基于复杂环境区域的土壤有机质空间预测研究

发布时间：2020-10-27 13:31

　　 土壤有机质(Soil Organic Matter,SOM)是土壤肥力评价的重要指标,是土壤生态系统评价的重要内容。土壤有机质含量的空间分布受气候、母质、生物、地形、时间及人为因素等诸多环境因素的复杂影响,探究环境因子对土壤有机质的影响机制,分析土壤有机质与环境因子间的数学关系,建立土壤有机质空间拟合预测模型对于研究其空间分布特征、科学化田间管理、完善生态系统服务评估体系具有重要意义。为更好地拟合土壤有机质的空间分布,本文从多重环境变量降维角度出发,以经典统计、主成分分析及机器学习算法为工具,选择和提取最佳解释变量,挖掘环境变量信息,建立土壤有机质和解释变量的回归拟合模型,并对不同模型的适应性进行评价;利用地统计对回归拟合残差空间特征进行分析,预测土壤有机质的空间分布,主要结果如下:1.分析土壤有机质与环境变量的相关性及环境变量的信息可压缩性,对环境变量进行降维处理。Pearson’s相关系数分析表明土壤有机质含量与坡度、高程、地表粗糙度、相对高程、剖面曲率、平面曲率以及沉积物运移指数之间存在显著相关关系,逐步回归分析将地表粗糙度、剖面曲率、高程和平面曲率作为解释变量纳入多元线性回归方程中,实现了环境变量的降维。主成分分析对原始环境变量信息进行压缩,将原始的11个环境变量76.0%的信息提取至4个相互无关的主成分中,消除了变量间的多重共线性,实现了环境信息的降维。2.建立多元线性回归模型、主成分回归模型、偏最小二乘回归模型、神经网络模型和支持向量机回归模型等土壤有机质回归拟合模型。机器学习算法的引入可以提高对环境变量信息的挖掘程度,减少相关分析和主成分分析导致的环境信息浪费。对于所建立的拟合模型:(1)从响应时间来看,基于机器学习算法的回归模型响应时间明显长于传统的线性回归模型,其中神经网络的响应时间达到7200s;(2)从拟合度来看,以多元线性回归模型为参考,除主成分回归模型外,其它回归模型的拟合度均有提高;(3)从最小信息量准则来看,神经网络模型和支持向量机模型相较于多元线性回归模型、主成分回归模型和偏最小二乘回归模型有更好的拟合效果。3.回归拟合模型没有考虑土壤有机质的空间自相关性,将回归拟合模型不能解释的残差部分进行空间变异分析,建立普通克里格模型,并与作为趋势项的回归拟合模型相结合对研究区土壤有机质进行空间预测,预测结果显示不同模型的预测结果分布趋势类似。土壤有机质在区域内呈现差异化分布,西南部含量较高,东北部含量较低,分布特征与研究区由东北平原向西南丘陵地带过渡的地形特征相吻合。多元线性回归克里格模型预测结果与纳入模型的环境变量的空间分布规律相似;主成分回归克里格模型在保留图斑数量丰富的情况下对破碎图斑进行了合并;偏最小二乘回归克里格模型预测结果图斑数量进一步减少,且图斑与图斑之间的过渡曲线明显;神经网络克里格模型能够准确预测出土壤有机质低值区的差异性,说明其在平缓地区对地形信息的挖掘优于其它模型;支持向量机克里格模型预测结果高值区和低值区过渡模糊,图斑数量较多,提高了信息丰富程度。
【学位单位】：华中农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S153.6
【部分图文】：

技术路线图

图 2-2 BP 神经网络结构Fig 2-2 Architecture of back-propagation neural network算法通过对各层神经元的输入权值以及偏置实现可能地接近期望输出，以达到训练（学习）的目的基本算法过程为：经网络：网络权重被初始化为（-1，1）范围内的个相对应的激发阈值 ，当神经元的加权输入和激发状态，否则神经网络为抑制状态。输入：由 BP 网络的输入层向隐藏层、输出层逐元与神经元之间通过连接权重向关联，一个隐藏

图 2-2 BP 神经网络结构Fig 2-2 Architecture of back-propagation neural network络算法通过对各层神经元的输入权值以及偏置实现最出尽可能地接近期望输出，以达到训练（学习）的目的结构的基本算法过程为：神经网络：网络权重被初始化为（-1，1）范围内的较有一个相对应的激发阈值 ，当神经元的加权输入和 mi1处于激发状态，否则神经网络为抑制状态。播输入：由 BP 网络的输入层向隐藏层、输出层逐层经元与神经元之间通过连接权重向关联，一个隐藏层
【相似文献】

相关期刊论文 前10条

1 卞之卓;;南京市溧水区土壤硒分布特征及环境变量对其的影响[J];城市地理;2017年14期

2 周图卿;;巧用系统的“环境变量”[J];网络与信息;2006年05期

3 高飞 ,李隽秀;敌不动我不动 敌一动我乱动——玩转环境变量实例秀[J];电脑爱好者;2004年14期

4 阿心;八面玲珑的环境变量[J];电脑应用文萃;2004年01期

5 温凤兰;;巧用环境变量[J];办公自动化;2003年06期

6 陈庆章，董鼎伟，许有信;利用环境变量识别键输入[J];计算机应用;1995年01期

7 番茄蛋挞;;灵活运用环境变量 操作快人一步[J];电脑迷;2009年21期

8 周图卿;;巧用系统的“环境变量”[J];办公自动化;2006年07期

9 王艺翔;;环境变量新玩法[J];电脑迷;2005年12期

10 郑钢锋;如何灵活设置环境变量[J];电脑编程技巧与维护;1998年05期

相关博士学位论文 前5条

1 黄玥;末次冰期以来南海及日本海硅藻及其古环境变化[D];华东师范大学;2009年

2 任学敏;太白山主要植物群落数量分类及其物种组成和丰富度的环境解释[D];西北农林科技大学;2012年

3 刘瑞雪;丹江口水库水滨带植被特征及其与环境因素的关系[D];华中农业大学;2013年

4 余为;西北太平洋柔鱼冬春生群对气候与环境变化的响应机制研究[D];上海海洋大学;2016年

5 王兴雨;蓝藻水华暴发期间微囊藻基因型组成的时空变化及其相关环境因子[D];南京大学;2013年

相关硕士学位论文 前10条

1 陈可;基于复杂环境区域的土壤有机质空间预测研究[D];华中农业大学;2018年

2 周瑛瑛;支持环境变量感知的存储系统研究[D];大连海事大学;2009年

3 张秀烨;控制环境与管理控制系统[D];东北财经大学;2003年

4 桑满杰;环境变量对物种分布模型的影响与评价[D];陕西师范大学;2015年

5 乔亮;基于组织学习和环境变量的市场导向对企业绩效的影响[D];湖南师范大学;2012年

6 徐盛;空间因子和不同尺度环境变量对溪流大型底栖无脊椎动物集合群落组成的相对影响[D];南京农业大学;2014年

7 岳彩东;中国省份工业绿色经济增长核算分析[D];重庆工商大学;2014年

8 敬春菊;我国企业知识型员工激励研究[D];西安理工大学;2003年

9 何志聪;中小民营企业家创业动机及其影响因素研究[D];浙江大学;2004年

10 杜立杰;我国家电上市公司效率研究[D];暨南大学;2017年

本文编号：2858583