论文部分内容阅读
随着近些年地理信息系统、数字地形模拟、遥感技术及模糊推理等方法与技术的发展，预测性精细土壤制图应运而生。基于知识的专家系统方法是预测性土壤制图方法中较为实用的一种，其中土壤—环境关系知识是预测性土壤制图成功与否的关键问题。一般土壤—环境关系的知识可以通过在当地有多年经验、专门进行野外调查的土壤普查专家来获得，或者通过对传统土壤图进行知识挖掘获得。在许多没有专门的土壤普查专家的地区和国家，比如中国，大量的野外调查采样成为获取土壤环境知识的有效手段，并且也常被作为唯一的手段。然而野外采样通常需要大量的人力、物力和财力，且没有经验的调查者不一定可以很有效地获得建立土壤—环境关系模型(土壤景观模型)所需的有效知识。因此在没有土壤普查专家且无可利用的土壤图的地区如何通过少量的目的性采样获取有效的土壤环境间关系知识，成为基于知识的预测性土壤制图中的关键问题。
本研究通过在没有土壤普查专家以及传统土壤图等信息的地区实施一种非监督模糊聚类(模糊c均值，简称FCM)的方法通过少量的目的性采样提取土壤—环境关系知识，为预测性土壤制图提供必需的知识。基于土壤因子方程和土壤景观模型的理论，本研究进一步假设：特定的土壤类型与特定的环境组合相对应。因此寻求土壤与环境之间的关系即为将特定的土壤类型与特定的环境组合对应起来。基于此假设，本方法包括四个部分：第一，获取对土壤形成发展具有重要影响的环境因子，建立环境因子数据库；第二，对环境因子采用FCM方法进行模糊聚类得到环境组合的自然聚类；第三，通过野外调查对环境组合进行解释，将环境组合与土壤类型对应起来，获取土壤类型发生的典型环境条件以及土壤类型在空间的分布序列，得到土壤环境间关系的知识，建立土壤—环境关系模型；第四，应用土壤—环境关系模型进行预测性土壤制图，对所得土壤图进行精度评价，验证本方法的有效性。
研究区是位于黑龙江省黑河市嫩江县鹤山农场老莱河的一个小流域，面积约60km2，地形较平缓，当地将其称之为漫岗地。应用本方法获取土壤—环境关系知识的步骤是：首先，从研究区的DEM获取坡度、沿剖面曲率、沿等高线曲率及湿度指数建立GIS平台下的环境因子数据库；然后运行FCM程序得到环境组合的聚类结果，对各环境组合类型的中心点采样，通过野外调查确定其土壤类型，得到的采样点为解释集，依据解释集将环境组合与土壤类型对应起来，提取土壤—环境关系知识，建立土壤—环境关系模型。将得到的土壤—环境关系知识与土壤环境因子数据库输入到SoLIM(一个基于知识的土壤分布推理模型)中进行土壤推理制图，得到各土壤类型的隶属度分布图，通过土壤类型的隶属度图可以得到硬化的土壤类型图。通过野外采样建立验证集，采样方式包括随机采样、均匀采样和微地貌采样。对土壤类型图进行精度评价。本研究中验证集包括64个样本，推理得到的土壤类型图总精度为71.9％，微地貌采样点的精度为80％。验证结果表明，应用模糊聚类方法得到的土壤—环境关系知识能有效地获取土壤与环境问关系的信息，可以为预测性土壤制图提供必需的知识。
本文的研究表明，在缺少土壤专家的情况下，FCM模糊聚类是一种无需进行大量野外采样即可获取土壤—环境关系知识的有效途径。同时需要指出的是，FCM算法本身仍存在一些问题，例如模糊权重的选择和最佳类别的确定、算法的稳定性等，下一步的研究将针对FCM算法进行改进，以期得到更好的聚类结果。此外，本研究的后续工作还包括将基于FCM提取土壤—环境关系知识的方法推广到我国其它地区。