第七届青年地学论坛

专题 7.16  地理建模与模拟
不同尺度土壤粒径空间预测
史文娇^1,2*，李家英³，张沫^1,2

1. 中国科学院地理科学与资源研究所陆地表层格局与模拟院重点实验室，北京 100083；2. 中国科学院大学资源与环境学院; 3. 河北师范大学资源与环境科学学院，河北省环境演变与生态建设实验室，石家庄 050024

土壤粒径经常被作为区域水文、生态、地理、农业和环境等领域模型模拟的重要输入数据，其空间预测的准确性是模型模拟的基础。作为典型的成分数据，土壤粒径的插值结果需满足非负、和为1（100%）、估计误差最小化和无偏估计的限制条件，传统的插值方法则很难满足。且以往研究大多数是针对单一尺度土壤粒径的研究，缺少对不同尺度的系统研究。基于此，我们对黑河流域不同尺度的土壤粒径进行空间预测研究。
在小尺度范围，我们选择黑河上游天老池小流域作为研究区，将加和对数比转换(alr)、中心对数比转换(clr)、等角对数比转换(ilr)、对称对数比转换(slr)结合普通克里金插值方法(OK)组成的log-ratio克里金方法体系和成分克里金插值方法(CK)应用到该研究区的土壤粒径数据的空间预测研究，并结合多种环境变量对以上5种插值方法精度进行了对比分析。针对土壤粒径数据特点，采用5种精度指标对不同方法预测结果进行比较，发现CK对土壤粒径数据插值表现出了较高的精度和合理的空间分布趋势。
在以上工作的基础上，我们选择黑河流域上游作为研究区，对中尺度范围内土壤粒径进行空间预测研究。为了进一步提高土壤粒径等土壤成分数据空间制图的精度，我们在地统计方差模型中引入了稳健估计，提出了适用于含有异常值的土壤成分数据空间插值方法，包括基于稳健方差估计的log-ratio协克里金方法和log-ratio成分克里金方法。研究还指出了如何根据不同数据特点，选择不同的log-ratio系列转换方法、不同的克里金系列方法以及是否应用稳健的方差估计等。
在大尺度范围内，提高土壤粒径空间预测精度有助于更好的理解土壤物理、水文、生态和环境等过程机制，因此我们将整个黑河流域作为研究区，使用五种机器学习模型——K最近邻（KNN）、多层感知器神经网络（MLP）、随机森林（RF）、支持向量机（SVM）和极端梯度提升树（XGB），结合原始数据、加性对数比（ALR）、中心对数比（CLR）和等距对数比（ILR）三种对数比转换数据方法，对黑河流域进行土壤粒径插值和土壤质地分类的系统比较，为基于机器学习模型和偏态分布数据在大尺度土壤粒径空间预测研究提供参考。结果表明，根据土壤粒径插值和土壤质地分类的精度评价， RF是五种机器学习模型中的最佳模型；考虑到成分数据的约束性，推荐ILR方法结合机器学习模型；若考虑模型精度和模型计算时间的权衡，更推荐XGB模型。

空间插值；土壤粒径；尺度；机器学习；地统计