地形因素影响下重庆市主要土壤的质地类型空间分布预测研究
发布时间：2021-12-23 12:58
土壤质地是土壤的重要物理性质之一,不同质地的土壤,其孔隙度、通透性、热容量、保蓄性、温变和耕性等土壤性质不相同,影响土壤水分、养分、热量和空气的转化,是水文模型、陆面过程模型和耦合陆面过程大气模型的重要输入变量。重庆市位于我国内陆西南部,地形地貌复杂,全市约98%的土地为山地和丘陵,土壤质地类型具有较强的空间异质性。土壤质地类型测定方法主要有两类,精度最高的是实验室法,其通过对土壤粒径进行检测,并结合土壤质地划分标准,确定土壤质地类型,但这种方法时间成本和经济成本较高,通过该方法获取大尺度上的土壤质地类型数据较为困难。实际研究中,通常采用的是手测法,其被认为是一种适合于替代实验室法判定土壤质地类型的方法,根据土壤物理机械特性（粘结性和可塑性）的表现程度来确定土壤质地类型,一般可分为粘土、壤土和砂土三种类型。在更大尺度上,经典统计学和地统计学模型虽然可以进行土壤质地类型预测,但其误差不容忽视,不能很好的满足相关研究的需求,尚缺乏适宜在小流域尺度进行土壤质地空间分布预测方法。在成土母质和人类活动相对一致的条件下,地形因素显著影响土壤质地的空间分布。为此,基于有限的土壤质地样本,建立地形因素...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
不同参数下的支持向量机kappa系数和总体精度Fig.3-3ThekappastatisticandoverallaccuracyproducedbySVMswithdifferentparameters
图 3-4 隐层神经元数不同的 ANNs 的 Kappa 系数和总体精度Fig. 3-4 The kappa statistic and overall accuracy for ANNs with different neuron numbers in thehidden layer图 3-5 显示了不同参数的分类树产生的总体精度和 Kappa 系数，当父节点=100、子节点=50；父节点=50、子节点 =25 和父节点=10、子节点=5 时，其 Kappa 系数分别为 0.31、0.31 和 0.44，总体精度分别为 0.836、0.836 和 0.864，当父节点=10、子节点=5 时，分类树的 Kappa 系数和总体精度为 0.44 和 0.864，模型性能更佳。
Fig. 3-4 The kappa statistic and overall accuracy for ANNs with different neuron numbers in thehidden layer图 3-5 显示了不同参数的分类树产生的总体精度和 Kappa 系数，当父节点=100、子节点=50；父节点=50、子节点 =25 和父节点=10、子节点=5 时，其 Kappa 系数分别为 0.31、0.31 和 0.44，总体精度分别为 0.836、0.836 和 0.864，当父节点=10、子节点=5 时，分类树的 Kappa 系数和总体精度为 0.44 和 0.864，模型性能更佳。
【参考文献】：
期刊论文
[1]基于AE的坡面地形特征提取系统设计与实现[J]. 孟微波,袁家明,张卡,陈辉. 矿山测量. 2018(06)
[2]土壤质地分类及其在我国应用探讨[J]. 吴克宁,赵瑞. 土壤学报. 2019(01)
[3]不同等级土壤遥感分类的尺度匹配性探讨[J]. 陈斌,王宏志,李仁东. 湖北大学学报(自然科学版). 2018(04)
[4]分类回归树算法在土壤水分估算中的应用[J]. 韩家琪,毛克彪,葛非凡,郭晶鹏,黎玲萍. 遥感信息. 2018(03)
[5]基于高分辨地形的黄土滑坡特征参数提取及其应用意义[J]. 胡胜,邱海军,王新刚,谢婉丽,龙永清,土祥,杨冬冬,马舒悦,张焱,曹明明. 第四纪研究. 2018 (02)
[6]OLI与HSI影像融合的土壤盐分反演模型[J]. 厉彦玲,赵庚星,常春艳,王卓然,王凌,郑佳荣. 农业工程学报. 2017(21)
[7]基于支持向量机和近红外光谱特性的土壤质地分类[J]. 胡晓艳,宋海燕. 山西农业科学. 2017(10)
[8]单因素方差分析与多元线性回归分析检验方法的比较[J]. 戴金辉,袁靖. 统计与决策. 2016(09)
[9]非农建设占用耕地耕层土壤剥离潜力评价方法[J]. 陈心佩,钟守琴,魏朝富. 农业工程学报. 2016(05)
[10]基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 王茵茵,齐雁冰,陈洋,解飞. 土壤学报. 2016(02)
博士论文
[1]高寒山区不同土壤-植被类型下土壤含水量估算研究[D]. 李金麟.兰州大学 2018
[2]黑河中游绿洲土壤物理性质的时空变异性研究[D]. 李丹凤.中国科学院研究生院（教育部水土保持与生态环境研究中心） 2014
[3]基于遥感技术的棉田土壤质量评价研究[D]. 王琼.石河子大学 2013
[4]陕北黄土坡面微地形土壤质量研究[D]. 张宏芝.北京林业大学 2011
[5]基于地统计学方法和Scorpan模型的土壤有机质空间模拟研究[D]. 李志斌.中国农业科学院 2010
[6]四川盆地晚侏罗世至新近纪层序充填及构造—岩相古地理演化[D]. 杨国臣.中国地质大学（北京） 2010
[7]数据挖掘技术支持下的土壤重金属污染评价系统的研究[D]. 成伟.浙江大学 2009
[8]基于GIS和地统计学方法的土壤养分空间变异及应用研究[D]. 于婧.华中农业大学 2007
[9]阴山北麓保护性耕作地表抗风蚀效果的试验研究[D]. 刘汉涛.内蒙古农业大学 2006
硕士论文
[1]基于卷积神经网络和集成学习的材质识别和分割方法研究[D]. 李婉婉.北京交通大学 2018
[2]重庆市紫色土的系统分类研究[D]. 唐江.西南大学 2017
[3]基于数据智能的异常模式识别关键技术研究[D]. 钱坤.北京理工大学 2016
[4]基于支持向量机的土壤基础肥力评价和土壤有机质含量预测研究[D]. 黄婷.南京农业大学 2015
[5]地形和土地利用对山区土壤养分空间变异的影响[D]. 蒋文惠.山东农业大学 2014
[6]小流域尺度地形对土壤水分的影响及尺度效应[D]. 梁宁霞.西北农林科技大学 2014
[7]中扬子区上侏罗统—新近系层序地层与盆地充填演化[D]. 李善营.中国地质大学（北京） 2009
[8]中扬子地区晚侏罗世—新近纪沉积相及其演化特征[D]. 吴云辉.中国地质大学（北京） 2009
[9]基于支持向量机的高光谱遥感图像分类[D]. 郭春燕.哈尔滨工程大学 2007
[10]基于DEM的地形湿度指数提取与应用研究[D]. 张彩霞.西北农林科技大学 2006
本文编号：3548524
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
不同参数下的支持向量机kappa系数和总体精度Fig.3-3ThekappastatisticandoverallaccuracyproducedbySVMswithdifferentparameters
图 3-4 隐层神经元数不同的 ANNs 的 Kappa 系数和总体精度Fig. 3-4 The kappa statistic and overall accuracy for ANNs with different neuron numbers in thehidden layer图 3-5 显示了不同参数的分类树产生的总体精度和 Kappa 系数，当父节点=100、子节点=50；父节点=50、子节点 =25 和父节点=10、子节点=5 时，其 Kappa 系数分别为 0.31、0.31 和 0.44，总体精度分别为 0.836、0.836 和 0.864，当父节点=10、子节点=5 时，分类树的 Kappa 系数和总体精度为 0.44 和 0.864，模型性能更佳。
Fig. 3-4 The kappa statistic and overall accuracy for ANNs with different neuron numbers in thehidden layer图 3-5 显示了不同参数的分类树产生的总体精度和 Kappa 系数，当父节点=100、子节点=50；父节点=50、子节点 =25 和父节点=10、子节点=5 时，其 Kappa 系数分别为 0.31、0.31 和 0.44，总体精度分别为 0.836、0.836 和 0.864，当父节点=10、子节点=5 时，分类树的 Kappa 系数和总体精度为 0.44 和 0.864，模型性能更佳。
【参考文献】：
期刊论文
[1]基于AE的坡面地形特征提取系统设计与实现[J]. 孟微波,袁家明,张卡,陈辉. 矿山测量. 2018(06)
[2]土壤质地分类及其在我国应用探讨[J]. 吴克宁,赵瑞. 土壤学报. 2019(01)
[3]不同等级土壤遥感分类的尺度匹配性探讨[J]. 陈斌,王宏志,李仁东. 湖北大学学报(自然科学版). 2018(04)
[4]分类回归树算法在土壤水分估算中的应用[J]. 韩家琪,毛克彪,葛非凡,郭晶鹏,黎玲萍. 遥感信息. 2018(03)
[5]基于高分辨地形的黄土滑坡特征参数提取及其应用意义[J]. 胡胜,邱海军,王新刚,谢婉丽,龙永清,土祥,杨冬冬,马舒悦,张焱,曹明明. 第四纪研究. 2018 (02)
[6]OLI与HSI影像融合的土壤盐分反演模型[J]. 厉彦玲,赵庚星,常春艳,王卓然,王凌,郑佳荣. 农业工程学报. 2017(21)
[7]基于支持向量机和近红外光谱特性的土壤质地分类[J]. 胡晓艳,宋海燕. 山西农业科学. 2017(10)
[8]单因素方差分析与多元线性回归分析检验方法的比较[J]. 戴金辉,袁靖. 统计与决策. 2016(09)
[9]非农建设占用耕地耕层土壤剥离潜力评价方法[J]. 陈心佩,钟守琴,魏朝富. 农业工程学报. 2016(05)
[10]基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 王茵茵,齐雁冰,陈洋,解飞. 土壤学报. 2016(02)
博士论文
[1]高寒山区不同土壤-植被类型下土壤含水量估算研究[D]. 李金麟.兰州大学 2018
[2]黑河中游绿洲土壤物理性质的时空变异性研究[D]. 李丹凤.中国科学院研究生院（教育部水土保持与生态环境研究中心） 2014
[3]基于遥感技术的棉田土壤质量评价研究[D]. 王琼.石河子大学 2013
[4]陕北黄土坡面微地形土壤质量研究[D]. 张宏芝.北京林业大学 2011
[5]基于地统计学方法和Scorpan模型的土壤有机质空间模拟研究[D]. 李志斌.中国农业科学院 2010
[6]四川盆地晚侏罗世至新近纪层序充填及构造—岩相古地理演化[D]. 杨国臣.中国地质大学（北京） 2010
[7]数据挖掘技术支持下的土壤重金属污染评价系统的研究[D]. 成伟.浙江大学 2009
[8]基于GIS和地统计学方法的土壤养分空间变异及应用研究[D]. 于婧.华中农业大学 2007
[9]阴山北麓保护性耕作地表抗风蚀效果的试验研究[D]. 刘汉涛.内蒙古农业大学 2006
硕士论文
[1]基于卷积神经网络和集成学习的材质识别和分割方法研究[D]. 李婉婉.北京交通大学 2018
[2]重庆市紫色土的系统分类研究[D]. 唐江.西南大学 2017
[3]基于数据智能的异常模式识别关键技术研究[D]. 钱坤.北京理工大学 2016
[4]基于支持向量机的土壤基础肥力评价和土壤有机质含量预测研究[D]. 黄婷.南京农业大学 2015
[5]地形和土地利用对山区土壤养分空间变异的影响[D]. 蒋文惠.山东农业大学 2014
[6]小流域尺度地形对土壤水分的影响及尺度效应[D]. 梁宁霞.西北农林科技大学 2014
[7]中扬子区上侏罗统—新近系层序地层与盆地充填演化[D]. 李善营.中国地质大学（北京） 2009
[8]中扬子地区晚侏罗世—新近纪沉积相及其演化特征[D]. 吴云辉.中国地质大学（北京） 2009
[9]基于支持向量机的高光谱遥感图像分类[D]. 郭春燕.哈尔滨工程大学 2007
[10]基于DEM的地形湿度指数提取与应用研究[D]. 张彩霞.西北农林科技大学 2006
本文编号：3548524
本文链接：https://www.wllwen.com/kejilunwen/nykj/3548524.html
