人工神经网络预测高分辨率森林土壤有机碳储量及其推广性研究

作     者：韦孙玮 

作者单位：广西大学 

学位级别：硕士

导师姓名：赵正勇

授予年度：2021年

学科分类：09[农学] 0903[农学-农业资源与环境] 090301[农学-土壤学] 

主      题：人工神经网络 土壤有机碳储量 人工神经网络推广 线性模型 碳储量估算 高分辨率制图 多土壤层 

摘      要：土壤有机碳储量(SOCS)估算是全球气候变化背景下大气-植被-土壤碳循环研究的一个重要分支。目前,精确估算SOCS是碳循环研究中面临的一大难题,本文因此探究了人工神经网络(ANN)模型对SOCS的精确估算能力和模型的推广应用能力,为该领域提供方法参考。本文研究方法为:(1)第一部分以广东省罗定市为建模区,采用该区域内5个土壤层样本数据(L1:0～20cm、L2:20～40cm、L3:40～60cm、L4:60～80cm、L5:80～100cm)建立后反馈人工神经网络(BP-ANN)模型。各土壤层所建立的ANN模型将以1:100万土壤有机质图为必选建模参数、由10m分辨率数字高程模型(DEM)所衍生的4种地形参数:坡度(Slope)、坡向(Aspect)、地形位置指数(TPI)、潜在太阳辐射(PSR)和5种水文参数:潜在地下水位(DTW)泥沙转移比(SDR)、水流长度(FL)、水流流向(FD)、土壤地形指数(STF)作为候选建模参数。同时,第一部分将引入土壤类型法、普通克里金插值法和径向基函数插值法作为对比方法,从估算精度、估算结果和制图三个方面对以上4种方法进行综合对比与评价。所有方法将采用90%(约202个)的建模区土壤样本作为估算数据,剩余10%(约23个)的土壤样本作为独立验证数据,以均方根误差(RMSE)、决定系数(R)和平均绝对误差(MAE)作为精度评价指标判定4种方法的估算精度。2)第二部分以广东省新兴县为推广区,具体分为两个阶段:(1)利用第一部分已建立并筛选出的各土壤层最优ANN模型通过Matlab软件直接推广运用至推广区,获得基于建模区参数的ANN模型对推广区的预测结果。(2)建立线性模型对在第一阶段直接推广结果进行修正。线性模型的建立是基于1:100万土壤有机质图对于SOM的划分等级,并采用推广区20%(24个)的土壤样本,以实现采用最少样本(理论上为自变量的两倍)提升推广结果精度的目标。两个阶段的预测结果将采用剩余的80%(96个)土壤样本作为独立验证数据。本文研究结果具体如下:1)各土壤层最优ANN模型的候选参数组合。建模区各土壤层最优ANN模型的候选参数为:L1层7个参数,分别为Slope、Aspect、SDR、STF、PSR、FL和FD;L2层7个参数,分别为Slope、STF、SDR、PSR、TPI、Aspect和FD;L3层6个参数,分别为PSR、Aspect、FD、SDR、TPI和DTW;L4层6个参数,分别为Slope、PSR、Aspect、DTW、SDR和FL;L5层7个参数,分别为STF、DTW、FL、SDR、PSR、TPI和FD。L1-L5层最优模型的RMSE为1.53～2.40kg·m,R为0.81～0.84,MAE为0.29～0.41。2)各方法的SOCS估算结果对比。独立验证精度显示,ANN模型法各项精度均优于土壤类型法、普通克里金法、径向基函数法,其中RMSE较3种对比方法降低0.62～0.90 kg·m,R提高0.54～0.65,MAE则降低了0.32～0.42。SOCS估算结果显示,4种方法估算的SOCS均表现出随土壤深度增加而下降的趋势,其中ANN模型法所估算的土壤有机碳密度(SOCD)在L1为3.7kg·m,L2为2.7kg·m,L3为2.3kg·m,L4为2.0kg·m,L5为1.8kg·m(4种估算方法预测结果的总体平均变幅≤0.5kg·m);建模区0～100cm SOCS为28.7Tg。在SOCD空间分布图方面,ANN模型法的明显优势在于其能够细致地反映10m×10m区域间SOCD的差异。综合比较4种估算方法的模型精度、估算结果和制图能力,ANN模型法的表现为最优。3)ANN模型的推广性。独立验证精度表明,第二阶段修正后的结果较第一阶段直接推广结果其R提升了0.23～0.29,5个土壤层的R平均值由第一阶段的0.36提升至第二阶段的0.62,修正效果明显。在SOCS估算结果方面,直接推广ANN模型有可能引起推广区与建模区预测结果的同质化;但经线性模型修正后,推广区SOCS预测结果明显脱离了建模区的分配规律,证明了采用线性模型进行推广的有效性。综合以上结果可以推论:ANN模型法结合线性模型可以作为一套具有良好推广性的区域尺度SOCS精确估算方法。