模的輔助因子，包括氣象、地形、植被、土地利用方式 和土壤類型等定性和定量因子。定量因子中，氣象數(shù)據(jù)來自于全國671個氣象站1971年至 2000年30年的統(tǒng)計數(shù)據(jù)；由于氣象因子具有較高的空間自相關(guān)性，研究中采用普通克里格 法生成全國Ikm分辨率的多年平均氣溫（Temperature, T)、降水（Precipitation, P)、相對 濕度（Relative Humidity，RH)、日照時數(shù)（Duration of Sunshine，DS)、太陽福射（Solar Radiation)和 >10°C積溫（Accumulated Temperature, AT)的空間分布柵格數(shù)據(jù)。地形 因子包括全國Ikm分辨率的DEM，以及利用Ikm DEM數(shù)據(jù)生成的坡度（Slope，S)、匯流面積 (Catchment area, CA)和地形濕度指數(shù)（Topographic index, TI)。歸一化植被指數(shù)（NDVI) 采用分辨率為lkm、與第二次土壤普查時間最接近的1992年4月至1993年3月的36旬 AVHRR 數(shù)據(jù)平均值（來源于 USGS:http://edc2. usgs. gov/KM/lkmhomepage. php)?？紤]到 定量因子間存在不同程度的共線性，采用主成分分析方法將11個定量指標(biāo)轉(zhuǎn)化為11個互 不相關(guān)的主成分（Principal Component, PC)作為模型的輸入變量。定性因素選擇了土壤 類型和植被類型，研究中使用的全國1 :1〇〇萬的土壤類型圖和植被類型圖來源于中國科學(xué) 院資源環(huán)境數(shù)據(jù)中心。
[0033] 本【具體實施方式】利用了不同環(huán)境因素對國家尺度上土壤有機碳空間異質(zhì)性形成 的作用及解釋能力，考慮了土壤有機碳與環(huán)境因子間關(guān)系的非線性、空間非平穩(wěn)性以及各 因子間的共線性，有效地提高了模擬精度，且模擬結(jié)果更符合實際情況，各項預(yù)測誤差降低 了 16. 86 %?47. 46%，有效地提高了模擬精度；模型性能指數(shù)為2. 26,達到了高精度模擬 標(biāo)準。實現(xiàn)了國家尺度上土壤有機碳空間分布的高精度模擬，同時也可為較大尺度上土壤 性質(zhì)的時空變化研究提供方法參考。
[0034] 實施例1 :對5561個建模樣點的統(tǒng)計結(jié)果表明，中國表層土壤有機碳含量范圍在 0. 35?262. 74g/kg之間，平均值為16. 96g/kg，變異系數(shù)達到116. 11%，屬于極強烈的空間 變異（表1)。從數(shù)據(jù)的分布形態(tài)來看，原始數(shù)據(jù)呈明顯的偏態(tài)分布（圖2a)，通過自然對數(shù) 轉(zhuǎn)換后其偏度值和峰度值以及分布頻率圖明顯接近正態(tài)分布（圖2b)。而植被土類均值殘 差經(jīng)Johnson變換后的值更符合正態(tài)分布（圖2c)，因此將符合正態(tài)分布的數(shù)據(jù)項用于相應(yīng) 的普通克里格插值、相關(guān)分析、回歸分析以及神經(jīng)網(wǎng)絡(luò)建模。
[0035] 不同土地利用方式下土壤有機碳含量差異明顯，自然植被土壤有機碳含量明顯高 于農(nóng)業(yè)植被（表1)。自然植被中，林地土壤有機碳含量最大，為28. 63g/kg，其次是草荒地 23. 13g/kg，灌木地最小為20. 14g/kg。3種自然植被類型下土壤有機碳含量差異達到極顯 著（P〈0. 001)。農(nóng)業(yè)植被的3種熟制中，一年三熟農(nóng)地土壤有機碳含量略大于其他2種熟 制類型，但差異不顯著。從變異系數(shù)來看，農(nóng)業(yè)植被下土壤有機碳含量變異系數(shù)在48. 80? 76. 42%之間，均屬于中等程度的變異性。自然植被下土壤有機碳含量變異性明顯大于農(nóng)業(yè) 植被；其中林地土壤有機碳含量變異系數(shù)為93. 72%，接近極強的變異性，灌木和草荒地土 壤有機碳含量變異系數(shù)均超過100%，屬于極強烈的空間變異性。
[0036] 表1不同土地利用方式下土壤有機碳含量統(tǒng)計特征
[0037]

【權(quán)利要求】
1. 融合環(huán)境因素的大尺度土壤有機碳空間分布模擬方法，其特征在于，包括以下步驟： (1)將植被類型圖和土壤類型圖進行疊加，得到植被-土類單元組合的空間分布圖；再以利 用建模點統(tǒng)計得到的各植被-土類單元的土壤有機碳含量均值對圖中相應(yīng)的圖斑進行賦 值，生成lkm分辨率土壤有機碳的各植被-土類單元均值空間分布曲面m(k); (2) 以樣點實測值減去樣點所屬的植被-土類單元均值，得到各樣點的植被-土類均值 殘差，對該殘差值進行必要的變換后，在每一個植被-土綱單元中以該殘差變換值為輸出 變量，以環(huán)境因子主成分為輸入變量，在軟件MATLAB中分別訓(xùn)練適合于對應(yīng)植被-土綱單 元的RBFNN模型；然后將各環(huán)境因子主成分和植被-土綱單元組合空間分布柵格數(shù)據(jù)轉(zhuǎn)換 為矩陣數(shù)據(jù)，以植被-土綱單元組合為控制條件，在MATLAB中完成對植被-土類均值殘差 空間分布的預(yù)測，并將預(yù)測結(jié)果以文本文件導(dǎo)出，在ArcGIS軟件中轉(zhuǎn)化為lkm 分辨率的柵格數(shù)據(jù)； (3) 再以樣點實測值減去前兩部分的預(yù)測結(jié)果，得到去除所選因素影響后剩余的殘差 項r (Xi，k，yj，k)，以HASM模型進行模擬，得到對該殘差項r (Xi，k，yj，k)空間變化的模擬結(jié)果 r'（xi，k，yj，k); ⑷最后將m(k)、f'（Xi，k，yj;k)和r'（Xi， k，yj;k)三個部分相加，即得到HASM_EF方法對 土壤有機碳空間分布的模擬結(jié)果。
2. 根據(jù)權(quán)利要求1所述的融合環(huán)境因素的大尺度土壤有機碳空間分布模擬方法，其特 征在于，所述的步驟（2)和步驟（3)的樣點實測值由不同因素決定的3個部分： z (xi, k. Yj, k) = m (k) +f (xi； k, yJ； k) +r (xi； k, yJ； k) (1) 式中：Z(Xi，k，hk)表示在點（Xi， yp處屬于第k種定性因素或定性因素組合的土壤樣點 的有機碳含量實測值，（Xi，yP為點位坐標(biāo);m(k)為第k種定性因素或定性因素組合的土壤 有機碳含量平均值，該均值差異反映由不同定性因素或定性因素組合引起的土壤有機碳含 量空間變異汀('1;，7」，1;)為點位0^7」）處去除定性因素影響后由該點位處氣象、地形及植 被蓋度等點位環(huán)境因素差異引起的土壤有機碳含量變異；r(Xi，k，hk)為點位（ Xi，yp處去 除研究中所選因素的影響后剩余的殘差項，由研究中未考慮到的其它因素或點位處其它因 素引起； 假設(shè)3個部分相互獨立，可由分別不同的方法獲取： (1) m(k):由定性因素決定的土壤有機碳空間變異部分；研究表明，土壤類型和土地利 用方式在不同尺度上均是土壤有機碳空間分布的重要影響因子，且分類級別越低，對土壤 有機碳空間變異的反映能力越高；本研究中m(k)部分以土壤類型和土地類型2個因素不 同組合類型下土壤有機碳的均值來表示；根據(jù)之前的研究結(jié)果以及考慮到不同組合類型下 需要有一定數(shù)量的樣本數(shù)進行統(tǒng)計，研究中根據(jù)土地類型劃分出自然植被和農(nóng)業(yè)植被2個 類型，將2個植被類型與58個土類進行組合，部分組合中土壤樣本數(shù)少于3個，則將其合 并到相同植被類型下相同土綱內(nèi)統(tǒng)計均值最接近的其它植被-土類組合中，共獲得97個 植被-土類分類單元；最后以建模樣點數(shù)據(jù)分別統(tǒng)計各植被-土類單元土壤有機碳含量均 值； (2) f (Xi，k，yj，k):反映點位（Xi， yj)處某一定性因素組合內(nèi)部的土壤有機碳含量變異，由 該點位處氣象、地形及植被蓋度等點位環(huán)境因素差異決定，通過樣點實測值減去該樣點所 屬的植被-土類單元均值獲得；考慮到土壤有機碳與各定量因子間的非線性關(guān)系，采用徑 向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)模型來表達f(Xi，k，yj，k)與氣象、地形及植被指數(shù)因子間的非線性關(guān) 系，其中模型輸入變量為由各定量環(huán)境因子轉(zhuǎn)化而來的主成分；該神經(jīng)網(wǎng)絡(luò)模型能較好地 刻畫多元變量間的非線性映射關(guān)系，在土壤性質(zhì)空間分布預(yù)測中取得了較成功的應(yīng)用；同 時考慮到土壤有機碳與各定量因子間的空間非平穩(wěn)性以及之前研究結(jié)果，按土綱和植被類 型劃分出22個植被-土綱單元，分別在每一個植被-土綱單元中構(gòu)建一個RBFNN模型，以 表達在不同空間單元內(nèi)土壤有機碳與各因子間不同的非線性關(guān)系，其表達式如下： f ' (xi;k, yJ;k) = RBFNNJPC1 (xi；k, yJ；k), PC2 (xi；k, yJ；k), ..., PC11 (xi；k, yJ；k)] (2) 式中，f'（Xi，k, y」，k)為神經(jīng)網(wǎng)絡(luò)模型對f (Xi，k, y」，k)的預(yù)測值；PCI (Xi，k, y」，k)? PC11 (Xi，k，yj，k)為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，由氣象、地形及植被指數(shù)等11個定量環(huán)境因子 通過主成分分析轉(zhuǎn)化而來，表示點位（Xi, y」）處的11個主成分值；n = 1,2,…，22,表示22 個植被-土綱單元； (3)r (Xi，k，hk):為點位（Xi，以處去除研究中所選因素的影響后剩余的殘差項，由樣點 實測值減去樣點所屬的植被-土類單元均值和RBFNN模型對f(xi;k，ylk)的預(yù)測值獲得；該 部分的空間變化采用高精度曲面模型（High accuracy surface modeling，HASM)來進行模 擬；該模型已在模擬氣象、地形和土壤性質(zhì)等生態(tài)因子空間變化的研究中取得了較好的效 果。
【文檔編號】G06F17/50GK104408258SQ201410717756
【公開日】2015年3月11日 申請日期:2014年12月1日 優(yōu)先權(quán)日:2014年12月1日
【發(fā)明者】李啟權(quán), 王昌全, 高雪松, 李冰, 袁大剛, 岳天祥, 杜正平, 史文嬌 申請人:四川農(nóng)業(yè)大學(xué)