论文部分内容阅读
摘要：“3S”技术的迅速发展，为土壤厚度预测研究提供了新的技术手段，土壤-景观模型为核心，基于空间技术和数理统计方法进行土壤厚度预测研究成为新的研究方向。本文基于土壤-景观模型，探讨了导致环青海湖地区土壤厚度空间变异的环境要素，基于DEM和TM数据，计算该地区土壤环境因子数据。随后用CBR（Case based Reasoning）方法、模糊推理方法结合野外实测数据建立了该地区土壤-景观关系，并计算该地区土壤模糊隶属度分布数据，在此基础上，预测了该地区土壤厚度。这是首次将土壤-景观模型预估土壤厚度的方法利用于大尺度流域，与野外实测数据对比表明，这一方法预测精度为较好，适用于这一地区土壤厚度研究。
关键词：土壤厚度；青海湖；土壤-景观模型；环境因子；模糊推理
0引言
土壤厚度是指从土壤表面向下一直到土壤母质层的垂直深度[1]。作为土壤质量评估的重要指标，土壤厚度是土壤的基本属性之一，是鉴别土壤肥力和判断土壤侵蚀程度的重要指标[2，3]，对生物多样性、植被类型乃至地表径流都有重要影响[4]。本文研究区处在青海湖流域，近些年来由于过度放牧和气候变化，导致青海湖流域天然草场的土壤厚度不断减少，研究大范围区域土壤厚度数据快速获取方法，对于环青海湖草场的保护尤为重要。
近些年来，土壤厚度的相关研究受到越来越多国内外学者的关注。然而传统研究方法具有范围小、成本高等劣势，随着遥感等技术手段的发展，以土壤-景观模型为理论基础，数学方法和空间技术为手段的土壤调查方法，已经成为目前最为适用的大范围地区土壤厚度预估方法。利用土壤-景观模型进行土壤属性定量预估的关键问题在于构建土壤-景观关系，通常采用数理统计、相关性分析、模糊隶属度与专家知识库等[5-10]。
本文以土壤-景观模型为理论基础，结合DEM（Digital Elevation Model）和Landsat数据以及地面实测数据，通过模糊理论方法和CBR方法，进行环青海湖流域草场土壤厚度预测研究，为该区域土壤的保护提供依据。
1 研究方法
1.1 土壤-景观模型
土壤被认定为土壤形成的环境因素相互作用经过一定时间演进的产物，Huggett[11]在此基础上，提出土壤-景观模型：相同的环境条件发育同样的土壤类型和属性，土壤的类型及属性与景观单元是对應关系，因此可以通过景观单元的特征去推断土壤的类型及属性[12，13]。土壤厚度作为土壤的固有属性，可通过这一假设进行推断。
1.2 土壤厚度计算方法
基于模糊推理方法的土壤-景观模型，首先给定固定数量的土壤类型，这些土壤类型所对应的环境要素属性均有一定的范围。而图像数据中每个像元的土壤均有其环境要素属性组合，根据每个像元的环境要素属性组合计算其与每种土壤类型环境要素属性范围的相似度，然后将每个像元分配给多个土壤类型，而不是分给单一土壤类型，分配的比例就是模糊隶属度。如果要计算图像中所有像元的模糊隶属度，需要建立土壤-景观关系，土壤-景观关系可用案例推理方法（Case-Based Reasoning，CBR）获取。基于模糊推理方法的土壤-景观模型结合CBR方法获取的土壤-景观关系可以进行图像中每个像元的模糊隶属度的计算，其公式可以表示为：
2 研究区域与数据
2.1 研究区域
环青海湖地区处在北纬36°21′-37°12′之间和东经99°38′-100°45′之间，是青海湖流域的核心部分，属于典型的生态系统脆弱区[14]。青海湖流域主要的土壤类型有栗钙土、黑钙土、高山草甸土、山地草甸土、沼泽土、盐土和风沙土[15]。由于全球气候变化以及人口和畜牧业发展，该地区面临着包括水体萎缩、草场退化、土地沙化以及生物多样性减少等众多生态环境问题。
2.2 实测数据与遥感数据
研究中采用的地面实测数据为环青海湖地区的122个采样点数据，利用传统土壤螺旋探钻实测方法进行地表土壤厚度探测。采用的遥感数据包括Landsat卫星数据和DEM（Digital Elevation Model，DEM）数据，其中Landsat数据为覆盖研究区的与地面试验准同步的3景云覆盖均低于10%的ETM+或TM8数据，图像信息如表1所示，对其进行辐射定标、FLAASH大气校正等预处理，为后续应用提供数据支持。本研究中采用的DEM数据为SRTM（Shuttle Radar Topography Mission）数据。
3 应用结果
3.1 环境因子数据计算
根据环境要素的选取原则、研究目的以及研究区的特点，选择高程、坡度、平面曲率、剖面曲率、地形湿度指数和植被覆盖度等指标为环境因子。首先基于DEM数据，用基于ArcGIS软件提取高程、坡度、剖面曲率、平面曲率和地形湿度指数。然后基于覆盖研究区的TM影像计算研究区植被覆盖度数据。最终获得包括高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度在内的环境要素数据，如图1即为各个环境要素分布数据，之后根据采样点经纬度信息提取各个采样点对应的环境要素数据。
3.2 土壤-景观关系
确定环境要素后，再利用模糊推理结合CBR方法来获取土壤-景观关系。野外实测数据可以作为CBR方法中的案例，也就是参考点。将参考点根据土壤厚度的不同分为5级土壤厚度，每一级厚度均对应一定数量的参考点，而每一个参考点又对应高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度6种环境要素属性。由此，可以确定每一级土壤厚度所对应的每种环境要素的属性范围或者是关键阈值，即土壤-景观关系，作为土壤模糊隶属度计算依据。通过公式（4）对研究区的土壤-景观环境因子数据进行计算，可以得到5级土壤厚度的模糊隶属度。
3.3 土壤厚度预测结果 在5级土壤厚度的模糊隶属度结果和5级典型土壤厚度值的基础上，通过公式（3）计算环青海湖地区土壤厚度分级图，如图2所示，随后用122个采样点实测土壤厚度进行验证，其中土壤厚度分级正确的点为81个，分类精度为66%。说明预测获得的土壤厚度数据可以反映實际情况。
从图中可以看出，环青海湖地区土壤厚度总体来看较薄，并且在水平和垂直方向上均分布不均匀，在水平方向是从青海湖体向周围逐渐由厚变薄，在垂直方向上，山地区域海拔较高的地带土壤层较薄，尤其是坡度较大的地区尤为明显，土壤层最薄的点也出现在山地峰顶附近。
4 结论
本文首次将土壤-景观模型预估土壤厚度的方法利用于大尺度流域，结合模糊推理方法和CBR方法获取了土壤-景观关系，基于DEM数据和TM数据获取了环青海湖地区大范围土壤厚度分布信息，结果表明这一方法可以应用于大范围环境复杂区域的土壤属性研究。与传统土壤厚度信息获取方法相比较，本研究中由于所有环境要素数据均为空间连续性数据，真实的反映了土壤属性变化的趋势，克服了传统土壤厚度获取方法的缺点。
但这一方法在实际应用中也存在实测数据数量不足以及环境要素属性数据种类较少的问题，下一步需要选择更多具有代表性的环境要素，以及采集更多实测数据，为后续研究提供数据支撑。
参考文献
[1]Manual， A.M.G.， An essential reference for gardening in the desert southwest. Produced by the Cooperative Extension， College of Agriculture， The University of Arizona， 1998： p. 15-17.
[2] Buol， S.W.， et al.， Soil genesis and classification. 2011： John Wiley & Sons.
[3] DeRose， R.， N. Trustrum， and P. Blaschke， Geomorphic change implied by regolith—slope relationships on steepland hillslopes， Taranaki， New Zealand. Catena， 1991. 18（5）： p. 489-514.
[4] 王志强， 刘宝元， and 海春兴， 土壤厚度对天然草地植被盖度和生物量的影响. 水土保持学报， 2008（4）： p. 164-167.
[5] Menezes， M.D.d.， et al.， Solum depth spatial prediction comparing conventional with knowledge-based digital soil mapping approaches. Scientia Agricola， 2014. 71（4）： p. 316-323.
[6] Moore， I.D.， et al.， Soil attribute prediction using terrain analysis. Soil Science Society of America Journal， 1993. 57（2）： p. 443-452.
[7] Young， F. and R. Hammer， Soil–landform relationships on a loess-mantled upland landscape in Missouri. Soil Science Society of America Journal， 2000. 64（4）： p. 1443-1454.
[8] Zhu， A.， et al.， Derivation of soil properties using a soil land inference model （SoLIM）. Soil Science Society of America Journal， 1997. 61（2）： p. 523-533.
[9] Ziadat， F.M.， Analyzing digital terrain attributes to predict soil attributes for a relatively large area. Soil Science Society of America Journal， 2005. 69（5）： p. 1590-1599.
[10] 芦园园， et al.， 复杂景观环境下土壤厚度分布规则提取与制图. 农业工程学报， 2014.
[11] Huggett， R.， Soil landscape systems： a model of soil genesis. Geoderma， 1975. 13（1）： p. 1-22.
[12] Hudson， B.D.， The soil survey as paradigm-based science. Soil Science Society of America Journal， 1992. 56（3）： p. 836-841.
[13] 王强， 吴炳方， and 朱亮， 土壤厚度研究进展. 安徽农业科学， 2012. 40（9）： p. 5273-5277.
[14]孙鸿烈， 青藏高原的形成演化. 1996： 上海科学技术出版社.
[15] 郭晓娟 and 马世震， 青海湖流域土壤微量元素含量背景与生态农业. 青海农技推广， 1999： p. 22-24.
关键词：土壤厚度；青海湖；土壤-景观模型；环境因子；模糊推理
0引言
土壤厚度是指从土壤表面向下一直到土壤母质层的垂直深度[1]。作为土壤质量评估的重要指标，土壤厚度是土壤的基本属性之一，是鉴别土壤肥力和判断土壤侵蚀程度的重要指标[2，3]，对生物多样性、植被类型乃至地表径流都有重要影响[4]。本文研究区处在青海湖流域，近些年来由于过度放牧和气候变化，导致青海湖流域天然草场的土壤厚度不断减少，研究大范围区域土壤厚度数据快速获取方法，对于环青海湖草场的保护尤为重要。
近些年来，土壤厚度的相关研究受到越来越多国内外学者的关注。然而传统研究方法具有范围小、成本高等劣势，随着遥感等技术手段的发展，以土壤-景观模型为理论基础，数学方法和空间技术为手段的土壤调查方法，已经成为目前最为适用的大范围地区土壤厚度预估方法。利用土壤-景观模型进行土壤属性定量预估的关键问题在于构建土壤-景观关系，通常采用数理统计、相关性分析、模糊隶属度与专家知识库等[5-10]。
本文以土壤-景观模型为理论基础，结合DEM（Digital Elevation Model）和Landsat数据以及地面实测数据，通过模糊理论方法和CBR方法，进行环青海湖流域草场土壤厚度预测研究，为该区域土壤的保护提供依据。
1 研究方法
1.1 土壤-景观模型
土壤被认定为土壤形成的环境因素相互作用经过一定时间演进的产物，Huggett[11]在此基础上，提出土壤-景观模型：相同的环境条件发育同样的土壤类型和属性，土壤的类型及属性与景观单元是对應关系，因此可以通过景观单元的特征去推断土壤的类型及属性[12，13]。土壤厚度作为土壤的固有属性，可通过这一假设进行推断。
1.2 土壤厚度计算方法
基于模糊推理方法的土壤-景观模型，首先给定固定数量的土壤类型，这些土壤类型所对应的环境要素属性均有一定的范围。而图像数据中每个像元的土壤均有其环境要素属性组合，根据每个像元的环境要素属性组合计算其与每种土壤类型环境要素属性范围的相似度，然后将每个像元分配给多个土壤类型，而不是分给单一土壤类型，分配的比例就是模糊隶属度。如果要计算图像中所有像元的模糊隶属度，需要建立土壤-景观关系，土壤-景观关系可用案例推理方法（Case-Based Reasoning，CBR）获取。基于模糊推理方法的土壤-景观模型结合CBR方法获取的土壤-景观关系可以进行图像中每个像元的模糊隶属度的计算，其公式可以表示为：
2 研究区域与数据
2.1 研究区域
环青海湖地区处在北纬36°21′-37°12′之间和东经99°38′-100°45′之间，是青海湖流域的核心部分，属于典型的生态系统脆弱区[14]。青海湖流域主要的土壤类型有栗钙土、黑钙土、高山草甸土、山地草甸土、沼泽土、盐土和风沙土[15]。由于全球气候变化以及人口和畜牧业发展，该地区面临着包括水体萎缩、草场退化、土地沙化以及生物多样性减少等众多生态环境问题。
2.2 实测数据与遥感数据
研究中采用的地面实测数据为环青海湖地区的122个采样点数据，利用传统土壤螺旋探钻实测方法进行地表土壤厚度探测。采用的遥感数据包括Landsat卫星数据和DEM（Digital Elevation Model，DEM）数据，其中Landsat数据为覆盖研究区的与地面试验准同步的3景云覆盖均低于10%的ETM+或TM8数据，图像信息如表1所示，对其进行辐射定标、FLAASH大气校正等预处理，为后续应用提供数据支持。本研究中采用的DEM数据为SRTM（Shuttle Radar Topography Mission）数据。
3 应用结果
3.1 环境因子数据计算
根据环境要素的选取原则、研究目的以及研究区的特点，选择高程、坡度、平面曲率、剖面曲率、地形湿度指数和植被覆盖度等指标为环境因子。首先基于DEM数据，用基于ArcGIS软件提取高程、坡度、剖面曲率、平面曲率和地形湿度指数。然后基于覆盖研究区的TM影像计算研究区植被覆盖度数据。最终获得包括高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度在内的环境要素数据，如图1即为各个环境要素分布数据，之后根据采样点经纬度信息提取各个采样点对应的环境要素数据。
3.2 土壤-景观关系
确定环境要素后，再利用模糊推理结合CBR方法来获取土壤-景观关系。野外实测数据可以作为CBR方法中的案例，也就是参考点。将参考点根据土壤厚度的不同分为5级土壤厚度，每一级厚度均对应一定数量的参考点，而每一个参考点又对应高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度6种环境要素属性。由此，可以确定每一级土壤厚度所对应的每种环境要素的属性范围或者是关键阈值，即土壤-景观关系，作为土壤模糊隶属度计算依据。通过公式（4）对研究区的土壤-景观环境因子数据进行计算，可以得到5级土壤厚度的模糊隶属度。
3.3 土壤厚度预测结果 在5级土壤厚度的模糊隶属度结果和5级典型土壤厚度值的基础上，通过公式（3）计算环青海湖地区土壤厚度分级图，如图2所示，随后用122个采样点实测土壤厚度进行验证，其中土壤厚度分级正确的点为81个，分类精度为66%。说明预测获得的土壤厚度数据可以反映實际情况。
从图中可以看出，环青海湖地区土壤厚度总体来看较薄，并且在水平和垂直方向上均分布不均匀，在水平方向是从青海湖体向周围逐渐由厚变薄，在垂直方向上，山地区域海拔较高的地带土壤层较薄，尤其是坡度较大的地区尤为明显，土壤层最薄的点也出现在山地峰顶附近。
4 结论
本文首次将土壤-景观模型预估土壤厚度的方法利用于大尺度流域，结合模糊推理方法和CBR方法获取了土壤-景观关系，基于DEM数据和TM数据获取了环青海湖地区大范围土壤厚度分布信息，结果表明这一方法可以应用于大范围环境复杂区域的土壤属性研究。与传统土壤厚度信息获取方法相比较，本研究中由于所有环境要素数据均为空间连续性数据，真实的反映了土壤属性变化的趋势，克服了传统土壤厚度获取方法的缺点。
但这一方法在实际应用中也存在实测数据数量不足以及环境要素属性数据种类较少的问题，下一步需要选择更多具有代表性的环境要素，以及采集更多实测数据，为后续研究提供数据支撑。
参考文献
[1]Manual， A.M.G.， An essential reference for gardening in the desert southwest. Produced by the Cooperative Extension， College of Agriculture， The University of Arizona， 1998： p. 15-17.
[2] Buol， S.W.， et al.， Soil genesis and classification. 2011： John Wiley & Sons.
[3] DeRose， R.， N. Trustrum， and P. Blaschke， Geomorphic change implied by regolith—slope relationships on steepland hillslopes， Taranaki， New Zealand. Catena， 1991. 18（5）： p. 489-514.
[4] 王志强， 刘宝元， and 海春兴， 土壤厚度对天然草地植被盖度和生物量的影响. 水土保持学报， 2008（4）： p. 164-167.
[5] Menezes， M.D.d.， et al.， Solum depth spatial prediction comparing conventional with knowledge-based digital soil mapping approaches. Scientia Agricola， 2014. 71（4）： p. 316-323.
[6] Moore， I.D.， et al.， Soil attribute prediction using terrain analysis. Soil Science Society of America Journal， 1993. 57（2）： p. 443-452.
[7] Young， F. and R. Hammer， Soil–landform relationships on a loess-mantled upland landscape in Missouri. Soil Science Society of America Journal， 2000. 64（4）： p. 1443-1454.
[8] Zhu， A.， et al.， Derivation of soil properties using a soil land inference model （SoLIM）. Soil Science Society of America Journal， 1997. 61（2）： p. 523-533.
[9] Ziadat， F.M.， Analyzing digital terrain attributes to predict soil attributes for a relatively large area. Soil Science Society of America Journal， 2005. 69（5）： p. 1590-1599.
[10] 芦园园， et al.， 复杂景观环境下土壤厚度分布规则提取与制图. 农业工程学报， 2014.
[11] Huggett， R.， Soil landscape systems： a model of soil genesis. Geoderma， 1975. 13（1）： p. 1-22.
[12] Hudson， B.D.， The soil survey as paradigm-based science. Soil Science Society of America Journal， 1992. 56（3）： p. 836-841.
[13] 王强， 吴炳方， and 朱亮， 土壤厚度研究进展. 安徽农业科学， 2012. 40（9）： p. 5273-5277.
[14]孙鸿烈， 青藏高原的形成演化. 1996： 上海科学技术出版社.
[15] 郭晓娟 and 马世震， 青海湖流域土壤微量元素含量背景与生态农业. 青海农技推广， 1999： p. 22-24.