CN108764527A - 一种土壤有机碳库时空动态预测最优环境变量筛选方法 - Google Patents
一种土壤有机碳库时空动态预测最优环境变量筛选方法 Download PDFInfo
- Publication number
- CN108764527A CN108764527A CN201810365926.9A CN201810365926A CN108764527A CN 108764527 A CN108764527 A CN 108764527A CN 201810365926 A CN201810365926 A CN 201810365926A CN 108764527 A CN108764527 A CN 108764527A
- Authority
- CN
- China
- Prior art keywords
- soil
- environmental variance
- given category
- indicator
- category environmental
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 248
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 124
- 238000010187 selection method Methods 0.000 title claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 191
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000005527 soil sampling Methods 0.000 claims description 61
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000004016 soil organic matter Substances 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004181 pedogenesis Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种土壤有机碳库时空动态预测最优环境变量筛选方法,收集整理不同时期的土壤数据库、动态与静态的环境变量集合,根据土壤数据的时效性,规定土壤碳库模拟有效的时间段——“时间片”。依据不同景观区域内部的土壤有机碳密度信息,分析各种动态、静态环境变量的各种属性信息,进而使用层次分析法与专家知识构建特定时间片内有效的最优环境变量集合。
Description
技术领域
本发明涉及一种土壤有机碳库时空动态预测最优环境变量筛选方法,属于计量土壤学技术领域。
背景技术
土壤有机碳是动植物残体、微生物体、土壤微生物作用生成的腐殖质的合称。与土壤无机碳库相比,土壤有机碳含量对于土壤耕作、土地利用变化响应较为敏感。自工业革命以来的全球气候变暖问题迫使各国政府日益高度重视温室气体的减排。据相关数据统计,一米土体内部的有机碳储量是土壤碳库的最主要组成部分。作为全球陆地生态***最大的碳库,土壤碳库的储量约是大气碳库储量与陆地生态圈碳库储量的总和(1200-2500Pg)。因此,土壤碳库的微小变动对于整个陆地生态***的碳库将产生巨大影响。鉴于土壤有机碳含量也是土壤肥力评价的最重要指标之一,土壤有机碳含量/储量的空间分析技术已受到农业、环境、工业等诸多部门的广泛关注。
土壤碳库估算技术的相关研究包括固碳潜力、储量分布、影响因素与不确定性评估等方面。按照研究区域大小,土壤有机碳空间分布图的尺度可以分为全球尺度、国家尺度、省级尺度、流域尺度等。不同尺度的土壤图制作对于土壤样点、土壤图的精度具有不同的要求。目前,我国省域尺度上的土壤有机碳储量估算工作较多关注于中比例尺(1:20万),大比例尺(≥1:5万)的工作鲜有报道。在土壤有机碳储量估算方法上面,国内外相关学者将其分为两大类:图斑法与模型法。图斑法是将土壤剖面的土壤属性(容重、砾石含量、有机碳含量)相应地赋值给一个面状的地理信息图层(如土壤类型图、土地利用类型图、植被类型图),然后将单个图斑的面积与单个或多个土体的有机碳密度相乘,最终得到该区域的土壤有机碳储量。图斑法简单、高效,是相关行业领域使用最普遍的方法之一。土壤类型、面积等基础数据源主要来源于第二次全国土壤普查。图斑法假设图斑类型内部的土壤是均质的,这与现实世界中土壤的高度空间异质性是相矛盾的。随着地理信息***与计算机科学技术的发展,土壤学家正逐渐倾向于采用模型法进行土壤有机碳储量估算。模型法是使用数据驱动或过程驱动的预测模型,构建土壤有机碳等其他土壤属性受成土因素(气候、植被、地形、母质)或土壤有机质分解速率的各种相关因素影响的预测模型,典型的碳循环模型如Century模型和DeNitrification-DeComposition模型,典型的数据驱动的模型如随机森林、人工神经网络、地理加权回归等方法。
土壤理化属性的空间变异性指的是其在不同的时间与空间条件下处于永恒的变化过程中。这种时空变异性与土壤演变过程中涉及到的人为、自然因素密切相关。相关研究学者已证明土壤有机碳与土壤物理性质(土壤质地、容重)与化学性质(氮储量、无机碳、重金属含量)密切相关,这种关系也反映在水文学中的PTF函数的广泛应用等方面。另外,鉴于土壤有机碳储量的地带性分布特征,土壤有机碳储量的分布与经度与纬度等位置信息也具有较高的相关性。部分学者已证明土壤有机碳的矿化速率与植被恢复、气候变化、保护性耕作等因素也具有一定的定量耦合关系。基于不同时期的遥感影像与GIS分析对各景观类型的地表覆盖进行绘制,能够对比分析土壤有机碳储量受动态土地利用变化的影响。基于此,Century模型对土壤有机碳储量进行模拟的过程中,需要在相关模块中集成土地利用的动态模拟机制。有鉴于此,多尺度土壤有机碳储量的时空动态估算技术迫切需要定量化土壤有机碳空间分布规律与各环境要素的关系。
然而,土壤有机碳储量的时空动态估算技术在不同景观区域的实施过程中,仍面临一系列技术问题:
(1)数字土壤制图与地理信息***技术虽已较为成熟,但主要关注流域、县级尺度的研究区域,这些区域的土壤-景观关系空间异质性较低,往往具有明显的梯度序列或地貌特征,土壤有机碳含量等属性与环境变量一般具有较高的相关性,导致构建的预测模型移植性、稳健性非常低,很难在相邻或相似的区域直接实施。这种模型的低移植性问题也间接造成了不同区域土壤碳库估算工作中存在着严重的区域性不确定性问题,世界土壤信息参比中心(荷兰,ISRIC)、悉尼大学与中国科学院南京土壤研究所等国际一流的土壤研究机构均证实,构建国家、全球尺度的预测模型已是当代土壤地理学的最重要工作之一。
(2)现有空间预测技术较多关注模型的构建及其不确定性评估,相对忽视了模型输入参数的遴选问题。部分数字土壤制图工作仅根据专家知识或数据的可获取性选择模型的输入数据,未能综合考虑土壤的空间变化特征与环境变量的空间耦合关系。如果使用特定的变量筛选机制选择最优环境变量,在基于不同假设的预测模型中可能无法最大程度上挖掘所有环境变量涵盖的土壤景观信息。如果仅使用基于功能论的精度评价机制对环境变量集合进行评价,又会降低构建预测模型与衍生分析结果的稳定性,进而无法明确地指示环境变量对于土壤有机碳含量的空间表征关系。
(3)数字土壤制图的关键环节是选择合适的数据源和环境变量。影响土壤空间变异的环境变量非常多,例如,常用的地形因子不少于五十种、常用的气候变量不少于二十种、常用的遥感变量不少于三十种。同时,相同变量的不同提取算法的研究成果也不断呈现。这些环境变量之间具有一定的不确定性,且相互之间相互影响,用传统的变量筛选机制很难精确的界定。
综上所述的技术缺陷已严重影响了不同行业部门的土壤碳库时空动态估算工作,不仅降低了应用部门在生产加工土壤信息产品的效率与精度,同时也给国家经济规划与调控带来了潜在的损失。
发明内容
本发明所要解决的技术问题是提供一种土壤有机碳库时空动态预测最优环境变量筛选方法,不仅能够给出详细的最优环境变量选择方法,同时也能定量化表达土壤属性与环境变量的空间耦合关系,基于不同时间点的环境变量集合,能够有效筛选获得环境变量在不同时期内对于区域土壤碳库变化的影响。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种土壤有机碳库时空动态预测最优环境变量筛选方法,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,包括如下步骤:
步骤A.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,并基于预设子时间段,获得不同时期下的各土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤B;其中,总时间段由相等时间间隔的子时间段构成,子时间段小于总时间跨度,以及基于土壤样点所对应的子时间段,总时间跨度下子时间段的个数不少于3个;
步骤B.获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据,然后进入步骤C;
步骤C.根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,然后进入步骤D;
步骤D.预设定义层次分析法中、不同遴选指标属性之间的相对重要性,然后进入步骤E;
步骤E.根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,获得层次分析法中、各指定种类环境变量的遴选指标属性数据,然后进入步骤F;
步骤F.根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,然后进入步骤G;
步骤G.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合。
本发明所述一种土壤有机碳库时空动态预测最优环境变量筛选方法采用以上技术方案与现有技术相比,具有以下技术效果:。
(1)本发明设计的土壤有机碳库时空动态预测最优环境变量筛选方法,将土壤碳库估算问题中涉及到的成百上千的环境变量选择作为一个***问题,根据其隐含的信息量将众多变量分解为若干层次,在保留各变量对计算结果影响的同时,又非常明确、清晰地量化了各环境变量对土壤碳库时空变异的影响程度,实现了“多时期、多目标、多准则、高效益”的通用土壤碳库估算技术,对于无明显结构特征的土壤碳库估算工作具有重要的实践意义,在全球变化、耕地和湿地保护、政府决策、农业区划制定、农业生产与可持续发展、生态环境保护等相关部门具有十分重要的现实意义与应用价值;
(2)本发明所设计土壤有机碳库时空动态预测最优环境变量筛选方法,简洁实用,不仅融合了土壤地理学等学科的专家知识,也***地将复杂的信息筛选问题转化为容易实施的推理问题;所使用的两两比较方法,能够确定同一类型的环境变量相对于其他类型的环境变量的重要性,相对于机器学习与人工智能等领域中的复杂数学方法,本发明更易于推广;
(3)本发明所设计土壤有机碳库时空动态预测最优环境变量筛选方法,能够无缝衔接多种空间预测技术,最大程度上保证了环境变量的信息量与预测技术的模型假设“高内聚、低耦合”。静态、动态变量的分类机制在有效保证历史土壤数据与基础环境信息高效利用的同时,也降低了一般时空预测模型割裂不同时期土壤数据与动态环境变量耦合关系的缺陷。
附图说明
图1是本发明所设计土壤有机碳库时空动态预测最优环境变量筛选方法的流程示意图;
图2是层次分析法涉及到的环境变量属性与主要环境变量;
图3是对环境变量与土壤有机碳密度的皮尔逊相关系数进行比较的步骤流程图;
图4是对环境变量与土壤有机碳密度的差异性显著程度进行比较的步骤流程图;
图5是对环境变量的数值类型进行比较的步骤流程图;
图6是对环境变量是否为动态环境变量进行比较的步骤流程图;
图7是对环境变量对土壤有机碳密度的土壤发生学意义进行比较的步骤流程图;
图8是对环境变量的共线性比重进行比较的步骤流程图;
图9是对环境变量的线性回归系数的绝对值进行比较的步骤流程图;
图10是对环境变量的平均精度下降值进行比较的步骤流程图;
图11是对研究区预测的2010年0-20cm深度土壤有机碳密度空间分布图;
图12是对研究区预测的2020年0-20cm深度土壤有机碳密度空间分布图;
图13是对研究区预测的2030年0-20cm深度土壤有机碳密度空间分布图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计土壤有机碳库时空动态预测最优环境变量筛选方法的基本思想是,收集整理不同时期的土壤数据库、动态与静态的环境变量集合,根据土壤数据的时效性,规定土壤碳库模拟有效的时间段——“时间片”。依据不同景观区域内部的土壤有机碳密度信息,分析各种动态、静态环境变量的各种属性信息,进而使用层次分析法与专家知识构建特定时间片内有效的最优环境变量集合。
如图1所示,本发明设计了一种土壤有机碳库时空动态预测最优环境变量筛选方法,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,实际应用过程当中,具体包括如下步骤:
步骤A.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,并基于预设子时间段,获得不同时期下的各土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤B;其中,总时间段由相等时间间隔的子时间段构成,子时间段小于总时间跨度,以及基于土壤样点所对应的子时间段,总时间跨度下子时间段的个数不少于3个。
上述步骤A,实际应用中,具体包括如下步骤:
步骤A1.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,并将所有土壤样点的位置信息进行标准化,生成具有地理坐标的经纬度位置信息与投影坐标的经纬度位置信息。其中,地理坐标统一转换为GCS_WGS_1984,投影坐标统一转换为WGS_1984_Albers;标准化后的投影坐标记为(LongX,LatiY),基于标准化的坐标位置,使得预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤A2;其中,子时间段小于总时间跨度。
步骤A2.以子时间段t,按如下公式:
T=int(Year/t)*t
针对各个土壤样点分别设定时间片标签,即获得不同时期下的各土壤样点,然后进入步骤A3;其中,T表示土壤样点所设定的时间片标签,Year表示土壤样点的采集时间,int()表示向下取整函数。
注:如果某一个时间段的土壤数据非常少,可以从最近几年的土壤图中提取一些样点,具体数字可参考前后时间间隔内的土壤样点数量,相差数量不超过50%。
步骤A3.判断各个土壤样点所对应不同时间片标签的个数是否小于3,是则进入步骤A4,否则进入步骤B。
步骤A4.按预设增量,扩大总时间跨度,实现总时间跨度的更新,然后返回步骤A1。
步骤B.获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据,然后进入步骤C。
实际应用中,上述步骤B中,具体执行如下步骤B1至步骤B4,即获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据。
步骤B1.获得各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,如下表1所示,然后进入步骤B2。
序号 | 名称 | 缩写 | 单位 |
1 | 土壤有机碳含量 | SOC | g/kg |
2 | 容重 | BD | g/cm3 |
3 | 大于2mm的砾石含量体积百分比 | Gr | % |
4 | 土壤厚度 | T | m |
5 | 全氮 | TN | g/kg |
6 | 全磷 | TP | g/kg |
7 | 全钾 | TK | g/kg |
8 | 阳离子交换量 | CEC | cmol(+)/kg/黏粒 |
9 | 氢离子浓度指数 | pH | - |
10 | 土壤采样深度 | Depth | m |
表1
步骤B2.针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行标准化操作进行更新,然后进入步骤B3。
其中,具体执行步骤B2,针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行如下步骤B2-1至步骤B2-2,实现标准化操作进行更新。
步骤B2-1.针对各指定土壤属性数据的单位进行标准化,即针对土壤属性数据的单位进行转换统一。
步骤B2-2.针对各指定土壤属性数据进行异常值处理,其中,根据指定土壤属性数据与其所对应平均值的偏差、是否超过其所对应标准差两倍的判断,分别按如下执行不同操作;
如果s_i≥s_mean-2×s_std且s_i≤s_mean+2×s_std,则s_i不是异常值;
如果s_i<s_mean-2×s_std,则s_i是异常值,定义s_i的值为s_mean-2×s_std;
如果s_i>s_mean+2×s_std,则s_i是异常值,定义s_i的值为s_mean+2×s_std;
其中,s_i、s_mean、s_std分别是土壤属性s中的第i个值、平均值与标准差。
注:上述步骤中所设计的土壤属性数据异常值检测方法,也可采用概率统计法、PCA法、孤立森林法等方法。
步骤B3.收集覆盖目标土壤区域的各指定种类环境变量图层,然后进入步骤B4。
覆盖目标土壤区域的各指定种类环境变量图层,包含栅格与矢量等格式,常见的环境变量包括五大成土因素:时间、地形、生物、母质与气候。地形变量可以由数字高程模型衍生,包括坡度、坡向、曲率、地形湿度指数等变量;气候变量包括不同时期的降雨、气温、风速、日照时间等变量;生物变量包括不同时期的地表植被类型、土地利用及由不同时期遥感影像提取的各种变量;母质变量包括水文地质图、风化层类型等变量。部分数据可由相关数据平台申请,例如国家基础地理信息中心、国家测绘地理信息局、国家地球***科学数据共享平台等。
步骤B4.针对各指定种类环境变量图层中的环境变量数据,执行标准化操作进行更新,然后进入步骤B5。
其中,具体执行步骤B4,针对各指定种类环境变量图层中的环境变量数据,执行如下步骤B4-1至步骤B4-5,实现标准化操作进行更新。
步骤B4-1.采用预设重采样方法,将各指定种类环境变量图层转换为指定分辨率的各指定种类环境变量栅格图层,然后进入步骤B4-2。
上述栅格数据重采样方法为:双线性内插法。指定分辨率可以设定为50m、100m、250m、1000m与2000m。
注:栅格数据重采样方法也可以采用最邻近法、三次卷积插值法、众数法等方法。
步骤B4-2.将各指定种类环境变量栅格图层的坐标统一转换为预设标准的投影坐标,然后进入步骤B4-3。
步骤B4-3.针对各指定种类环境变量图层中的环境变量数据进行归一化,以消除不同环境变量量纲的差异对因变量的影响,归一化方法可以选择z-score标准化、Min-max标准化等方法,然后进入步骤B4-4。
步骤B4-4.判断各指定种类环境变量图层中是否存在缺失数据,是则选择重采样进行补充或删除该指定种类环境变量,否则进入步骤B4-5。
步骤B4-5.将各土壤样点叠加至面状的各指定种类环境变量栅格图层上,获得各土壤样点分别所对应的各指定种类环境变量数据。
步骤C.根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,按如下公式:
获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,然后进入步骤D。其中,n∈{1、…、N},N表示土壤样点的个数,SOCSn表示第n个土壤样点位置的土壤有机碳密度(kg/m2),I表示土壤样点位置土壤层次的数目,SOC_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤有机碳含量,BD_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤容重,Gr_in表示第n个土壤样点位置第i层所对应土壤属性数据中、大于2mm的砾石含量体积百分比,T_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤厚度。
注:如果部分土壤样点位置的采样深度小于预设深度,则可以采用样条函数、加权函数,拟合获得土壤样点位置对应对预设深度的土壤有机碳密度。
注:预设深度指的是土壤地表以下的固定深度值。
步骤D.预设定义层次分析法中、不同遴选指标属性之间的相对重要性,然后进入步骤E。
对环境变量的属性信息进行分类,作为层次分析模型中的计算信息。共考虑六种层次分析法的遴选指标:皮尔逊相关系数、差异性显著程度、环境变量数值类型、是否为动态环境变量、共线性比重与变量的重要性。定义如下变量来表达环境变量的属性类型,如下表2所示。
表2
上述变量的关系如图2所示。
实际应用中,上述步骤D,具体执行如下步骤D1至步骤D3,预设定义层次分析法中、不同遴选指标属性之间的相对重要性。
步骤D1.定义形式化表达式[a,b,va]或[a,b,1/va],表示遴选指标属性a与遴选指标属性b之间的相对重要程度,其中,va是范围为1~9的整数取值,[a,b,va]表示遴选指标属性a相对遴选指标属性b更加重要的程度,[a,b,1/va]表示遴选指标属性b相对遴选指标属性a更加重要的程度,va的值越大,重要程度越大。
步骤D2.基于形式化表达式,定义第一大类遴选指标属性之间的相对重要性如下:
[Pearson,Significance,3]
[Pearson,VariableType,9]
[Pearson,Soilforming,3]
[Pearson,ConMulticoll,3]
[Pearson,Importance,1/3]
[Significance,VariableType,9]
[Significance,Soilforming,1]
[Significance,ConMulticoll,1]
[Significance,Importance,1/9]
[VariableType,Soilforming,1/7]
[VariableType,ConMulticoll,1/7]
[VariableType,Importance,1/9]
[Soilforming,ConMulticoll,1/7]
[Soilforming,Importance,1/7]
[ConMulticoll,Importance,1/5]
其中,Pearson表示皮尔逊相关系数,Significance表示差异性显著程度,VariableType表示变量类型,Soilforming表示土壤发生学意义,ConMulticoll表示共线性比重,Importance表示变量重要性。
由于环境变量类型涉及两类属性:数值类型与是否为动态环境变量,变量的重要性也包含两类属性:线性回归系数与平均精度下降,因此执行如下步骤D3。
步骤D3.基于形式化表达式,定义第二大类遴选指标属性之间的相对重要性如下:
[Scenario,Numeric,3]
[Regression,MDA,1]
其中,Scenario和Numeric均属于变量类型VariableType,Scenario表示是否为动态环境变量,Numeric表示数值类型,Regression和MDA均属于变量重要性Importance,Regression表示线性回归系数的绝对值,MDA表示平均精度下降。
步骤E.根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,执行如下步骤E1至步骤E8,获得层次分析法中、各指定种类环境变量的遴选指标属性数据,然后进入步骤F。
步骤E1.获得各指定种类环境变量分别相对土壤有机碳密度的皮尔逊相关系数(Pearson),具体计算方法如下:
式中:ai是第i个环境变量。
步骤E2.获得各指定种类环境变量分别相对土壤有机碳密度的差异性显著程度。
步骤E3.确认各指定种类环境变量分别相对土壤有机碳密度的类型为分类变量或连续型变量。
步骤E4.确认各指定种类环境变量分别相对土壤有机碳密度的类型为静态环境变量或动态环境变量。
步骤E5.确认各指定种类环境变量分别相对土壤有机碳密度是否与土壤有机碳含量具有土壤发生学意义。
步骤E6.获得各指定种类环境变量分别相对土壤有机碳密度的共线性比重(ConMulticoll)。其中,环境变量ai的方差膨胀因子计算方法如下:
其中,R2表示ai对常数项与其他环境变量回归后的确定系数。
步骤E7.获得各指定种类环境变量分别相对土壤有机碳密度的线性回归系数的绝对值(Regression)。
步骤E8.获得各指定种类环境变量分别相对土壤有机碳密度的平均精度下降(MDA)。具体计算方法如下。
步骤E8-1.使用随机森林模型,构建环境变量与土壤有机碳密度(SOCS)的预测模型。
步骤E8-2.随机修改ai的值,记录预测模型的误差。
步骤E8-3.根据每一个环境变量对应的误差,设定其平均精度下降。MDA值越大,说明对应的环境变量对于预测模型越重要。
步骤F.根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,依次执行如下步骤F1至步骤F8,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,然后进入步骤G。
步骤F1.基于第k个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_ak,与第j个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_aj之间的比较,若Pearson_ak≥Pearson_aj,则进入步骤F1-1;否则进入步骤F1-2;其中,k∈{1,2,…,K},j∈{1,2,…,K},K表示指定种类环境变量的数量,ak表示第k个指定种类环境变量,aj表示第j个指定种类环境变量。
步骤F1-1.如图3所示,基于皮尔逊相关系数(Pearson),第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator1>10,且Pearson_ak>0.2,则va=4;
若Indicator1>5,且Pearson_ak>0.1,则va=2;
否则,va=1;
其中,Indicator1=Pearson_ak/Pearson_aj。
步骤F1-2.基于皮尔逊相关系数,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator2>10,且Pearson_aj>0.2,则va=1/4;
若Indicator2>5,且Pearson_aj>0.1,则va=1/2;
否则,va=1;
式中:Indicator2=Pearson_aj/Pearson_ak。
步骤F2.如图4所示,基于第k个指定种类环境变量相对目标土壤区域的差异性显著程度Significance_ak,与第j个指定种类环境变量相对目标土壤区域的差异性显著程度Significance_aj之间的比较,按如下,实现基于差异性显著程度,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator3=2,则va=9;
若Indicator3=1,则va=6;
若Indicator3=0,则va=1;
若Indicator3=-1,则va=1/6;
若Indicator3=-2,则va=1/9;
其中,Indicator3=Significance_ak-Significance_aj。
步骤F3.如图5所示,基于第k个指定种类环境变量相对目标土壤区域的数值类型Numeric_ak,与第j个指定种类环境变量相对目标土壤区域的数值类型Numeric_aj之间的比较,按如下,实现基于数值类型,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator4=1,则va=3;
若Indicator4=0,则va=1;
否则,va=1/3;
其中,Indicator4=Numeric_ak-Numeric_aj。
步骤F4.如图6所示,基于第k个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_ak,与第j个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_aj之间的比较,按如下,实现基于是否为动态环境变量,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator5=1,则va=6;
若Indicator5=0,则va=1;
否则,va=1/6。
其中,Indicator5=Scenario_ak-Scenario_aj。
步骤F5.如图7所示,基于第k个指定种类环境变量相对目标土壤区域的土壤发生学意义Soilforming_ak,与第j个指定种类环境变量相对目标土壤区域的土壤发生学意义Soilforming_aj之间的比较,按如下,实现基于土壤发生学意义,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator6=1,则va=6;
若Indicator6=2,则va=9;
若Indicator6=1,则va=6;
若Indicator6=0,则va=1;
若Indicator6=-1,则va=1/6;
若Indicator6=-2,则va=1/9;
其中,Indicator6=Soilforming_ak-Soilforming_aj。
步骤F6.如图8所示,基于第k个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_ak,与第j个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_aj之间的比较,若ConMulticoll_ak≥ConMulticoll_aj,则进入步骤F6-1;否则进入步骤F6-2。
步骤F6-1.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator7>10,且ConMulticoll_ak>10,则va=1/4;
若Indicator7>5,则va=1/3;
否则,va=1;
其中,Indicator7=ConMulticoll_ak-ConMulticoll_aj。
步骤F6-2.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator8>10,且ConMulticoll_aj>10,则va=4;
若Indicator8>5,则va=3;
否则,va=1;
其中,Indicator8=ConMulticoll_aj-ConMulticoll_ak。
F7.如图9所示,基于第k个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_ak,与第j个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_aj之间的比较,若Regression_ak≥Regression_aj,则进入步骤F7-1;否则进入步骤F7-2。
步骤F7-1.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator9>10,则va=9;
若Indicator9>5,则va=6;
否则,va=3。
其中,Indicator9=Regression_ak/Regression_aj。
步骤F7-2.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator10>10,则va=1/9;
若Indicator10>5,则va=1/6;
否则,va=1/3。
其中,Indicator10=Regression_aj/Regression_ak。
步骤F8.如图10所示,基于第k个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_ak,与第j个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_aj之间的比较,若MDA_ak≥MDA_aj,则进入步骤F8-1;否则进入步骤F8-2。
步骤F8-1.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator11>15,则va=9;
若Indicator11>10,则va=7;
若Indicator11>5,则va=5;
若Indicator11>2,则va=3;
否则,va=1。
其中,Indicator11=MDA_ak/MDA_aj。
步骤F8-2.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator12>15,则va=1/9;
若Indicator12>10,则va=1/7;
若Indicator12>5,则va=1/5;
若Indicator12>2,则va=1/3;
否则,va=1。
式中:Indicator12=MDA_aj/MDA_ak。
步骤G.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合。
实际应用当中,上述步骤G执行,具体包括如下步骤:
步骤G1.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树。
步骤G2.根据环境变量的总体贡献率进行排序,选择前预设百分比,诸如80%的环境变量,用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合。
步骤G3.根据目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,采用预设指定预测模型,预测获得不同时间片标签下、历史土壤有机碳密度空间分布图与未来土壤有机碳密度空间分布图。
下面以丹阳市有机碳库时空动态估算的最优环境变量筛选为例
丹阳市江苏省镇江市辖县级市,综合经济实力居江苏省十强县(市)第7位,地势西北高、东南低,有低山丘陵和平原,以平原为主。丹阳位于中纬度北亚热带,属海洋性气候。由于较快的经济发展节奏,导致了工业、农业土地利用变化迅速。不同土地利用条件又导致了土壤有机碳库的快速变化。以1980年以来不同部门采集的1200个土壤样点与环境变量为输入数据,土壤采样深度为0-20cm,选择有机碳库时空动态估算的最优环境变量集合。
收集1980年-2015年,共1200个土壤样点,按以10年为时间间隔,设定各土壤样点数据的时间片标签。共四个时间片标签,分别为1980、1999、2000、2010。
基于所获土壤样点,执行上述本发明所设计土壤有机碳库时空动态预测最优环境变量筛选方法,其中,步骤G中的步骤G1,构建目标土壤区域所对应土壤有机碳密度的层次分析树,具体结果见如下表3。
表3
步骤G2.根据变量的总体贡献率进行排序,选择前80%作为预测土壤有机碳密度的环境变量集合,具体选择的环境变量为:高程、河流距离、地形湿度指数、年均气温、日照、年均降雨、土地利用、坡位、邻域类型、NDVI、平面曲率、土壤类型。
步骤G3.根据目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,基于随机森林的元胞自动机模型。预测2010年、2020年、2030年土壤有机碳密度空间分布图,分别如图11、图12、图13所示。
面向土壤碳库的时空动态估算,环境变量的筛选对预测精度具有十分重要的意义。与常规的基于数据的环境变量筛选技术不同,本发明充分考虑了环境变量的属性对预测模型的综合影响,例如环境变量数值类型、是否为动态环境变量、共线性比重与变量的重要性等。这些信息的综合考虑为研究区土壤碳库的准确工程度量提供了最优环境变量集合,有效地客服了动态环境变量与土壤有机碳密度多时期影响的不确定性。该技术对于科学制定合理的工程方案、实现多尺度的土壤调查及生态***服务规划具有十分重要的指导意义。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种土壤有机碳库时空动态预测最优环境变量筛选方法,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,其特征在于,包括如下步骤:
步骤A.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,并基于预设子时间段,获得不同时期下的各土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤B;其中,总时间段由相等时间间隔的子时间段构成,子时间段小于总时间跨度,以及基于土壤样点所对应的子时间段,总时间跨度下子时间段的个数不少于3个;
步骤B.获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据,然后进入步骤C;
步骤C.根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,然后进入步骤D;
步骤D.预设定义层次分析法中、不同遴选指标属性之间的相对重要性,然后进入步骤E;
步骤E.根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,获得层次分析法中、各指定种类环境变量的遴选指标属性数据,然后进入步骤F;
步骤F.根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,然后进入步骤G;
步骤G.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合。
2.根据权利要求1所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤A包括如下步骤:
步骤A1.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤A2;其中,子时间段小于总时间跨度;
步骤A2.以子时间段t,按如下公式:
T=int(Year/t)*t
针对各个土壤样点分别设定时间片标签,即获得不同时期下的各土壤样点,然后进入步骤A3;
其中,T表示土壤样点所设定的时间片标签,Year表示土壤样点的采集时间,int()表示向下取整函数;
步骤A3.判断各个土壤样点所对应不同时间片标签的个数是否小于3,是则进入步骤A4,否则进入步骤B;
步骤A4.按预设增量,扩大总时间跨度,实现总时间跨度的更新,然后返回步骤A1。
3.根据权利要求2所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B中,执行如下步骤B1至步骤B4,即获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据;
步骤B1.获得各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,然后进入步骤B2;
步骤B2.针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行标准化操作进行更新,然后进入步骤B3;
步骤B3.收集覆盖目标土壤区域的各指定种类环境变量图层,然后进入步骤B4;
步骤B4.针对各指定种类环境变量图层中的环境变量数据,执行标准化操作进行更新,然后进入步骤B5。
4.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B2中,针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行如下步骤B2-1至步骤B2-2,实现标准化操作进行更新;
步骤B2-1.针对各指定土壤属性数据的单位进行标准化;
步骤B2-2.针对各指定土壤属性数据进行异常值处理,其中,根据指定土壤属性数据与其所对应平均值的偏差、是否超过其所对应标准差两倍的判断,分别按如下执行不同操作;
如果s_i≥s_mean-2×s_std且s_i≤s_mean+2×s_std,则s_i不是异常值;
如果s_i<s_mean-2×s_std,则s_i是异常值,定义s_i的值为s_mean-2×s_std;
如果s_i>s_mean+2×s_std,则s_i是异常值,定义s_i的值为s_mean+2×s_std;
其中,s_i、s_mean、s_std分别是土壤属性s中的第i个值、平均值与标准差。
5.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B4中,针对各指定种类环境变量图层中的环境变量数据,执行如下步骤B4-1至步骤B4-5,实现标准化操作进行更新;
步骤B4-1.采用预设重采样方法,将各指定种类环境变量图层转换为指定分辨率的各指定种类环境变量栅格图层,然后进入步骤B4-2;
步骤B4-2.将各指定种类环境变量栅格图层的坐标统一转换为预设标准的投影坐标,然后进入步骤B4-3;
步骤B4-3.针对各指定种类环境变量图层中的环境变量数据进行归一化,然后进入步骤B4-4;
步骤B4-4.判断各指定种类环境变量图层中是否存在缺失数据,是则选择重采样进行补充或删除该指定种类环境变量,否则进入步骤B4-5;
步骤B4-5.将各土壤样点叠加至面状的各指定种类环境变量栅格图层上,获得各土壤样点分别所对应的各指定种类环境变量数据。
6.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤C中,根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,按如下公式:
获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,其中,n∈{1、…、N},N表示土壤样点的个数,SOCSn表示第n个土壤样点位置的土壤有机碳密度,I表示土壤样点位置土壤层次的数目,SOC_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤有机碳含量,BD_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤容重,Gr_in表示第n个土壤样点位置第i层所对应土壤属性数据中、大于2mm的砾石含量体积百分比,T_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤厚度。
7.根据权利要求6所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤D中,执行如下步骤D1至步骤D3,预设定义层次分析法中、不同遴选指标属性之间的相对重要性;
步骤D1.定义形式化表达式[a,b,va]或[a,b,1/va],表示遴选指标属性a与遴选指标属性b之间的相对重要程度,其中,va是范围为1~9的整数取值,[a,b,va]表示遴选指标属性a相对遴选指标属性b更加重要的程度,[a,b,1/va]表示遴选指标属性b相对遴选指标属性a更加重要的程度,va的值越大,重要程度越大;
步骤D2.基于形式化表达式,定义第一大类遴选指标属性之间的相对重要性如下:
[Pearson,Significance,3]
[Pearson,VariableType,9]
[Pearson,Soilforming,3]
[Pearson,ConMulticoll,3]
[Pearson,Importance,1/3]
[Significance,VariableType,9]
[Significance,Soilforming,1]
[Significance,ConMulticoll,1]
[Significance,Importance,1/9]
[VariableType,Soilforming,1/7]
[VariableType,ConMulticoll,1/7]
[VariableType,Importance,1/9]
[Soilforming,ConMulticoll,1/7]
[Soilforming,Importance,1/7]
[ConMulticoll,Importance,1/5]
其中,Pearson表示皮尔逊相关系数,Significance表示差异性显著程度,VariableType表示变量类型,Soilforming表示土壤发生学意义,ConMulticoll表示共线性比重,Importance表示变量重要性;
步骤D3.基于形式化表达式,定义第二大类遴选指标属性之间的相对重要性如下:
[Scenario,Numeric,3]
[Regression,MDA,1]
其中,Scenario和Numeric均属于变量类型VariableType,Scenario表示是否为动态环境变量,Numeric表示数值类型,Regression和MDA均属于变量重要性Importance,Regression表示线性回归系数的绝对值,MDA表示平均精度下降。
8.根据权利要求7所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤E中,根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,执行如下步骤E1至步骤E8,获得层次分析法中、各指定种类环境变量的遴选指标属性数据;
步骤E1.获得各指定种类环境变量分别相对土壤有机碳密度的皮尔逊相关系数;
步骤E2.获得各指定种类环境变量分别相对土壤有机碳密度的差异性显著程度;
步骤E3.确认各指定种类环境变量分别相对土壤有机碳密度的类型为分类变量或连续型变量;
步骤E4.确认各指定种类环境变量分别相对土壤有机碳密度的类型为静态环境变量或动态环境变量;
步骤E5.确认各指定种类环境变量分别相对土壤有机碳密度是否与土壤有机碳含量具有土壤发生学意义;
步骤E6.获得各指定种类环境变量分别相对土壤有机碳密度的共线性比重;
步骤E7.获得各指定种类环境变量分别相对土壤有机碳密度的线性回归系数的绝对值;
步骤E8.获得各指定种类环境变量分别相对土壤有机碳密度的平均精度下降。
9.根据权利要求8所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤F中,根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,依次执行如下步骤F1至步骤F8,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性;
步骤F1.基于第k个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_ak,与第j个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_aj之间的比较,若Pearson_ak≥Pearson_aj,则进入步骤F1-1;否则进入步骤F1-2;其中,k∈{1,2,…,K},j∈{1,2,…,K},K表示指定种类环境变量的数量,ak表示第k个指定种类环境变量,aj表示第j个指定种类环境变量;
步骤F1-1.基于皮尔逊相关系数,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator1>10,且Pearson_ak>0.2,则va=4;
若Indicator1>5,且Pearson_ak>0.1,则va=2;
否则,va=1;
其中,Indicator1=Pearson_ak/Pearson_aj;
步骤F1-2.基于皮尔逊相关系数,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator2>10,且Pearson_aj>0.2,则va=1/4;
若Indicator2>5,且Pearson_aj>0.1,则va=1/2;
否则,va=1;
式中:Indicator2=Pearson_aj/Pearson_ak;
步骤F2.基于第k个指定种类环境变量相对目标土壤区域的差异性显著程度Significance_ak,与第j个指定种类环境变量相对目标土壤区域的差异性显著程度Significance_aj之间的比较,按如下,实现基于差异性显著程度,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator3=2,则va=9;
若Indicator3=1,则va=6;
若Indicator3=0,则va=1;
若Indicator3=-1,则va=1/6;
若Indicator3=-2,则va=1/9;
其中,Indicator3=Significance_ak-Significance_aj;
步骤F3.基于第k个指定种类环境变量相对目标土壤区域的数值类型Numeric_ak,与第j个指定种类环境变量相对目标土壤区域的数值类型Numeric_aj之间的比较,按如下,实现基于数值类型,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator4=1,则va=3;
若Indicator4=0,则va=1;
否则,va=1/3;
其中,Indicator4=Numeric_ak-Numeric_aj;
步骤F4.基于第k个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_ak,与第j个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_aj之间的比较,按如下,实现基于是否为动态环境变量,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator5=1,则va=6;
若Indicator5=0,则va=1;
否则,va=1/6。
其中,Indicator5=Scenario_ak-Scenario_aj;
步骤F5.基于第k个指定种类环境变量相对目标土壤区域的土壤发生学意义Soilforming_ak,与第j个指定种类环境变量相对目标土壤区域的土壤发生学意义Soilforming_aj之间的比较,按如下,实现基于土壤发生学意义,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator6=1,则va=6;
若Indicator6=2,则va=9;
若Indicator6=1,则va=6;
若Indicator6=0,则va=1;
若Indicator6=-1,则va=1/6;
若Indicator6=-2,则va=1/9;
其中,Indicator6=Soilforming_ak-Soilforming_aj;
步骤F6.基于第k个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_ak,与第j个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_aj之间的比较,若ConMulticoll_ak≥ConMulticoll_aj,则进入步骤F6-1;否则进入步骤F6-2;
步骤F6-1.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator7>10,且ConMulticoll_ak>10,则va=1/4;
若Indicator7>5,则va=1/3;
否则,va=1;
其中,Indicator7=ConMulticoll_ak-ConMulticoll_aj;
步骤F6-2.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator8>10,且ConMulticoll_aj>10,则va=4;
若Indicator8>5,则va=3;
否则,va=1;
其中,Indicator8=ConMulticoll_aj-ConMulticoll_ak;
F7.基于第k个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_ak,与第j个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_aj之间的比较,若Regression_ak≥Regression_aj,则进入步骤F7-1;否则进入步骤F7-2;
步骤F7-1.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator9>10,则va=9;
若Indicator9>5,则va=6;
否则,va=3。
其中,Indicator9=Regression_ak/Regression_aj;
步骤F7-2.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator10>10,则va=1/9;
若Indicator10>5,则va=1/6;
否则,va=1/3。
其中,Indicator10=Regression_aj/Regression_ak;
步骤F8.基于第k个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_ak,与第j个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_aj之间的比较,若MDA_ak≥MDA_aj,则进入步骤F8-1;否则进入步骤F8-2;
步骤F8-1.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator11>15,则va=9;
若Indicator11>10,则va=7;
若Indicator11>5,则va=5;
若Indicator11>2,则va=3;
否则,va=1。
其中,Indicator11=MDA_ak/MDA_aj;
步骤F8-2.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator12>15,则va=1/9;
若Indicator12>10,则va=1/7;
若Indicator12>5,则va=1/5;
若Indicator12>2,则va=1/3;
否则,va=1。
式中:Indicator12=MDA_aj/MDA_ak。
10.根据权利要求9所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤G,包括如下步骤:
步骤G1.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树;
步骤G2.根据环境变量的总体贡献率进行排序,选择前预设百分比的环境变量,用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合;
步骤G3.根据目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,采用预设指定预测模型,预测获得不同时间片标签下、历史土壤有机碳密度空间分布图与未来土壤有机碳密度空间分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810365926.9A CN108764527B (zh) | 2018-04-23 | 2018-04-23 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810365926.9A CN108764527B (zh) | 2018-04-23 | 2018-04-23 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764527A true CN108764527A (zh) | 2018-11-06 |
CN108764527B CN108764527B (zh) | 2020-06-09 |
Family
ID=64011540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810365926.9A Active CN108764527B (zh) | 2018-04-23 | 2018-04-23 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764527B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508569A (zh) * | 2020-03-19 | 2020-08-07 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
CN112116070A (zh) * | 2020-09-07 | 2020-12-22 | 北方工业大学 | 地铁车站环境参数监测方法及装置 |
CN112198299A (zh) * | 2020-09-29 | 2021-01-08 | 南京林业大学 | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 |
CN112990330A (zh) * | 2021-03-26 | 2021-06-18 | 国网河北省电力有限公司营销服务中心 | 用户用能异常数据检测方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2017053273A1 (en) * | 2014-09-12 | 2017-03-30 | The Climate Corporation | Estimating intra-field properties within a field using hyperspectral remote sensing |
CN106934491A (zh) * | 2017-02-23 | 2017-07-07 | 北京农业信息技术研究中心 | 一种土壤修复技术筛选方法及装置 |
CN106980750A (zh) * | 2017-02-23 | 2017-07-25 | 中国科学院南京土壤研究所 | 一种基于典型对应分析的土壤氮储量估算方法 |
-
2018
- 2018-04-23 CN CN201810365926.9A patent/CN108764527B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017053273A1 (en) * | 2014-09-12 | 2017-03-30 | The Climate Corporation | Estimating intra-field properties within a field using hyperspectral remote sensing |
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 |
CN106934491A (zh) * | 2017-02-23 | 2017-07-07 | 北京农业信息技术研究中心 | 一种土壤修复技术筛选方法及装置 |
CN106980750A (zh) * | 2017-02-23 | 2017-07-25 | 中国科学院南京土壤研究所 | 一种基于典型对应分析的土壤氮储量估算方法 |
Non-Patent Citations (1)
Title |
---|
邱霞霞等: "复杂地区土壤调查样点可达性研究—以我国西北黑河流域为例", 《土壤》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508569A (zh) * | 2020-03-19 | 2020-08-07 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
WO2021184550A1 (zh) * | 2020-03-19 | 2021-09-23 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
US11600363B2 (en) | 2020-03-19 | 2023-03-07 | Institute Of Soil Science, Chinese Academy Of Sciences | PTF-based method for predicting target soil property and content |
CN111508569B (zh) * | 2020-03-19 | 2023-05-09 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
CN112116070A (zh) * | 2020-09-07 | 2020-12-22 | 北方工业大学 | 地铁车站环境参数监测方法及装置 |
CN112116070B (zh) * | 2020-09-07 | 2024-04-05 | 北方工业大学 | 地铁车站环境参数监测方法及装置 |
CN112198299A (zh) * | 2020-09-29 | 2021-01-08 | 南京林业大学 | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 |
CN112990330A (zh) * | 2021-03-26 | 2021-06-18 | 国网河北省电力有限公司营销服务中心 | 用户用能异常数据检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108764527B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brzeziecki et al. | A simulated map of the potential natural forest vegetation of Switzerland | |
CN105699624B (zh) | 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN108701274A (zh) | 一种城市小尺度空气质量指数预测方法与*** | |
CN108764527A (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN106980603B (zh) | 基于土壤类型归并与多元回归的土壤锰含量预测方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
CN105243435A (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN105760970A (zh) | 空气质量指数的预测方法 | |
CN104020274A (zh) | 一种林地立地质量遥感量化估测的方法 | |
CN109002627A (zh) | 基于灰色神经网络ca模型的城市规划方案热岛模拟预测方法 | |
Zhan et al. | Factors and mechanism driving the land-use conversion in Jiangxi Province | |
Joorabian Shooshtari et al. | Land use and cover change assessment and dynamic spatial modeling in the Ghara-su Basin, Northeastern Iran | |
CN105354781A (zh) | 农村空心化程度预警*** | |
CN115994685A (zh) | 一种国土空间规划现状评估方法 | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN116663779B (zh) | 耕地土壤多深度肥力点面转换方法及装置 | |
KR20050063615A (ko) | 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법 | |
Liu et al. | Soil polygon disaggregation through similarity-based prediction with legacy pedons | |
Alamanos | 03-DROUGHT MONITORING, PRECIPITATION STATISTICS, AND WATER BALANCE WITH FREELY AVAILABLE REMOTE SENSING DATA: EXAMPLES, ADVANCES, AND LIMITATIONS | |
Abkharima et al. | World experience in the use of GIS technologies in solving problems of sustainable development of the city | |
Tian et al. | From statistics to grids: A two-level model to simulate crop pattern dynamics |
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 |