Chinese Agricultural Science Bulletin ›› 2024, Vol. 40 ›› Issue (20): 146-153.doi: 10.11924/j.issn.1000-6850.casb2023-0618
Previous Articles Next Articles
LI Ying1(), E Shengzhe1(
), ZHAO Tianxin1, YUAN Jinhua1, LIU Yana2, LU Gangbin2, ZHANG Peng2
Received:
2023-08-23
Revised:
2023-12-22
Online:
2024-07-15
Published:
2024-07-11
LI Ying, E Shengzhe, ZHAO Tianxin, YUAN Jinhua, LIU Yana, LU Gangbin, ZHANG Peng. Research Progress on Digital Soil Mapping Methods[J]. Chinese Agricultural Science Bulletin, 2024, 40(20): 146-153.
Add to citation manager EndNote|Ris|BibTeX
URL: https://www.casb.org.cn/EN/10.11924/j.issn.1000-6850.casb2023-0618
名称 | 数据描述 | 数据来源 | 影响土壤原理 |
---|---|---|---|
土壤 | 土壤属性,土壤类型, 土壤专家知识 | 遥感,试验分析,土壤专家 知识和经验,土壤图, 遗留土壤数据 | 利用已知的土壤属性通过建立函数关系 得到未知土壤属性[ |
气候 | 气温、降雨量、潜在蒸散量、 太阳辐射量、地表温度、干燥度等 | 气象站和 遥感资料 | 气候主要是通过温度、湿度、蒸发及降水等因素 影响土壤的形成方向及空间分布特征, 直接决定着土壤中的水热条件和物质的合成与分解[ |
地形 | 海拔、坡度、坡向、平面曲率、剖面曲率、 与河流的距离、与山脊的距离、 地形湿度指数、坡位等 | 数字高程模型(DEM) | 地形因素通过影响物质、能量的分配并作用于土壤, 其次通过影响区域气候和植被生长类型, 进而影响土壤属性的空间分布格局[ |
母质 | 常用地质图或地貌图来代替 土壤母质分布图 | 地质图、遥感、 专家知识 | 母质作为土壤形成的物质基础,其粒度直接决定着土壤的质地, 化学成分决定土壤养分的高低[ |
生物 | 土地利用类型、植被类型、归一化植被指数(NDVI)、增强植被指数(EVI)、叶面积指数(LAI)、植被净初级生产力(NPP)、 林冠郁闭度(Canopy Closure, CC)等 | 遥感资料、植被图、 野外调查 | 生物因子通过影响土壤有机物的合成与分解、 土壤结构的形成及物质的搬运等, 进而影响土壤的类型与空间分布特征[ |
位置 | 相对位置 | GPS测定 | 空间位置变化通过影响水热变化而对土壤属性 空间分布产生影响,同时空间位置还可以反映 空间因素的分布特征[ |
时间 | 成土时间 | 地表电磁探测、专家估计 | 土壤性质与肥力会随着时间的变化而变化。 但在目前研究中,由于时间因素难以定量化, 所以难以将其用在土壤属性的预测中[ |
名称 | 数据描述 | 数据来源 | 影响土壤原理 |
---|---|---|---|
土壤 | 土壤属性,土壤类型, 土壤专家知识 | 遥感,试验分析,土壤专家 知识和经验,土壤图, 遗留土壤数据 | 利用已知的土壤属性通过建立函数关系 得到未知土壤属性[ |
气候 | 气温、降雨量、潜在蒸散量、 太阳辐射量、地表温度、干燥度等 | 气象站和 遥感资料 | 气候主要是通过温度、湿度、蒸发及降水等因素 影响土壤的形成方向及空间分布特征, 直接决定着土壤中的水热条件和物质的合成与分解[ |
地形 | 海拔、坡度、坡向、平面曲率、剖面曲率、 与河流的距离、与山脊的距离、 地形湿度指数、坡位等 | 数字高程模型(DEM) | 地形因素通过影响物质、能量的分配并作用于土壤, 其次通过影响区域气候和植被生长类型, 进而影响土壤属性的空间分布格局[ |
母质 | 常用地质图或地貌图来代替 土壤母质分布图 | 地质图、遥感、 专家知识 | 母质作为土壤形成的物质基础,其粒度直接决定着土壤的质地, 化学成分决定土壤养分的高低[ |
生物 | 土地利用类型、植被类型、归一化植被指数(NDVI)、增强植被指数(EVI)、叶面积指数(LAI)、植被净初级生产力(NPP)、 林冠郁闭度(Canopy Closure, CC)等 | 遥感资料、植被图、 野外调查 | 生物因子通过影响土壤有机物的合成与分解、 土壤结构的形成及物质的搬运等, 进而影响土壤的类型与空间分布特征[ |
位置 | 相对位置 | GPS测定 | 空间位置变化通过影响水热变化而对土壤属性 空间分布产生影响,同时空间位置还可以反映 空间因素的分布特征[ |
时间 | 成土时间 | 地表电磁探测、专家估计 | 土壤性质与肥力会随着时间的变化而变化。 但在目前研究中,由于时间因素难以定量化, 所以难以将其用在土壤属性的预测中[ |
地形 | 分区规则 | 环境变量 | 推荐模型 |
---|---|---|---|
平原 | 海拔:≤200 m 地貌:宽广平坦、起伏很小 | 主要因素:气候、生物、土地利用 次要因素:母质、地形 | 普通克里格、地理加权回归克里格、 随机森林、反距离加权 |
丘陵 | 海拔:>200 m且≤500 m 地貌:高低起伏、坡度较缓、 由连绵不断的低矮山丘组成 | 主要因素:地形、母质、生物 次要因素:气候、土地利用 | 地理加权回归克里格、随机森林回归克里格、 其他机器学习方法 |
山地 | 海拔:>500 m 地貌:地表形态奇特多样,或相互重叠、 犬牙交错,或彼此平行、绵延千里 | 主要因素:气候、生物、地形 次要因素:母质、土地利用 | 地理加权回归克里格、随机森林回归克里格、 其他机器学习方法 |
高原 | 海拔:>1000 m 地貌:面积较大、顶面起伏较小、 周围形成陡坡的高地 | 主要因素:气候、生物、地形 次要因素:母质、土地利用 | 普通克里格、地理加权回归克里格、随机森林、 回归克里格、其他机器学习方法 |
盆地 | 地貌:四周高(山地或高原)、 中部低(平原或丘陵)的盆状地形 | 主要因素:气候、生物、土地利用、地形 次要因素:母质 | 地理加权回归克里格、 随机森林、其他机器学习方法 |
地形 | 分区规则 | 环境变量 | 推荐模型 |
---|---|---|---|
平原 | 海拔:≤200 m 地貌:宽广平坦、起伏很小 | 主要因素:气候、生物、土地利用 次要因素:母质、地形 | 普通克里格、地理加权回归克里格、 随机森林、反距离加权 |
丘陵 | 海拔:>200 m且≤500 m 地貌:高低起伏、坡度较缓、 由连绵不断的低矮山丘组成 | 主要因素:地形、母质、生物 次要因素:气候、土地利用 | 地理加权回归克里格、随机森林回归克里格、 其他机器学习方法 |
山地 | 海拔:>500 m 地貌:地表形态奇特多样,或相互重叠、 犬牙交错,或彼此平行、绵延千里 | 主要因素:气候、生物、地形 次要因素:母质、土地利用 | 地理加权回归克里格、随机森林回归克里格、 其他机器学习方法 |
高原 | 海拔:>1000 m 地貌:面积较大、顶面起伏较小、 周围形成陡坡的高地 | 主要因素:气候、生物、地形 次要因素:母质、土地利用 | 普通克里格、地理加权回归克里格、随机森林、 回归克里格、其他机器学习方法 |
盆地 | 地貌:四周高(山地或高原)、 中部低(平原或丘陵)的盆状地形 | 主要因素:气候、生物、土地利用、地形 次要因素:母质 | 地理加权回归克里格、 随机森林、其他机器学习方法 |
类别 | 概念 | 方法 | 优势 | 局限 |
---|---|---|---|---|
地统计学 方法 | 地统计学方法是以区域化变量为理论基础,结合变异函数,利用样本数据进行空间插值,最终确定变量的空间分布,实现制图的目的 | 普通克里格(OK) 泛克里格(UK) 协同克里格(CK) 回归克里格(RK) 地理加权回归克里格(GWRK)经验贝叶斯克里格(EBK) | 简单、易操作、效率高 | 样点的数量与空间分布是该方法的核心,要求样本满足二阶平稳假设,可移植性较差 |
确定性插值 | 该方法是以区域内部相似性或以平滑度为基础,由已知的样点进行插值 | 反距离加权法 最邻近法 样条插值法 | 简单、易操作、效率高 | 样点的数量足够。 且在空间上分布均匀 |
数理统计 | 数理统计方法根据已知样点土壤属性,利用统计关系探索并建立其与环境因素之间的函数关系,用以推测土壤属性的空间分布 | 多元线性回归(MLR)、 广义多元线性 回归(GMLR)、 判别分析(DA) | 简单直观,且能表达土壤属性与环境因子之间的相关关系 | 此类方法的前提是土壤属性与环境因子呈线性相关,且需要大量的样本去提取该关系。其次对小尺度地区较使用,但对大尺度区域不一定适用 |
机器学习 | 机器学习模型利用机器学习与数据挖掘方法,提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布, | 人工神经网络(ANN) 分类与回归树(CART) 随机森林(RF) 支持向量机(SVM)、 深度学习(DL) | 该方法可解决土壤属性与环境变量的非线性问题,且对数据分布没有要求 | 易过度拟合、不易 直观的解释土壤 属性与环境因子 之间的关系 |
专家知识 模型 | 专家知识模型是基于地理相似性原理的土壤—景观推理模型。通过构建土壤与环境因子之间的隶属度函数,以此来确定未知点的土壤属性 | 贝叶斯网络模糊逻辑推理方法 | 该方法可以提高土壤调查的效率与更新,同时可以保证土壤属性空间分布的细节和精度的质量 | 环境数据可用性和质量以及土壤环境关系的知识质量必须得到保证 |
类别 | 概念 | 方法 | 优势 | 局限 |
---|---|---|---|---|
地统计学 方法 | 地统计学方法是以区域化变量为理论基础,结合变异函数,利用样本数据进行空间插值,最终确定变量的空间分布,实现制图的目的 | 普通克里格(OK) 泛克里格(UK) 协同克里格(CK) 回归克里格(RK) 地理加权回归克里格(GWRK)经验贝叶斯克里格(EBK) | 简单、易操作、效率高 | 样点的数量与空间分布是该方法的核心,要求样本满足二阶平稳假设,可移植性较差 |
确定性插值 | 该方法是以区域内部相似性或以平滑度为基础,由已知的样点进行插值 | 反距离加权法 最邻近法 样条插值法 | 简单、易操作、效率高 | 样点的数量足够。 且在空间上分布均匀 |
数理统计 | 数理统计方法根据已知样点土壤属性,利用统计关系探索并建立其与环境因素之间的函数关系,用以推测土壤属性的空间分布 | 多元线性回归(MLR)、 广义多元线性 回归(GMLR)、 判别分析(DA) | 简单直观,且能表达土壤属性与环境因子之间的相关关系 | 此类方法的前提是土壤属性与环境因子呈线性相关,且需要大量的样本去提取该关系。其次对小尺度地区较使用,但对大尺度区域不一定适用 |
机器学习 | 机器学习模型利用机器学习与数据挖掘方法,提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布, | 人工神经网络(ANN) 分类与回归树(CART) 随机森林(RF) 支持向量机(SVM)、 深度学习(DL) | 该方法可解决土壤属性与环境变量的非线性问题,且对数据分布没有要求 | 易过度拟合、不易 直观的解释土壤 属性与环境因子 之间的关系 |
专家知识 模型 | 专家知识模型是基于地理相似性原理的土壤—景观推理模型。通过构建土壤与环境因子之间的隶属度函数,以此来确定未知点的土壤属性 | 贝叶斯网络模糊逻辑推理方法 | 该方法可以提高土壤调查的效率与更新,同时可以保证土壤属性空间分布的细节和精度的质量 | 环境数据可用性和质量以及土壤环境关系的知识质量必须得到保证 |
[1] |
王帅. 黑河流域中游地区关键土壤属性的空间变异特征与预测制图[D]. 沈阳: 沈阳农业大学, 2018.
|
[2] |
何林华. 复杂地形区土壤属性制图[D]. 西宁: 青海师范大学, 2017.
|
[3] |
张甘霖, 史舟, 朱阿兴, 等. 土壤时空变化研究的进展与未来[J]. 土壤学报, 2020(5):1060-1070.
|
[4] |
孙孝林, 赵玉国, 赵量, 等. 应用土壤-景观定量模型预测土壤属性空间分布及制图[J]. 土壤, 2008(5):837-842.
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
姜赛平. 海南岛土壤有机质时空变异特征及驱动因素研究[D]. 北京: 中国农业科学院, 2018.
|
[11] |
|
[12] |
|
[13] |
王政权. 地统计学及其在生态学中的应用[M]. 北京: 科学出版社, 1999.
|
[14] |
孙孝林, 赵玉国, 刘峰, 等. 数字土壤制图及其研究进展[J]. 土壤通报, 2013, 44(3):752-759.
|
[15] |
doi: 10.1126/science.1097396 pmid: 15192216 |
[16] |
|
[17] |
杨琳,
|
[18] |
孙福军, 雷秋良, 刘颖, 等. 数字土壤制图技术研究进展与展望[J]. 土壤通报, 2011, 42(6):1502-1507.
|
[19] |
pmid: 22655350 |
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
黄思华, 濮励杰, 解雪峰. 面向数字土壤制图的土壤采样设计研究进展与展望[J]. 土壤学报, 2020, 57(2):259-272.
|
[26] |
|
[27] |
王璐, 胡月明, 赵英时, 等. 克里格法的土壤水分遥感尺度转换[J]. 地球信息科学学报, 2012, 14(4):465-473.
doi: 10.3724/SP.J.1047.2012.00465 |
[28] |
|
[29] |
郭龙, 张海涛, 陈家赢, 等. 基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较[J]. 土壤学报, 2012, 49(5):1037-1042.
|
[30] |
马泉来, 高凤杰, 张志民, 等. 我国东北黑土丘陵区小流域土壤有机质空间分布模拟[J]. 环境科学研究, 2016, 29(3):382-390.
|
[31] |
杨顺华, 张海涛, 郭龙, 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值[J]. 应用生态学报, 2015, 26(6):1649-1656.
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
邱琳, 李安波, 赵玉国. 基于Fisher判别分析的数字土壤制图研究[J]. 土壤通报, 2012, 43(6):1281-1286.
|
[37] |
|
[38] |
|
[39] |
|
[40] |
|
[41] |
赖雨晴, 孙孝林, 王会利. 人工神经网络及其与地统计的混合模型在小面积丘陵区土壤有机碳预测制图上的应用研究[J]. 土壤通报, 2020, 51(6):1313-1322.
|
[42] |
|
[43] |
韩浩武, 许伟, 黄魏, 等. 基于遥感影像和决策树算法的土壤制图[J]. 土壤通报, 2019, 50(1):8-14.
|
[44] |
郭乃嘉, 史学正, 赵永存, 等. 人为与环境因子对农田土壤有机质影响的比较研究——以典型黑土区和水稻土区为例[J]. 土壤学报, 2016, 53(5):1097-1106.
|
[45] |
周紫燕, 黄魏, 许伟, 等. 基于随机森林算法的原始土壤图更新研究[J]. 华中农业大学学报, 2019, 38(3):53-59.
|
[46] |
|
[47] |
|
[48] |
doi: 10.5194/soil-5-107-2019 |
[49] |
|
[50] |
|
[51] |
|
[52] |
|
[53] |
毛丽丽, 于静洁, 张一驰. 模糊c均值聚类方法在黑河下游土壤属性制图中的初步应用研究[J]. 干旱区资源与环境, 2013, 27(1):195-201.
|
[54] |
|
[55] |
|
[56] |
|
[57] |
曾鹏源. 基于深度学习的土壤数字制图研究[D]. 郑州: 郑州大学, 2022.
|
[58] |
朱阿兴, 杨琳, 樊乃卿, 等. 数字土壤制图研究综述与展望[J]. 地理科学进展, 2018, 37(1):66-78.
doi: 10.18306/dlkxjz.2018.01.008 |
[1] | YUAN Tao, AN Qi, NIU Yanbo, MENG Liqiang, WU Haoqiong, FAN Chuan, CAO Yabin. Effects of Corn Stalks Composting on Soil Properties of Black Soil Region [J]. Chinese Agricultural Science Bulletin, 2024, 40(5): 47-52. |
[2] | WANG Pengxiang, CHEN Xiangyu, WEI Chunyue, MA Yiru, QIN Shizhe, ZHOU Zexuan, ZHANG Ze. Research on Estimation Model of Aboveground Nitrogen Concentration in Drip Irrigation Cotton Based on Machine Learning Algorithm [J]. Chinese Agricultural Science Bulletin, 2024, 40(4): 148-157. |
[3] | GAO Bohang, XIA Tongyong, WANG Guangfei, MA Yan, XU Yehong. Application Effect of Organic Fertilizer Combined with Chemical Fertilizer Reduction on Xinyi Honey Peach [J]. Chinese Agricultural Science Bulletin, 2023, 39(7): 33-39. |
[4] | SUN Bo, LI Jing, WANG Jing. Machine Learning in Plant Factory: Current Status and Challenges [J]. Chinese Agricultural Science Bulletin, 2023, 39(18): 142-150. |
[5] | BIAN Jianwen, WANG Meng, LIU Baoyou, WANG Xueying, ZHANG Xingang, WANG Wenrui. Effects of Chlorella on Wheat Growth and Soil Properties [J]. Chinese Agricultural Science Bulletin, 2023, 39(12): 8-12. |
[6] | Qiu Meihua, Guo Dejie, Ma Yan, Wang Guangfei, Liang Yonghong. The Technology of Reducing Chemical Fertilizer and Increasing Economic Benefit of Protected Peach in Sandy Soil [J]. Chinese Agricultural Science Bulletin, 2021, 37(17): 58-64. |
[7] | Wang Guangfei, Guo Dejie, Ma Yan, Luo Jia. Effects of Chinese Medicine Residue Compost on Tomato Greenhouse Soils with High Nutrient Concentrations [J]. Chinese Agricultural Science Bulletin, 2021, 37(1): 84-89. |
[8] | Yang Lingyan, Zhang Hongyan, Chen Yufeng, Liu Yawen. The Application of Machine Learning in Crop Variety Recognition: A Review [J]. Chinese Agricultural Science Bulletin, 2020, 36(30): 158-164. |
[9] | Yang Hongyun, Luo Jianjun, Wan Ying, Sun Aizhen. Application of Computer Vision Technology in Nitrogen Nutrition Diagnosis of Rice: Research Progress [J]. Chinese Agricultural Science Bulletin, 2020, 36(16): 149-155. |
[10] | Zhou Jiashun, Yu Hongxi, Yang Jie, Sun Wenqing, Gao Wenwen, Zhong Yamin, Shi Yujie. Effect of Biochar Amendment Levels on the Yield and Quality of Chinese Cabbage and Garlic [J]. Chinese Agricultural Science Bulletin, 2020, 36(13): 59-64. |
[11] | . Artificial Planting of Hippophae rhamnoides in Abandoned Goldfield of Shuanglong Gully: Effects on Community Composition and Soil Properties [J]. Chinese Agricultural Science Bulletin, 2019, 35(19): 83-90. |
[12] | . Effects of Soil Amendments on Yield, Quality of Honey Pomelo and Soil Properties [J]. Chinese Agricultural Science Bulletin, 2018, 34(6): 39-44. |
[13] | . Effect of Orchard Mulching on Soil Quality, Growth and Development of Apple Trees in North Henan Province [J]. Chinese Agricultural Science Bulletin, 2017, 33(31): 60-67. |
[14] | . Effects of Straw Mulching on Yield and Soil Properties of Cassava Intercropping System [J]. Chinese Agricultural Science Bulletin, 2017, 33(29): 19-24. |
[15] | . Effects of Turnover of Different Green Manure on Corn Yield and Soil Fertility [J]. Chinese Agricultural Science Bulletin, 2016, 32(9): 41-46. |
Viewed | ||||||
Full text |
|
|||||
Abstract |
|
|||||