论文部分内容阅读
土壤质地是土壤的重要物理性质之一,不同质地的土壤,其孔隙度、通透性、热容量、保蓄性、温变和耕性等土壤性质不相同,影响土壤水分、养分、热量和空气的转化,是水文模型、陆面过程模型和耦合陆面过程大气模型的重要输入变量。重庆市位于我国内陆西南部,地形地貌复杂,全市约98%的土地为山地和丘陵,土壤质地类型具有较强的空间异质性。土壤质地类型测定方法主要有两类,精度最高的是实验室法,其通过对土壤粒径进行检测,并结合土壤质地划分标准,确定土壤质地类型,但这种方法时间成本和经济成本较高,通过该方法获取大尺度上的土壤质地类型数据较为困难。实际研究中,通常采用的是手测法,其被认为是一种适合于替代实验室法判定土壤质地类型的方法,根据土壤物理机械特性(粘结性和可塑性)的表现程度来确定土壤质地类型,一般可分为粘土、壤土和砂土三种类型。在更大尺度上,经典统计学和地统计学模型虽然可以进行土壤质地类型预测,但其误差不容忽视,不能很好的满足相关研究的需求,尚缺乏适宜在小流域尺度进行土壤质地空间分布预测方法。在成土母质和人类活动相对一致的条件下,地形因素显著影响土壤质地的空间分布。为此,基于有限的土壤质地样本,建立地形因素与土壤质地类型的相互联系,分析确定适合不同区域的最优预测模型,以快速、低成本地获得土壤质地类型空间分布数据,可为当前研究区水分循环模拟和农业生产规划等提供依据和数据支持,也可为其他小流域开展土壤质地类型空间分布预测提供方法借鉴,对于提高相关研究结果的准确性具有重要科学意义。本文根据重庆市主要土壤成土母质形成的土壤类型,兼顾主要的地形地貌特征(山地、丘陵),选取四种土壤类型(黄壤、石灰岩土、中性紫色土和石灰性紫色土)所在的典型小流域作为研究区,提取相关地形指数,综合运用支持向量机-多项式、支持向量机-高斯半径、人工神经网络、分类树和随机森林五种机器学习算法,开展地形因素对土壤质地类型空间分布影响研究,探究各研究区的最优预测模型;在此基础上,引入坡耕地类型变量(坡地、梯地)反映人类活动对微地形的改变,研究其对土壤质地类型空间变化的影响;利用不同时相遥感数据(陆地卫星Landsat 5和Landsat 8)提取归一化植被指数(NDVI),探讨采用一对一、一对多和混合分类策略,以及地形因素、成土母质和NDVI多种数据组合下,进行土壤质地类型空间分布预测的最佳分类策略和数据集组合。研究结果表明:(1)不同类型母质发育的土壤,其质地构成有明显差异。在成土母质为三叠系须家河组砂岩的黄壤小流域,共采集495个土壤样本,粘土、壤土和砂土的样本数分别为11、445和39个,其比例分别为2.2%、89.9%和7.9%;在成土母质为三叠系大冶组灰岩的石灰岩土小流域,共采集537个土壤样本,粘土、壤土和砂土的样本数分别为52、409和76个,其比例分别为9.7%、76.2%和14.1%;在成土母质为侏罗系沙溪庙组砂泥岩的中性紫色土小流域,共采集727个土壤样本,粘土、壤土和砂土的样本数分别为131、341和255个,其比例分别为18%、46.9%、35.1%;在成土母质为侏罗系遂宁组砂泥岩的石灰性紫色土小流域,共采集3636个土壤样本,粘土、壤土和砂土的样本数分别为1872、1764和0个,其比例分别为51.5%、48.5%和0%。这进一步说明,成土母质显著影响着土壤质地类型的构成。(2)不同的土壤质地类型有其对应的强关联地形指数。粘土主要分布的区域,海拔(Elevation)较低,地形湿度指数(TWI)和谷底平整度多分辨率指数(MRVBF)较高;壤土主要分布的区域,Elevation和脊顶平整度多分辨率指数(MRRTF)较高、坡度(Slope)较小;砂土主要分布的区域,其Slope、矢量稳健性测度(VRM)和流道长度(Flow_PathL)较高,TWI较低。研究发现,MRVBF和MRRTF在识别粘土和壤土时,有较强的指示作用。(3)运用机器学习模型均可利用地形因素进行土壤质地类型预测,但精度有所差异。黄壤和石灰岩土小流域(中低山区)的最佳模型是支持向量机-多项式(C=90、P=3),总体精度和Kappa系数分别为0.943和0.79;中性紫色土小流域(丘陵区)的最佳模型是随机森林(mtry=3、ntree=500),总体精度和Kappa系数分别为0.656和0.601;石灰性紫色土小流域(丘陵区)的最佳模型也是参数一致的随机森林,总体精度和Kappa系数分别为0.43和0.20,虽然预测精度有所下降,但都达到了显著性要求。应用各研究区的最佳模型制作了土壤质地类型空间分布预测图,总体而言,支持向量机-多项式模型和随机森林模型表现出更好的预测精度。(4)影响土壤质地类型分布的地形指数存在差异性。通过研究区的最优预测模型计算得出,在黄壤和石灰岩土小流域,Elevation、低地地形分类指数(TCI_Low)和Flow_PathL对土壤质地类型分布预测的相对重要性大于70%,按重要性从高到低排序为,Elevation>TCI_Low>Flow_PathL>VRM>坡高(Slope_Heig)>TWI>Slope>坡长(Slope_Leng)>汇流动力指数(SPI)>MRVBF>MRRTF;在中性紫色土小流域,Elevation是最重要的影响因子,VRM、Slope_Heig和TWI的相对重要性在30~52%之间,排序为Elevation>TWI>Slope_Heig>VRM>MRRTF>TCI_Low>SPI>Flow_PathL>Slope>Flow_Accum>Slope_Leng>MRVBF;在石灰性紫色土小流域,Elevation的相对重要性最大,其次是TWI,相对重要性达到了89.9%,坡度相关指数(Slope和Slope_Height)以及MRRTF的相对重要性介于65.1~71.2%之间,排序为Elevation>TWI>Slope>Slope_Heig>MRRTF>MRVBF>VRM>Flow_Accum>SPI>Flow_PathL>Slope_Leng。(5)地形因素和人类活动对土壤质地变化有较大影响。在石灰性紫色土小流域,以坡耕地类型(坡地和梯地)代表人类活动的强弱进行了调查,样本数分别为2502和1134个,将坡耕地类型变量引入随机森林模型进行计算,整个研究区的总体精度和Kappa系数分别为0.66和0.31,较原最优模型的总体精度和Kappa系数(0.60和0.20)分别提升9.8%和55%,显著提升了模型预测精度。分别研究地形指数对坡地和梯地中土壤质地变化的影响,对应的预测模型总体精度和Kappa系数分别为0.64、0.27和0.69、0.24。计算结果显示,坡耕地类型(坡地、梯地)显著影响研究区土壤质地类型变化;单独对坡地而言,TWI和Slope_Heig的相对重要性大于90%;单独对梯地而言,Elevation是影响土壤质地类型变化的最重要变量。(6)遥感数据能够辅助地形因素进一步识别土壤质地类型。在黄壤和石灰岩土小流域,利用不同时相遥感数据(陆地卫星Landsat 5和Landsat 8),选取能代表春(Day Of Year,DOY 116)、夏(DOY 244)、秋(DOY 284)、冬(DOY 351)四个季节的遥感影像数据,使用ENVI完成辐射校准和大气校正的预处理,通过计算得到NDVI,并采用分类树(父节点=3、子节点=1、树深=5)进行土壤质地类型空间分布预测。结果表明,一对一分类策略下,独立应用NDVI的模型总体精度和Kappa系数分别为0.939和0.781;独立应用地形指数和成土母质的模型总体精度和Kappa系数分别为0.935和0.764;综合应用NDVI加上地形指数和成土母质组合为输入数据的模型更优,其总体精度和Kappa系数分别为0.975和0.918,对粘土、壤土和砂土的识别改进分别为144%,0%和14%。这说明在使用地形指数和成土母质进行土壤质地类型预测的基础上,能够通过引入NDVI提高从壤土和砂土中识别粘土的准确性,并确定9月1日为本研究区进行土壤质地类型空间分布预测的最佳遥感时相。