随着数字信息化的快速发展,传统土壤信息获取方法已经无法完全满足生态模型、土地利用分析、水土保持、自然资源管理利用等各个相关领域的新需求。因此,如何结合新的技术提高土壤普查效率,获取高精度土壤图成为了现阶段的研究重点。Zhu等人提出了土壤—景观推理模型(Soil-Land Inference Model,SoLIM),它将相对较难获取的土壤属性信息与一些易于获取的环境信息对应起来,通过景观因素组合对土壤相关性质及其空间分布进行描绘。目前,土壤—景观模型主要基于地形因子而建立,对于遥感影像利用较少,遥感影像精度高、成图快,对于植被信息、地面粗糙度以及光谱特征等是地形因子所未完全表现出来的。此外,土壤—景观关系知识的有效性是预测制图的关键,它一般由土壤学专家的经验性知识所形成或者利用有效的数据挖掘算法从其它已经获取到的土壤相关信息中获取,由于很多地区都缺乏有经验的专家,因此基于遥感影像进行空间数据挖掘是目前研究的一个突破点。在此境况下,本研究以湖北省红安市华家河镇滠水河流域为例,综合利用遥感影像以及地形数据,结合有效的数据挖掘算法对研究区进行了土壤预测制图,研究具体分为以下几个部分:(1)环境因子的获取。环境因子包括地形因子与遥感因子。以等高线数据为基础建立DEM,从而进一步提取坡度、坡向、曲率以及地形湿度指数等地形因子。遥感因子则通过对高分二号遥感影像进行处理分析后获取,本研究利用了第一主成分、归一化植被指数以及纹理特征(包括八个基本特征)作为遥感因子。(2)环境因子的筛选。本文通过Clementine软件对环境因子进行重要性分析,剔除掉了重要性值较低的因子,最终保留了10个环境因子作为最后的环境因子集进行决策树数据挖掘。(3)C5.0决策树数据挖掘。利用Clementine平台进行C5.0决策树建模,分别采用单一模型以及Boost模型进行建模,与单一模型相比Boost模型精度更高更为稳健,因此采用Boost模型的结果进行后续的预测制图。(4)土壤—景观推理模型预测制图。本文采用基于规则的推理方法,该方法利用景观因子的隶属度曲线生成土壤类型的模糊隶属度图,然后综合所有的模糊隶属度图生成最终的土壤预测图。(5)精度验证。采用实地验证点分别对原始土壤图与推理土壤图进行精度验证,建立混淆矩阵,并以生产精度、用户精度、总体精度以及Kappa系数为指标进行评价。研究结果表明,预测土壤图总体精度为88%高于已有土壤图的72%,且在三种不同的采样方式下预测土壤图的精度分别为89%、88%、86%,都高于已有土壤图。表明预测土壤图比原始土壤图更能反映真实的土壤类型空间差异,且预测土壤图在表达土壤类型整体空间分布信息的同时对于土壤类型随地貌的不同而发生的变化也可以捕捉到。此外,土壤类型空间分布的详实程度也有很大的提升,能够满足高精度的数字土壤制图的要求,为未来土壤普查提供了一个发展方向。