林业科学  2013, Vol. 49 Issue (8): 148-153   PDF    
DOI: 10.11707/j.1001-7488.20130821
0

文章信息

徐丽华, 谢德体, 魏朝富, 李兵
Xu Lihua, Xie Deti, Wei Chaofu, Li Bing
基于案例推理的 SoLIM 方法在土壤养分制图中的应用
Application of SoLIM Based on Case Reasoning in Soil Nutrient Mapping
林业科学, 2013, 49(8): 148-153
Scientia Silvae Sinicae, 2013, 49(8): 148-153.
DOI: 10.11707/j.1001-7488.20130821

文章历史

收稿日期:2012-07-05
修回日期:2013-07-01

作者相关文章

徐丽华
谢德体
魏朝富
李兵

基于案例推理的 SoLIM 方法在土壤养分制图中的应用
徐丽华, 谢德体, 魏朝富, 李兵    
西南大学资源与环境学院 重庆 400716
关键词土壤养分制图    全氮    案例推理    土壤-景观推理模型    
Application of SoLIM Based on Case Reasoning in Soil Nutrient Mapping
Xu Lihua, Xie Deti, Wei Chaofu, Li Bing    
College of Resources and Environment, Southwest University Chongqing 400716
Abstract: The 111 soil samples were collected in Wangjiagou watershed of Three Gorges Reservoir Area with complex geographical environment. Total nitrogen content in the soil was measured, and the land use data and elevation, slope, plan curvature, profile curvature, topographic position index and topographic wetness index were collected. The soil total nitrogen was mapped by using the soil land inference model (SoLIM) that is based on case reasoning. The results showed that, land use type data can be used to improve the accuracy of prediction. The spatial distribution of soil nutrients produced by the SoLIM contained more information, and presented more details of spatial variability of soil nutrients. Therefore, the SoLIM based on case reasoning was validated a good method for soil nutrient mapping in the small study area with complex geographical environment.
Key words: soil nutrient mapping    total nitrogen    case reasoning    soil land inference model(SoLIM)    

土壤-景观推理模型(soil land inference model,SoLIM)在提高土壤普查效率和精度、降低普查成本方面具有显著优势,已经在美国得到推广应用(Shi et al., 2004; 杨琳等,2009;2010)。SoLIM 中专家知识可以通过基于规则的方法或者基于案例推理的方法获取。 与多元回归模型相比,基于规则的 SoLIM 方法能够用较少的建模点获得更高的精度(杨琳等,2009)。但基于规则的 SoLIM 方法需要土壤与环境之间较为详细的专家知识,而且它假设各个输入变量之间相互对立,这使基于规则的 SoLIM 方法的应用受到了一定限制(Shi et al., 2004)。由于基于案例推理的方法直接使用隐含于案例中的专家知识而克服了规则获取的困难性,已经在医学、农业、金融保险管理和保险索赔、土地景观规划、自然资源规划和管理、语音识别和计算机图像处理等领域得到广泛应用(Remm,2004; 任海涛,2004; 唐雪飞,2010)。当预测变量为名称特征变量时,基于案例推理的方法比其他方法具有显著优势,如在土壤类型分布图(Shi et al., 2004)、物种和栖息地制图(Remm,2004)方面,基于案例的推理方法都是比较好的一种方法。

基于案例推理的 SoLIM 方法不仅具有比传统土壤制图方法更高的效率,而且减少了人为误差,提高了制图精度,这已经在美国威斯康星州西南地区的一个案例中得到了证明(Shi et al., 2004)。但该方法用于小尺度(对应于较小的空间范围)研究上的适用性仍需进一步探索。中国西南丘陵山区受到新构造运动的影响,地形割裂,多形成孤立的山丘和岗地,耕地破碎、分散(余端等,2012),其地理环境相对复杂,基于案例推理的 SoLIM 方法能否在这样的区域取得更高的土壤养分预测精度值得进一步探讨。

本研究借助高程、坡度、平面曲率、剖面曲率、地形湿度指数、坡位指数等地形要素数据和实测的土地利用类型数据及土壤全氮含量数据,利用案例推理的 SoLIM 方法对环境相对较复杂的三峡库区王家沟小流域的土壤全氮含量进行推理制图,以期为SoLIM 方法的应用提供新的案例支持。

1 研究区概况

研究区位于三峡库区王家沟小流域(107°29'43″E-107°31'1″,29°53'27″-29°54'37″N),属亚热带季风气候区,年平均气温22.1 ℃,年平均降水量919.7 mm。研究区总面积257.91 hm2。区域内土地利用类型以农用地为主,其面积约占整个流域土地总面积的86.27%。园地、水田、旱地和林地面积分别占农用地总面积的33.26%,23.23%,21.03%和5.87%。地貌以丘陵为主,地势自北向南逐渐降低,相对高差小于200 m,地势较为平坦,利于农业生产。土壤类型为水稻土和紫色土。

2 数据来源 2.1 土壤养分含量数据

2008 年9 月,在专家指导下用多点混合采样的方式获得研究区内耕层土壤(0 ~20 cm)的111 个土壤样本(图 1)。将采好的土壤样本分别装入带有编号的塑料袋中,带回实验室进行自然风干。将自然风干的土壤样本中干结的土块敲碎,剔除土壤以外的侵入体(如植物的根系、石粒等杂质),经过研磨、过筛处理后采用半微量凯氏定氮法获得土壤样本的全氮含量(杨剑虹等,2008)。

图1 土壤样本分布 Fig.1 Distribution of soil samples
2.2 环境因子

本研究选用土地利用、高程、坡度、 平面曲率、剖面曲率、地形湿度指数和坡位指数作为推算土壤养分含量空间分布的环境因子,其中土地利用数据如图 1 所示。 数字高程模型(digital elevation model,DEM)(图 2)是利用 ArcGIS9.3 软件从等高线中提取的,根据中华人民共和国测绘行业标准确定 DEM 的格网大小为1 m。虽然在多数情况下,土壤在空间上是渐变的,但是当土壤个体的空间范围足够小(1 ~10 m)时,土壤个体的属性差异可以被忽略,可以将这个空间范围内的土壤认为是同质的,这符合精细土壤普查的基本假设。坡度、 平面曲率、剖面曲率、地形湿度指数和坡位指数这5 个环境要素分别利用软件 ArcGIS9.3、SoLIM和ArcView3.2 从 DEM 中提取(图 37)。

图2 高程 Fig.2 Eelevation

图3 坡度 Fig.3 Slope

图4 平面曲率 Fig.4 Plan curvature

图5 剖面曲率 Fig.5 Profile curvature

图6 地形坡位指数 Fig.6 Topographic position index

图7 地形湿度指数 Fig.7 Topographic wetness index
3 基于案例推理的土壤养分预测方法 3.1 基本假设

基于案例推理的 SoLIM 方法用于土壤养分制图中,主要是基于下面的假设:

1)土壤与环境关系的专家隐性知识蕴涵在案例之中,案例可以代表土壤专家的知识(Shi et al., 2004; 朱阿兴,2008)。

2)可以根据与案例之间的相似性来解决新的问题,这个相似性可以通过案例点与未知点二者所处的成土环境的相似性来判断。案例点与未知点之间的成土环境越相似,则未知点与案例点之间的土壤养分越相似(Shi et al., 2004; 朱阿兴,2008)。

3)在小流域内,气候、母质等宏观因素对土壤形成分布的影响相对均一,土壤空间差异分布主要受地形变化和土地利用类型的影响(Mcsweeney et al., 1994; 杨琳等,2007)。因此,在小流域土壤-环境关系推理过程中,主要以地形信息(秦承志等,2010)和土地利用类型作为输入参数。

3.2 土壤养分空间分布的推测方法

根据上面的假设,利用未知点与案例点之间环境组合的相似度Sijk以及各个案例土壤养分含量Vk,就可以通过线性加权模型(朱阿兴等,2005)来推测未知点的土壤养分Vij,这部分工作是利用SoLIM 来实现的:

$\eqalign{ & \hat V_{ij}^kV_{ij}^k \cr & {V_{ij}} = \frac{{\sum\limits_{k = 1}^n {S_{ij}^k} \cdot {V^k}}}{{\sum\limits_{k = 1}^n {S_{ij}^k} }}. \cr} $ (1)
式中: Sijk=min(Oij,1kOij,2k,…,Sij,vk,…,Sij,mk),它表示在未知点(ij)的环境与案例点k 之间环境组合的相似度,是利用案例推理的方法获取的,其中,Oij,vk为未知点(ij)与案例点k 之间第v 个环境要素的相似度,该相似度用模糊隶属度函数来表达。本研究中,除了土地利用的隶属度函数采用名称型E函数外,其他环境要素,如高程、坡度、平面曲率、剖面曲率、地形湿度指数、坡位指数都使用钟形E 函数作为各个环境要素的隶属度函数,其函数表达形式见参考文献(朱阿兴,2008)。

3.3 精度评价指标

本研究采用平均相对误差(average relative error,ARE)指标对土壤养分制图的精度进行评价:

${\text{ARE}} = \frac{{\sum\limits_{k = 1}^n {\frac{{\left| {\hat V_{ij}^k - V_{ij}^k} \right|}}{{V_{ij}^k}}} }}{n}.$ (2)
式中: $\hat V_{ij}^k$为土壤样本全氮含量的预测值;$V_{ij}^k$为土壤样本全氮含量的测量值; n 为土壤样本的个数。

4 结果与分析

对环境要素值进行标准化和离群值处理后,用SoLIM 方法进行案例推理得到各个案例点土壤样本的隶属度分布图。值得注意的是,本研究中的采样点只分布于林地、园地、水田和旱地4 种土地利用类型内,道路、居民地、未利用地和坑塘水面等土地利用类型内没有采样点,所以,无论是哪个土壤样本的隶属度函数,在道路、居民地、未利用地和坑塘水面等土地利用类型内的隶属度均为0。案例点72,82,33和3 的土地利用类型分别为林地、园地、水田和旱地,其隶属度函数如图 8所示。在计算其他未知点对于这些案例点的隶属度时,加入了土地利用类型作为环境要素,所以在计算模糊隶属度时,也只是考虑了与案例点相同的土地利用类型的未知点。因此,在案例点72 的隶属度图中只有林地的区域才有相应的隶属度值,其他区域隶属度为0。同样,因为案例点82,33和3 的土地利用类型分别为园地、水田和旱地,则其隶属度图上,与其具有不同的土地利用类型的未知点的隶属度也都为0。而与案例点具有相同土地利用类型的未知点对于案例点的隶属度的值通常都在0 ~100% 的区间内变化。

图8 不同土地利用类型的模糊隶属度 Fig.8 Fuzzy membership of different land-use types

研究区地处西南丘陵山区,地理环境相对复杂。每个采样点代表不同的环境组合,表达了一个环境组合与该点土壤之间独特的关系,因此,111 个采样点都可以作为案例点。本研究从中随机抽取了69个案例点进行土壤全氮含量的推理制图,其余42 个案例点作为验证点。对推理结果进行粗差探测,剔除离群值后重新对土壤氮含量进行推理制图(图 9)。

图9 土壤总氮含量分布 Fig.9 Content distribution of soil total nitrogen

利用推理结果计算得到总体样本的平均相对误差为13.463%,说明该方法用于土壤全氮含量的推理制图具有较高的预测精度。当不考虑土地利用类型因素的影响时,得到的平均相对误差只有15.354%。从这组数据的比较可以看出,当案例推理用于土壤养分制图时,考虑土地利用类型对土壤养分含量空间分布的影响有利于提高土壤全氮含量预测精度。因为,土地利用方式是影响土壤养分空间分布的重要因素之一(Chang et al., 2000; 于飞健等,2002; 赵瑞芬等,2011)。不同的土地利用方式改变了系统水分运动途径,从而影响生态系统养分的输入和输出,从而使得土壤养分含量发生变化(孟庆华等,2000; 王君等,2007; 王洪杰等,2004)。

图 9 可以看出,研究区内土壤全氮含量分布大多呈斑块状和条带状,呈现出较为明显的空间分布格局。就整个研究区而言,土壤总氮含量最高的土壤主要分布于水田,其次分别为旱地、园地和林地。即使是在没有案例点分布的区域,如研究区的东南部和西北部,土壤全氮含量分布也表现出了较高的空间详细度。这是因为基于案例推理的SoLIM制图方法将基于模糊逻辑的分类赋值和栅格的GIS表达模型相结合,不仅体现了土壤在空间上的连续分布,还体现了土壤与环境之间的复杂关系(Shi et al., 2004; 杨琳等,2009),使得土壤养分连续空间变异性的大量细节得到了很好的表达。

5 结论与讨论

本研究在地理环境相对复杂的西南丘陵山区选了一个较小的研究范围,研究了基于案例推理的SoLIM 方法对于小尺度范围内土壤养分制图的适用性。结果表明,用基于案例推理的SoLIM 方法制作的土壤养分含量的空间分布图,不仅具有较高的空间详细度,而且具有较高的属性精确度。这说明该方法对于复杂地理环境下小尺度范围的土壤养分预测具有一定可行性。本研究得到的研究结果为基于案例推理的SoLIM 方法在小尺度范围的应用提供了新的案例支持,对研究其他地区林地、园地、水田和旱地的土壤养分空间分布现状也具有一定的借鉴意义。由于缺乏与采样时间同步的多光谱影像资料,无法获取研究区的植被信息,如果在研究中加入植被因子,可能会得到更令人满意的结果。

利用基于规则的SoLIM 方法对土层厚度和土壤有机质含量进行推理制图时发现,该方法获得的平均相对误差都高于15%(其平均相对误差分别为18.44%和19.4%)(赵量,2007),而本研究得到的土壤养分制图的平均相对误差低于15%。土壤砂含量的案例推理制图的结果也表明,该方法优于传统的土壤调查方法(Shi et al., 2004)。因此,与基于规则的方法相比,基于案例推理的方法能够比较容易而且有效地表达土壤科学家的知识。除此之外,案例推理方法中,案例的选择具有独立性,案例点的增加或者删除都不会对其他案例点和推理系统产生影响,这使得知识的积累和更新变得更加容易(朱阿兴,2008)。

无论是基于规则的推理还是基于案例的推理,专家知识能否被有效利用是改善知识获取和提高推理效率的重要途径(裴艳香,2006)。因此,为了有效提取和利用土壤学家的知识,改善推理的效果,开发一个具有知识获取工具和推理机制,能够发挥各类知识优势的系统将是未来研究的发展趋势(Remm,2004)。

参考文献(References)
[1] 孟庆华, 杨林章. 2000. 三峡库区不同土地利用方式的养分流失研究. 生态学报, 20(6): 1028-1033.(1)
[2] 裴艳香. 2006. 基于案例推理的卫星故障诊断技术的应用研究. 哈尔滨: 哈尔滨工业大学硕士学位论文.(1)
[3] 秦承志, 卢岩君, 邱维理, 等. 2010. 模糊坡位信息在精细土壤属性空间推测中的应用. 地理研究, 29(9): 1706-1712.(1)
[4] 任海涛. 2004. 基于案例的推理及其在农业专家系统中的应用. 太原: 山西大学硕士学位论文.(1)
[5] 唐雪飞. 2010. 基于案例推理的高光谱图像分类研究. 哈尔滨: 哈尔滨工业大学硕士学位论文.(1)
[6] 王洪杰, 史学正, 李宪文, 等. 2004. 小流域尺度土壤养分的空间分布特征及其与土地利用的关系. 水土保持学报, 18(1): 15-18.(1)
[7] 王君, 沙丽清. 2007. 滇西北藏区不同土地利用方式对土壤养分的影响. 东北林业大学学报, 35(10): 45-47.(1)
[8] 杨剑虹, 王成林, 代亨林. 2008. 土壤农化分析与环境监测. 北京: 中国大地出版社.(1)
[9] 杨琳, Fahmy S, Hann S, 等. 2010. 基于土壤-环境关系的更新传统土壤图研究. 土壤学报, 47(6): 1039-1049.(1)
[10] 杨琳, 朱阿兴, 李宝林, 等. 2007. 应用模糊c均值聚类获取土壤制图所需土壤——环境关系知识的方法研究. 土壤学报, 44(5): 784-791.(1)
[11] 杨琳, 朱阿兴, 秦承志, 等. 2009. 运用模糊隶属度进行土壤属性制图的研究——以黑龙江鹤山农场研究区为例. 土壤学报, 46(1): 9-15.(3)
[12] 余端, 魏朝富, 殷帅. 2012. 四川盆地丘陵区条田规划与工程设计研究. 农机化研究, 34(2): 1-9.(1)
[13] 于飞健, 闵顺耕,巨晓棠,等. 2002. 近红外光谱法分析土壤中的有机质和氮素. 分析试验室, 21(3):49-51.(1)
[14] 赵量. 2007. 基于模糊集理论的土壤——景观定量关系提取及制图应用. 南京: 南京农业大学硕士学位论文.(1)
[15] 赵瑞芬, 张一弓, 张强, 等. 2011. 不同土地利用方式对土壤养分状况的影响. 中国农学通报, 27(14): 262-266.(1)
[16] 朱阿兴. 2008. 精细数字土壤普查模型与方法. 北京: 科学出版社.(4)
[17] 朱阿兴, 李宝林, 杨琳, 等. 2005. 基于GIS、模糊逻辑和专家知识的土壤制图及其在中国应用前景. 土壤学报, 42(5): 844-851.(1)
[18] Chang D H, Islam S. 2000. Estimation of soil physical properties using remote sensing and artificial neural network. Remote Sensing of environment, 74(3): 534-544.(1)
[19] Mcsweeney K, Slater B K, Hammer R D, et al. 1994. Towards a new framework for modeling the soil-landscape continuum. Factors of Soil Formation: a Fiftieth Anniversary Retrospective,(33): 127-145.(1)
[20] Remm K. 2004. Case-based predictions for species and habitat mapping. Ecological Modelling, 177(3): 259-281.(3)
[21] Shi X, Zhu A X, Burt J E, et al. 2004. A case-based reasoning approach to fuzzy soil mapping. Soil Science Society of America Journal, 68(3): 885-894.(8)