模型预测高分辨率森林土壤养分三维空间分布的研究

来源 :广西大学 | 被引量 : 1次 | 上传用户:WYQ1987412
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
森林土壤养分是指森林生态系统中能够直接或经转化后被植物根系吸收的矿质营养成分,是森林土壤肥力的重要组成部分,也是衡量森林土壤质量的重要指标,主要包括有机质(Soil organic matter,SOM)、全氮(Total nitrogen,TN)、全磷(Total phosphorus,TP)、全钾(Total potassium,TK)、碱解氮(Alkeline nitrogen,AN)、速效磷(Available phosphorus,AP)和速效钾(Available potassium,AK)。摸清森林土壤养分三维空间分布状况和特征,确定土壤养分级别,对科学营林、合理施肥、提高肥效、促进森林资源可持续利用等方面具有重要作用。本次研究以广东省云浮市森林土壤为对象,针对0-100cm深度的土壤,由上到下分5层(D1:0-20cm、D2:20-40cm、D3:40-60cm、D4:60-80cm和D5:80-100cm)分别建立土壤养分7个指标(SOM、TN、TP、TK、AN、AP和AK)的后反馈人工神经网络(Back propagation-Artificial Neural Network,BP-ANN)预测模型。模型输入由必选参数和候选参数两部分组成:必选输入参数为比例尺为1:100万的粗分辨率各土壤养分图;候选参数由10m分辨率的数字高程模型(DEM)数据衍生获得,包括4个地形参数,坡度(Slope)、坡向(Aspect)、地形位置指数(Topographical position index,TPI)、潜在太阳辐射(Potential solar radiation,PSR)和5个水文参数,潜在地下水位深(Depth to water,DTW),泥沙输移比(Sediment delivery ratio,SDR)、水流长度(Flow length,FL)、水流流向(Flow direction,FD)、土壤地形因素(Soil terrain factor,STF)。研究区内共计449(385+64)个样点数据用于此项研究,其中建模区域(罗定市和新兴县)内的385个样点数据用于基于10重交叉验证(10-fold Cross Validation)法的模型建立,独立验证区域(郁南县、云城区和云安区)内的64个样点数据用于检验模型的推广应用精度。依据RMSE、R2、ROA±5%、ROA±10%和ROA±20%共5个模型评价指标,对模型输入的9个地形水文候选参数进行筛选,以增加候选参数个数直至模型精度没有显著提高为筛选原则,分析最优的模型输入参数组合。最终利用最优的BP-ANN预测模型生产各土壤养分空间分布图,并依据全国第二次土壤普查推荐的土壤养分分级标准,评价云浮市土壤养分含量的三维空间分布变化状况。具体结论如下:(1)在土壤养分各指标5个土壤层构建的BP-ANN预测模型中,AN指标的最优模型输入为5-6参数组合,预测精度明显优于其它指标,分别为RMSE,431.2mg/kg-866.5mg/kg,R2,0.86-0.89,ROA±5%,60%-78%,ROA±10%,81%-92%,ROA±20%,87%-95%;SOM、TP、TK和AK指标的最优模型输入为5-8参数组合,预测精度低于AN指标,精度范围为R2,0.68-0.88,ROA±5%,34%-53%,ROA±10%,58%-72%,ROA±20%,70%-86%;TN和AP指标的最优模型输入,除TN指标D5土壤层为2参数组合外,其余模型为5-7参数组合,预测精度较低于其它指标。如上所述,应用10重交叉验证法建立的BP-ANN模型可以较好的表达高分辨率地形和水文参数与土壤养分指标的映射关系,反映各土壤养分指标随地形变化的高变异性。(2)根据各地形、水文参数对土壤养分各指标变异的解释能力和在最优模型输入组合中出现的频次来判断各参数的预测能力:Slope和TPI对土壤养分SOM和AN的预测能力相对较强,FD和Aspect对TN的预测能力相对较强,SDR和STF对TP的预测能力相对较强,SDR和TPI对TK的预测能力相对较强,TPI对AP的预测能力相对较强,Slope、SDR和DTW对AK的预测能力相对较强。各参数对土壤养分整体的预测能力:TPI对整个土壤养分的预测能力相对较强,其次为Slope、SDR和Aspect,STF、FD、DTW、PSR和FL对整个土壤养分的预测能力相对较弱。总体上,不同候选参数在预测不同土壤层不同土壤养分指标时的预测能力有所差异。(3)依据全国第二次土壤普查推荐的土壤养分分级标准,将D1-D5层模型预测的水平空间分布图划分等级:SOM,在D1土壤层中的平均值为22.66g/kg,属于Ⅲ级;D2-D4土壤层为15.14 g/kg-16.58g/kg,属于Ⅳ级;D5土壤层为9.05g/kg,属于Ⅴ级。TN和TK在D1-D5土壤层中的平均值分别为1.13g/kg-1.44g/kg和15.92g/kg-18.83g/kg,均属于Ⅲ级。TP,在D1-D5土壤层中的平均值为0.28g/kg-0.31g/kg,属于Ⅴ级。AN,在D1土壤层中的平均值为97.97mg/kg,属于Ⅲ级;D2-D5土壤层为80.71 mg/kg-87.16mg/kg,属于Ⅳ级。AP,在D1-D5土壤层的平均值为0.72mg/kg-1.36mg/kg,属于Ⅵ级。AK,在D1土壤层中的平均值为51.22mg/kg,属于Ⅳ级;D2-D5土壤层为36.77mg/kg-43.09mg/kg,属于Ⅴ级。整体看来,云浮市土壤养分TN和TK的含量丰富,AN和SOM含量处于中等水平,但TP、AP和AK的含量较缺乏,是云浮市土壤质量的主要限制因子。(4)各土壤养分的垂直5层的空间分布状况:随土壤深度的增加,SOM、AN、AP和AK的含量呈逐渐下降趋势;TN含量在D1-D2土壤层先增加,后D3-D5土壤层逐渐降低;TP含量在D1-D3土壤层中无明显变化,D4-D5土壤层略微增加;TK含量在D1-D4土壤层逐渐增加,D5土壤层略微下降。这些特征符合亚热带区域土壤养分的相关研究和报道。
其他文献
复杂网络领域中的链路预测主要是利用已知网络中节点之间现有的链路信息与节点之间的属性特征来估计网络中任意两个节点之间在下一时刻可能产生链路的概率值的大小,通常可用来挖掘已知网络中的潜在连边或错误连边信息。近几年来,链路预测算法被广泛地应用于推荐任务、舆情检测系统等众多领域中,且链路预测问题一直是学者们关注的焦点。本文主要针对现有预测算法挖掘到的节点之间的关系不能充分反映已知网络的结构特征的不足,基于
背景肠道纤维化是慢性肠道炎症的最终病理结局。由于缺乏特定治疗药物,肠纤维化常导致肠梗阻,最终需要外科手术干预。肠纤维化的特征是细胞外基质的过度沉积。近些年来对肠纤
在当今社会中,决策已成为一种普遍的日常行为,并被广泛应用于各个领域。由于现实世界中存在着复杂多变性,从而导致了很多信息都是不确定和模糊的,包含着这些不确定性和模糊性
耦合Schrodinger方程组来源于各种实际问题,在许多物理、生物、化学乃至经济学等学科中都有实际应用。系数识别问题是一类经典的反问题,通过额外观测数据识别系统中的系数来研究系统的性质。Carleman估计在部分信息推论全局信息的系数识别问题中有巨大的作用,是研究反问题稳定性的有效工具本论文主要研究在两种观测条件下耦合Schrodinger方程组的两类系数识别问题的条件稳定性。首先建立耦合Sch
昆虫有着灵敏的嗅觉,这对于种群繁衍和环境的适应都有着重要的意义。昆虫的嗅觉系统可以特异性识别环境中的气味分子,并依此作为觅食、求偶、选择寄主及产卵场所和躲避天敌的
近年来随着人们环保意识的不断增强,矿物油基切削液的致癌性和对环境的污染性逐渐被人们所关注。环保型切削液和干式/准干式切削是解决这一问题的两个热门领域。在环保型切削液中具有良好润滑性、可降解性和可再生性的植物油基切削液成为一大发展方向。拉床是现代加工制造业不可或缺的一环,它制造精度高、加工速度快、加工表面质量高,结构简单,非常适用于大体积、大加工量零件的批量生产。广泛应用于航空、船舶、核工业等高精度
随着“工业4.0”时代的到来,我国对航空航天、汽车制造、交通建设等高精尖制造领域的发展提出了更高的要求。薄壁类零件因其结构紧凑、重量轻、比强度高等优点,越来越多的被应用到这些领域。但薄壁类零件厚度相对较薄,自身刚度低,在切削加工过程中,极易产生弹性变形,出现“让刀”现象,从而影响零件的加工精度,在一定程度上影响了企业的效益,同时限制了行业的发展。因此对薄壁类零件加工过程的变形分析,采取适当的策略以
在图论和网络分析中,一个图或者一类图的健壮性分析是指删除图的边和顶点的研究,不同程度的健壮性取决于如何选择要删去的边和顶点.匹配排除问题与图论中边的删除问题密切相
能源危机和环境恶化是目前人类面临的非常严重的问题,光催化产氢技术的日益发展为能源和环境问题的解决提供了一种新的途径。传统意义上的光催化剂为半导体催化剂,但最新研究发现,金属纳米粒子(NPs)如Au、Ag、Cu等通过其表面等离子共振效应(SPR)在无半导体催化剂的存在下也可以用于光催化产氢。Cu因其在地球上储量丰富且是廉价金属,因此在光催化制氢领域受到人们的青睐。然而,纯Cu NPs化学稳定性较差,
LNG槽车中掺入液氮不但会降低LNG的品质,而且会使储罐的温度和压力发生变化,带来安全隐患。本文研究了LNG槽车中掺液氮后温度和压力的变化规律,提出一种判断LNG槽车中掺液氮情况的方法。建立掺液氮LNG槽车内温度和压力计算模型,计算结果表明掺入液氮后槽车储罐中的LNG温度会迅速降低,运输过程中温度上升速率较慢。建立计算LNG槽车掺液氮量模型,在已知原料LNG组分、初始温度和压力、槽车储罐的参数、运