基于景觀及微地形特征的丘陵區土壤屬性預測

　　摘要為探討小流域尺度丘陵區的高分辨率數字土壤制圖方法，通過對景觀相分類的探索，配合應用不同尺度的Geomorphons(GM)微地形特征數據構成分類變量組參與高分辨率土壤pH、黏粒含量(SCC)和陽離子交換量(CEC)的預測制圖，并與傳統數字高程模型衍生變量和遙感變量進行組合與比較分析。此外，采用支持向量機、偏最小二乘回歸和隨機森林3種機器學習模型擇優與殘差回歸克里金復合參與預測模型的構建與評價。結果表明：景觀及多尺度微地形分類變量組的應用分別提高小流域尺度丘陵地貌區pH、SCC和CEC預測精度的18.8%、8.2%和8.7%。包含植被信息的景觀相分類圖相比土地利用數據有更高的模型貢獻度;5m分辨率的GM微地形分類圖相比低分辨率的分類圖更適宜高精度的預測制圖。SCC使用隨機森林復合模型有最高的預測精度，而pH和CEC則不適宜在隨機森林模型的基礎上加入殘差回歸克里金模型。景觀-多尺度微地形分類變量、數字高程模型衍生變量和遙感變量三者結合的模型預測表現最佳，表明多元變量在起伏地形區域相比單一數據源能夠包含更多的土壤有效信息。由GM數據和地表景觀數據組成的景觀分類變量組作為主要變量能夠解釋小流域丘陵區部分土壤屬性約40%的空間變異。在同類型土壤預測制圖研究中，多分辨率GM及景觀分類數據有潛力作為環境變量參與預測模型的構建。

　　關鍵詞景觀分類;微地形;數字土壤制圖;隨機森林;機器學習

　　土壤是一種基本的不可再生資源，在促進農業可持續發展、維持地球生態圈穩定和應對氣候變化等方面都發揮著重要作用[1]。由于環境退化、糧食安全等問題日益嚴峻，農業發展正面臨越來越大的壓力，對土壤生態系統的有效管理和保護需求也愈發迫切[2]。因此，如何獲取準確可靠的土壤狀況信息供給管理者做出適宜決策就顯得尤為重要。

　　近年來，隨著應用模型的不斷發展，數字土壤制圖(digitalsoilmapping，DSM)與土壤學的有機結合越來越引起相關學者的重視[3]。DSM技術是基于土壤與其形成過程相關的環境因素之間的內在關系構建適宜的土壤-景觀模型，用于描繪土壤屬性的空間變異性[4]。如Scorpan模型作為Jenny方程的推廣，利用土壤信息、氣候、生物、地形、母質以及其他因素引起的空間趨勢來預測土壤性質，反映了土壤-景觀模型的一般性原理[5]。

　　城市景觀論文： 城市公共健康對未來住宅區景觀設計的影響

　　因此，一系列環境因子被納入DSM的建模過程中，總體可以分為兩類，一類為分類變量(又名定性變量)，如母質類型、土壤類型和土地利用類型等;另一類為連續變量(又名定量變量)，如數字高程模型(digitalelevationmodel，DEM)衍生變量、植被指數和距離變化等[6–8]。在中國東部廣袤的丘陵山區，由于地形起伏程度較大，地形因素已經成為土壤屬性制圖中最重要的預測因子[4]。而伴隨著高精度DEM的發展和普及，在小流域尺度上針對破碎化農田管理進行較為準確的土壤屬性預測也基本可以實現[9]。因此，如何探索和應用更適宜的多樣化地形變量，并將之與環境景觀要素相結合以構建高精度的土壤-景觀模型將成為丘陵山區DSM研究的重要方向。其中，土壤質地和土地利用類型作為土壤環境和人類活動的綜合反映，是小流域尺度上土壤屬性空間分布的重要控制因子。

　　之前的一些研究也表明，不同土壤質地和土地利用方式之間的pH、有機碳、總氮等土壤屬性有顯著差異[10-11]。相對于側重人為因素影響的土地利用圖，本研究將高程、植被覆蓋、土壤質地和土地利用方式相結合構成景觀相分類變量，藉以更好地表達區域景觀的空間異質性[12]。地形分類作為地上部特征的直接反映，是對區域地形信息的有力補充。相比平原區域，在以地形特征為主導預測變量的丘陵區DSM研究中，地形分類數據往往能提供更多的潛在土壤信息，但迄今關于小流域尺度上的DSM研究仍然較少[13]。

　　近40年來，適用于精確地形地貌分類的計算機模型在不斷地推陳出新[14]，盡管不同的模型因為算法差異會獲得不同的地形分類結果，但是大部分的算法內核都基于相同的假設而成立，即存在兩個可比較的相鄰地形要素，且在地理信息系統中具有可識別可 捕捉的特征(如坡向、剖面曲率等)[15]。本研究使用了一種較為新穎的Geomorphons(GM)地形分類方法，于2013年由Jasiewicz等提出[16]。該方法主要根據目標位置的高程值在指定大小的鄰域搜索視窗內所捕捉的相對差值來確定該處像元所對應的地形元素類型。GM方法相對于其他地形分類模型有2個顯著特征：

　　1)能在獲得擁有準確定義的地形元素分類結果的前提下僅占用少量計算資源，更加高效;2)相比其他模型可選擇地形屬性集作為判定要素的主觀性，GM方法能有效避免分類結果的不確定性且對局部地形特征的識別擁有更高的自適應性[17]。尺度是所有地形分類模型的關鍵參數，地形格局在不同尺度上可能存在很大差異[18]。多尺度方法有助于提高地形分類圖作為預測因子的應用效率，并較為全面地表征復雜的地表特性。在預測模型方面，使用較為常見的3種機器學習算法：支持向量機(supportvectormachine，SVM)、偏最小二乘回歸(partialleastsquaresregression，PLSR)和隨機森林(randomforest，RF)。

　　此外，回歸克里金與最優算法的結合也加入到模型的構建討論中，以獲得最高的預測精度。本研究將景觀相、土地利用、土壤質地聯合多尺度GM微地形圖作為景觀-地形分類變量組，與傳統DEM衍生變量組和遙感變量組形成對照，共同參與到小流域尺度丘陵區的pH、土壤黏粒含量(soilclaycontent，SCC，<0.002mm)和陽離子交換量(cationexchangecapacity，CEC)預測制圖中。

　　1研究地區與研究方法

　　1.1研究區概況

　　研究區位于江蘇省鎮江市黃梅鎮北部(32°3'20″—32°5'50″N，119°10'20″—119°12'30″E)。該區域北鄰長江，平均高度82m，北部地勢較高，最高225m，且丘陵地形突出，最大坡度69°，平均坡度12°。占地面積約5.37km2，屬北亞熱帶暖濕氣候，年均氣溫15.2℃，年均降水量1060mm，其中，70%~80%集中在6—8月。研究區丘陵地形特征主要體現于北部地區，而南部較平坦區域覆蓋旱地和灌溉農業，以小麥、水稻等經濟作物為主。

　　丘陵主體以石英砂巖巖性為主，優勢樹種為馬尾松(Pinusmassoniana)和白櫟(Quercusfabri)。丘陵坡麓部覆蓋大片下蜀黃土，以下蜀黃土為母質的土壤廣泛分布于長江中下游地區[19]。根據中國土壤系統分類檢索[20]，研究區共分布有人為土、淋溶土、雛形土和新成土4個土綱，且由于長期的稻麥輪作歷史，水耕人為土在南部農耕區的分布較為廣泛，而淋溶土則在北部丘陵區占據主導地位。

　　1.2樣品采集與分析

　　為盡可能捕捉研究區內的景觀異質性，以景觀類型差異最大化為原則在研究區內共采集74個土壤樣品。采樣設計以景觀分類為基礎，綜合與土壤形成過程密切相關的環境信息。對土壤景觀格局的分布特征進行綜合性室內分析，最終形成的采樣點空間分布對研究區主要景觀類型如自然林地、灌木林地、旱地和水田等進行全面覆蓋。采用五點混合取樣法在1m2內獲得每個表層土壤(0~20cm)樣品，在室內溫度20~25℃條件下風干14d，剔除植物殘根和石礫，經研磨后采用2mm不銹鋼網篩進行篩分。土壤pH采用水浸提法(水土比2.5:1)進行測量，土壤粒徑組成采用干篩法經過篩分和稱重獲得，土壤CEC采用乙酸鈉-火焰光度法進行測量[21]。

　　1.3景觀分類變量

　　景觀分類變量包括土壤質地分類變量、土地利用分類變量以及景觀相分類變量。景觀相通常作為1：10000及更大比例制圖的分類等級，主要以自然或半自然區域作為分類對象，將微地貌作為基礎分類的優勢因子能夠較好地反映小區域的景觀差異。對于微地貌的劃分指標因區域地質條件、景觀特征、立地方位以及相對高程的變化等因素因地制宜加以選擇。

　　針對小流域尺度下的丘陵地形特征，將高程、坡度、土壤質地和土地覆被類型作為分類依據：相對高度包括緩丘(20~50m)、淺丘(50~100m)、深丘(100~200m)和低山(200~500m);坡度參照包括平地(≤2°)、緩坡(2°~6°)、中緩坡(6°~15°)、中坡(15°~25°)和陡坡(≥25°);土壤質地分為黏壤土(暗紅棕色)、粉砂壤土(棕色)、砂質壤土(暗棕色)和壤土(紅棕色);土地覆被包括水田、旱地、茶園、桃園、馬尾松-杉木混交林群落、白櫟林群落、村莊聚落和未利用地。根據以上分類標準經過適當的圖斑合并和舍棄，簡化輪廓線并進行適當的類型歸并，生成研究區1:25000景觀相分類圖。

　　1.4多尺度GM微地形分類變量

　　本研究使用的微地形分類變量通過GM方法獲得，打破了標準演算方法在固定尺寸的單個窗口中檢測所有地形元素的局限性。綜合可見鄰域內的高程信息并據此判定局域幾何形態特征，最終生成10種主要的地形部位[16]。GM地形分類法有2個主要參數：檢索窗口的搜索半徑，根據以往研究，采用20像元的設置能獲得最佳分類結果[22];平坦度閾值，即視作水平區域的坡度閾值大小，由于地處丘陵，研究區平均坡度較大，因此將平坦度閾值設置為5°能獲得較好的“平地”分布，對應于實際的耕地分布。

　　在預測模型的構建過程中，地形分類變量對尺度的變化較敏感[23]，而預測變量與土壤屬性值之間的關系也會隨著尺度的變化而變化。尺度通常被認為是一個特定的空間分辨率，需參考輸出的制圖單元大小，受到遙感數據像元大小、空間異質性和數據量的影響[24-25]。

　　本研究將不同尺度的GM地形分類變量相結合，探討在何種尺度下可以獲得最高的模型貢獻度和最佳的預測效果。采用通過立體像對生成的5、15、30mDEM與常用的30m分辨率ShuttleRadarTopographyMission(SRTM)DEM作為數據來源，生成多分辨率GM微地形分類圖，共同參與pH、SCC和CEC的預測制圖，其中，15、30mDEM由5mDEM數據在ArcGIS10.6中經重采樣生成。

　　1.5遙感變量和DEM衍生變量

　　遙感影像數據源于中國資源衛星應用中心，包括高分二號(GF-2)多光譜衛星影像和高分三號(GF-3)雷達衛星影像。GF-2影像獲取時間為2019年9月，該時段研究區所處流域有較高的綠度覆蓋，適宜提取相關植被指數。GF-3數據為C頻段多極化合成孔徑雷達(SAR)標準條帶影像，采用VH、VV雙極化，幅寬130km，空間分辨率25m，成像時間為2020年1月。

　　GF-2影像的預處理在ENVI5.3軟件中完成[26]，其近紅外波段(NIR)(0.77~0.89μm)及兩種植被光譜指數被提取作為環境預測變量，包括歸一化植被指數(normalizeddifferencevegetationindex，NDVI)和花青素反射指數2(anthocyaninreflectanceindex2，ARI2)。

　　GF-3雷達衛星影像使用PIE-SAR6.0進行預處理[27]，VH和VV數據被提取作為環境變量，分辨率為25m。本研究使用5m空間分辨率DEM進行衍生地形環境變量的提取，通過資源三號02星(ZY3-02)前后視立體像對在ENVI5.3.1軟件中利用DEM提取模塊生成，經100個呈網格狀分布的實測高程值驗證后的精度誤差為1.59m，符合5mDEM的應用精度要求[28]。所需DEM衍生變量由ArcGIS10.6和SAGAGIS軟件提取并參與后續的預測制圖。

　　2結果與分析

　　2.1土壤屬性統計特征及分布

　　土壤pH、SCC和CEC的偏度值分別為0.05、0.11和1.01，表現出不同程度的右偏趨勢。其中，pH值基本呈對稱分布，SCC值表現出輕微偏態分布，而CEC值表現出高度偏態分布，3種土壤屬性數據的標準差均低于平均值。根據Essington[36]提出的以變異系數(coefficientofvariation，CV)評估土壤屬性的均質性和異質性的劃分標準，即CV值低于15%為均勻分布，16%~35%為中度變異，高于36%為高度變異，則研究區內pH值分布較為均勻，SCC和CEC則有不同程度的中度變異。

　　由于樣點個數有限，為更好地表現3種土壤屬性在地形起伏區域的差異，將原5m分辨率GM圖斑按地形部位相鄰原則進行聚合，具體為山峰、山脊和山肩聚合為坡頂部，凸背坡、直背坡和凹背坡聚合為坡中部，平區和山腳聚合為平坦部，溝谷和洼地聚合為凹坡部。由此可以看出，除平坦部和坡中部的pH外(P=0.034)，3種土壤屬性在4種地形部位上均表現出顯著差異，表明高分辨率的GM地形分類圖斑在小流域尺度的丘陵地帶能較好地表征pH、SCC和CEC之間的差異，進而應用于土壤屬性的預測制圖。

　　2.2模型的建立與評價

　　將應用的環境變量分為3類進行不同的組合加入到3種預測模型中，3類環境變量分別為：包含景觀變量和GM多尺度微地形變量的分類變量、DEM衍生連續變量以及從光學和SAR遙感影像中提取的連續變量，共形成5種變量組合(Ⅰ：遙感變量;Ⅱ：景觀及微地形分類變量;Ⅲ：DEM衍生變量;Ⅳ：景觀及微地形分類變量+DEM衍生變量;Ⅴ：遙感變量+景觀及微地形分類變量+DEM衍生變量)，并對其在SVM、PLSR和RF模型中的預測表現進行評估。RF模型對pH、SCC和CEC的預測在3種機器學習模型中都擁有最高的預測精度，在此基礎上對RF的預測殘差空間結構進行回歸克里金插值(regressionKriging，RK)，獲得RF-RK預測模型精度。對預測精度的比較結果表明，3種機器學習模型在不同土壤屬性的預測中表現出一定的特征和差異。

　　以模組Ⅴ為例，在pH的預測結果中，模型精度由高到低依次為RF、PLSR和SVM(R2分別為0.63、0.58和0.54);在SCC的預測中，SVM的精度最低，PLSR和RF模型的預測結果相似(R2分別為0.53、0.58和0.59);對于CEC的預測，RF模型仍擁有最佳的預測結果，SVM模型的精度高于PLSR模型(R2分別為0.51、0.50和0.48)。綜合來看，相比SVM和PLSR模型，RF模型擁有總體最佳的預測表現，RF模型在DSM領域的應用也得到過多次驗證[37]。

　　對RF模型的預測殘差進行回歸克里金插值并疊加以評估其對預測結果的影響。土壤pH由于其殘差過小導致預測精度并未發生明顯變化。SCC的預測精度明顯提升，CEC的預測精度低于單一RF模型，其中，SCC殘差的最佳擬合模型為高斯模型，塊金值為167.3，基臺值為334.7，塊金系數為50%，表明模型預測殘差具有一定的空間結構性。模型的殘差可以作為預測不確定性的一種表征，當土壤屬性呈現較強的空間自相關性時，殘差空間結構與模型的結合能夠優化模型的不確定性，使預測結果得到有效提升。

　　3討論

　　Odeh等[38]研究表明，殘差空間結構回歸克里金應用于不同土壤屬性的效果有較大差異，這種差異與目標屬性和地形因素之間的關聯性有關。他們的結果顯示，表土層礫石含量及亞表土層黏粒含量在應用殘差回歸克里金模型時有較大提升，這與本研究結果一致，表明機器學習與殘差回歸克里金的復合模型適用于土壤質地等受地形特征影響較大的土壤屬性的預測與制圖。

　　土地利用分類數據在大尺度DSM研究中已逐漸得到普及，而針對土壤調查進行劃分的景觀分類圖的應用則鮮有涉及。小流域尺度的土壤分布與所處景觀條件有著密切聯系[39]，尺度相符且詳略得當的地表覆被分類信息有助于小尺度的土壤分類或相關屬性值的預測分布。GM地形分類在DSM領域的應用則多見于土壤分類的研究，如Ngunjiri等[22]在肯尼亞UasinGishu高原利用GM地形分類對當地土壤類型進行預測，總體分類精度達到了0.58。

　　由于地形分類對于尺度效應的敏感性，不同分辨率的GM圖對于土壤景觀格局的可解釋性也有所區別，如Atkinson等[23]研究發現，不同尺度GM圖的地形元素對應的土壤類型、黏粒含量和土壤深度存在顯著差異。盡管上述研究討論了土壤分布與GM地形分類特征之間的關系，卻并未將其應用于土壤屬性的預測。

　　本研究基于土壤與所處景觀的內在關系，在結合傳統DEM提取數據作為環境變量的基礎上，輔以高精度遙感信息數據，探討了景觀分類數據與多尺度GM微地形分類圖等類別變量在小流域尺度丘陵地貌區的應用潛力。結果表明，詳細的地表景觀信息結合高分辨率的GM數據能夠有效提高土壤pH、SCC和CEC的預測精度。主要結論如下：

　　1)RF模型相比SVM和PLSR模型在研究區內針對pH、SCC和CEC三種土壤屬性擁有更好的預測表現。對于SCC值的預測，RF模型與殘差回歸克里金插值結合形成的復合模型的預測精度最佳。2)在3種土壤屬性中，pH的制圖精度高于SCC和CEC，CEC制圖的不確定性最高。

　　3種類型環境變量共同組成的模組Ⅴ最高能解釋

　　pH值空間變異的63%、SCC值的61%和CEC值的51%。3)景觀類型數據與多尺度GM微地形分類數據組合而成的景觀-微地形分類變量組的應用在RF模型中對土壤pH、SCC和CEC的預測精度相比單一類型的DEM衍生變量組能分別提升18.8%、8.2%和8.7%。4)在景觀類變量中，包含植被分布信息的景觀相變量相比單一土地利用變量擁有更高的模型貢獻率;在多尺度GM微地形分類變量中，5m高分辨率GM分類數據表現最佳。

　　參考文獻

　　[1]AmundsonR,BerheAA,HopmansJW,etal.Soilandhumansecurityinthe21stcentury.Science,2015,348:1261071

　　[2]MontanarellaL,PennockDJ,McKenzieN,etal.World’ssoilsareunderthreat.Soil,2016,2:79–82

　　[3]ScullP,FranklinJ,ChadwickOA,etal.Predictivesoilmapping:Areview.ProgressinPhysicalGeography:EarthandEnvironment,2003,27:171–197

　　[4]CameraC,ZomeniZ,NollerJS,etal.AhighresolutionmapofsoiltypesandphysicalpropertiesforCyprus:Adigitalsoilmappingoptimization.Geoderma,2017,285:35–49

　　[5]McBratneyA,MendonçaSM,MinasnyB.Ondigitalsoilmapping.Geoderma,2003,117:3–52

　　[6]Pahlavan-RadMR,AkbarimoghaddamA.SpatialvariabilityofsoiltexturefractionsandpHinafloodplain(casestudyfromeasternIran).Catena,2018,160:275–281

　　[7]DongW,WuT,LuoJ,etal.Landparcel-baseddigitalsoilmappingofsoilnutrientpropertiesinanalluvial-diluviaplainagriculturalareainChina.Geoderma,2019,340:234–248

　　作者：1魏宇宸1趙美芳2朱昌達1張秀秀1潘劍君1

轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jzlw/28823.html