基于MARS算法的历史土壤数据更新方法研究

Conventional soil maps, as the major data source for information on the spatial variation of soil, are limited in terms of both the level of spatial detail and the accuracy of soil attributes. There is a need, therefore, to update conventional soil data to provide detailed and accurate soil information for agricultural and environmental policy making, watershed management, and nature and soil conservation..In this research, Multivariate adaptive regression splines (MARS) are used to extract the expert knowledges and quantify the relationships between soil attributions and environmental variables using conventional soil data in Xuanzhou Prefecture, Anhui Province. The aim of this research is to update the soil maps without additional fieldwork through digital soil mapping using conventional soil data. This method can be used in situations where the study area contains no or few soil profile descriptions at points, which would greatly improve the efficiency of digital soil mapping.

受传统制图技术和基础数据质量所限，历史土壤数据的空间详细度和属性精确度不能满足社会发展的需求。本研究将选择亚热带丘陵地区安徽省宣城市宣州区为研究区域，利用历史土壤图数据（二次土壤普查）以及研究区的环境景观因子(地形、母质、植被等)数据，应用多元自适应回归样条算法，提取与凝练土壤环境知识，构建主要土壤性质/土壤类型与环境景观因子之间的定量土壤-景观数学模型，实现历史土壤数据的更新制图。. 项目的目的在于挖掘历史土壤数据所潜在的土壤分布规律，将历史土壤数据更新为可重复、定量化、易移植使用的土壤-景观制图模型。该研究将推动数字土壤制图的发展，极大地提高土壤制图的效率和精度，降低土壤调查与制图的成本。

受传统制图技术和基础数据质量所限，历史土壤数据的空间详细度和属性精确度并不高，难以满足现代社会发展的需求。因此，应用空间分析技术，更新历史土壤数据，使土壤图具有更丰富的信息负载量、高时效、高精度、低成本的特点，将有利于传统土壤学研究结果在指导资源调查、评价、配置、管理等过程中得到更为科学和广泛的应用。本研究以安徽省宣州区历史土壤数据，以及此后工作积累的土壤样点数据（1980s，2008s）为基础，结合野外调查，借助空间分析技术，通过对历史土壤数据知识结构的提取与凝练，确定了基于不同单元（栅格和小班单元）的环境景观因子与土壤属性之间的关系，建立了土壤属性与景观因子之间的定量模型，并通过模型集成的方式，提高了土壤属性预测制图的精度，实现了对传统土壤图数字化的更新：.（1）明确土壤属性与景观因子关系.利用历史土壤图构建小班单元，研究结果表明土壤有机碳含量与MAP（r=-0.5）, NDVI (r=-0.38)，高程（elevation, r=-0.36）, 和红光波段（RED，r=-0.2）呈显著性相关，并且基于小班单元比网格单元具有更高的相关系数，该结果表明采用小班单元能够更好的表征土壤属性与环境因子的相关性。.（2）建立土壤属性空间分布模型.模型结果表明采用栅格单元的模型解释了研究区SOC含量变化的28%，而采用小班单元能解译67%的土壤SOC。小班单元具有更高的R2与LCCC，更低的RMSE和MAE。在所有模型计算结果中，RF模型预测精度最高，R2（0.67），LCCC（0.68），RMSE（2.31）和MAE（1.79），而CART最低，R2（0.4），LCCC（0.61），RMSE（2.79）和MAE（2.23），但均高于栅格单元。.（3）提高了集成模型的预测精度.模型集成结果表明，GRA与MBA集成方法可以有效提高提高SOC模型的精度，RMSE的绝对值 (ΔRMSE = 0.07–0.52 g kg−1) 略有降低，而R2数值(ΔR2=0.01–0.03) 得到了提高，而且GRA和BMA模型获得的不确性较小，PICP值均处于高值区（95.8%-96.6%）。.通过本基金的实施，以第一作者/通讯作者身份在国内外权威学术期刊上累计发表论文4篇，其中 SCI 收录2篇，联合培养硕士研究生4名，完成了项目考核指标。..