论文部分内容阅读
土壤有机质(Soil Organic Matter,SOM)是土壤肥力评价的重要指标,是土壤生态系统评价的重要内容。土壤有机质含量的空间分布受气候、母质、生物、地形、时间及人为因素等诸多环境因素的复杂影响,探究环境因子对土壤有机质的影响机制,分析土壤有机质与环境因子间的数学关系,建立土壤有机质空间拟合预测模型对于研究其空间分布特征、科学化田间管理、完善生态系统服务评估体系具有重要意义。为更好地拟合土壤有机质的空间分布,本文从多重环境变量降维角度出发,以经典统计、主成分分析及机器学习算法为工具,选择和提取最佳解释变量,挖掘环境变量信息,建立土壤有机质和解释变量的回归拟合模型,并对不同模型的适应性进行评价;利用地统计对回归拟合残差空间特征进行分析,预测土壤有机质的空间分布,主要结果如下:1.分析土壤有机质与环境变量的相关性及环境变量的信息可压缩性,对环境变量进行降维处理。Pearson’s相关系数分析表明土壤有机质含量与坡度、高程、地表粗糙度、相对高程、剖面曲率、平面曲率以及沉积物运移指数之间存在显著相关关系,逐步回归分析将地表粗糙度、剖面曲率、高程和平面曲率作为解释变量纳入多元线性回归方程中,实现了环境变量的降维。主成分分析对原始环境变量信息进行压缩,将原始的11个环境变量76.0%的信息提取至4个相互无关的主成分中,消除了变量间的多重共线性,实现了环境信息的降维。2.建立多元线性回归模型、主成分回归模型、偏最小二乘回归模型、神经网络模型和支持向量机回归模型等土壤有机质回归拟合模型。机器学习算法的引入可以提高对环境变量信息的挖掘程度,减少相关分析和主成分分析导致的环境信息浪费。对于所建立的拟合模型:(1)从响应时间来看,基于机器学习算法的回归模型响应时间明显长于传统的线性回归模型,其中神经网络的响应时间达到7200s;(2)从拟合度来看,以多元线性回归模型为参考,除主成分回归模型外,其它回归模型的拟合度均有提高;(3)从最小信息量准则来看,神经网络模型和支持向量机模型相较于多元线性回归模型、主成分回归模型和偏最小二乘回归模型有更好的拟合效果。3.回归拟合模型没有考虑土壤有机质的空间自相关性,将回归拟合模型不能解释的残差部分进行空间变异分析,建立普通克里格模型,并与作为趋势项的回归拟合模型相结合对研究区土壤有机质进行空间预测,预测结果显示不同模型的预测结果分布趋势类似。土壤有机质在区域内呈现差异化分布,西南部含量较高,东北部含量较低,分布特征与研究区由东北平原向西南丘陵地带过渡的地形特征相吻合。多元线性回归克里格模型预测结果与纳入模型的环境变量的空间分布规律相似;主成分回归克里格模型在保留图斑数量丰富的情况下对破碎图斑进行了合并;偏最小二乘回归克里格模型预测结果图斑数量进一步减少,且图斑与图斑之间的过渡曲线明显;神经网络克里格模型能够准确预测出土壤有机质低值区的差异性,说明其在平缓地区对地形信息的挖掘优于其它模型;支持向量机克里格模型预测结果高值区和低值区过渡模糊,图斑数量较多,提高了信息丰富程度。