基于隨機(jī)森林算法的土壤圖斑分解.pdf

1、多邊形的制圖方式和利用長期的野外調(diào)查以及航空圖片解譯過程決定了傳統(tǒng)土壤圖不管是在調(diào)查方法上還是在制圖方式上，其效率都相對低下，費(fèi)時(shí)費(fèi)力，而且傳統(tǒng)土壤圖的精度也很難再滿足現(xiàn)代科學(xué)發(fā)展的日新月異。在新時(shí)代的發(fā)展下，傳統(tǒng)土壤圖主要面臨以下幾個(gè)問題。
　　首先，制圖比例尺的大小往往決定了最小圖斑的大小，比例尺越大，土壤圖中可表達(dá)的最小圖斑就越小，因而傳統(tǒng)土壤圖在成圖過程中會(huì)因?yàn)楸壤叩南拗贫雎缘粢恍┐髨D斑中的小圖斑，產(chǎn)生了土壤圖空間和屬

2、性上的簡化;其次，手工的多邊形的表達(dá)方式也忽略掉了土壤的空間漸變特征，多邊形邊界處的突變導(dǎo)致了原本是連續(xù)變化的土壤空間和屬性的突變，最后基于專家經(jīng)驗(yàn)和手工的制圖方式非常耗時(shí)耗力且容易產(chǎn)生人為誤差。
　　然而包含了大量專家知識(shí)的傳統(tǒng)土壤圖是歷史留下的寶貴資料，對于當(dāng)下的相關(guān)研究仍具有重要的參考價(jià)值。本文將湖北省黃岡市紅安縣華家河鎮(zhèn)灄水河流域作為研究區(qū)域，結(jié)合全國第二次土壤普查獲得的傳統(tǒng)土壤圖，利用已有的地形數(shù)據(jù)和多光譜數(shù)據(jù)，在GIS

3、平臺(tái)和R語言環(huán)境下采用隨機(jī)森林模型挖掘土壤-環(huán)境關(guān)系知識(shí)，并利用該模型對原有的土壤圖斑進(jìn)行空間分解，得到了空間信息更加詳細(xì)的土壤分布圖。具體的研究步驟分為以下幾步:
　　1)提取與研究區(qū)域成土環(huán)境相關(guān)的景觀因子數(shù)據(jù)。在此選擇的初始環(huán)境變量數(shù)據(jù)包括土壤母質(zhì)數(shù)據(jù)、地形數(shù)據(jù)和多光譜數(shù)據(jù)，利用從高程數(shù)據(jù)中提取的坡度、坡向、地形濕度指數(shù)、沿等高線曲率、沿平年曲率和水平曲率，從多光譜數(shù)據(jù)中提取的歸一化植被指數(shù)、歸一化水體指數(shù)、第一主成分、偏斜

4、、信息熵、方差、平均值，加上母質(zhì)構(gòu)成研究所用的因變量。
　　2)設(shè)計(jì)采樣點(diǎn)。采取圖斑面積加權(quán)的采樣方式設(shè)計(jì)采樣點(diǎn)，保證每個(gè)圖斑至少有10個(gè)樣點(diǎn)，最終確定了6686個(gè)樣點(diǎn)。利用樣點(diǎn)提取研究所用的環(huán)境因子數(shù)據(jù)并將樣點(diǎn)數(shù)據(jù)按母質(zhì)進(jìn)行分類。
　　3)環(huán)境因子的篩選。為確保制圖精度和效率，需要剔除掉一部分對模型貢獻(xiàn)率低的因子，本研究利用R語言提供的變量重要性測度importance()函數(shù)進(jìn)行因子篩選。
　　4)模型參數(shù)的確定。

5、隨機(jī)森林模型的兩個(gè)非常重要的參數(shù)mtry和ntree可以分別通過隨機(jī)森林模型袋外誤差和模型穩(wěn)定性的計(jì)算進(jìn)行判斷。
　　5)模型的應(yīng)用。利用R語言中的Random Forest包對數(shù)據(jù)進(jìn)行建模，得到四種母質(zhì)單元下的四組模型，利用這四組模型對研究區(qū)域內(nèi)每個(gè)柵格位置的環(huán)境因子信息進(jìn)行投票判斷，通過投票最終得到各個(gè)位置的土壤類型，進(jìn)而可以得到所研究區(qū)域的土壤圖。
　　研究表明:相比于傳統(tǒng)的土壤圖，圖斑分解后的整個(gè)土壤圖在圖斑的數(shù)量上