一种基于土壤—环境知识获取多尺度环境因子集方法

技术领域

本发明涉及一种基于土壤—环境知识获取多尺度环境因子集方法。

背景技术

土壤调查与制图是获取土壤信息的基本手段，在土壤科学发展中发挥了至关重要的作用，基于环境协变量开展数字土壤制图(Digital Soil Mapping，简称DSM)是土壤学科新兴的研究方向。近年来，随着大数据时代的来临，获取土壤信息的手段和来源逐渐增加。采用一组相同的环境因子对不同土壤属性的空间分布进行推测或进行采样设计时，无法充分体现不同属性成土因素的不同带来的空间分布上的差异，因而可能会降低土壤属性的推测精度或采样的效率。环境因子对土壤属性空间分布的影响是具有尺度效应的，不同土壤属性的环境因子其作用的尺度可能不同。多尺度环境因子的加入，较单尺度因子表现出了更强大的推测能力。如何获取准确的土壤和环境属性之间的多尺度协同关系是数字土壤制图的关键点。

发明内容

本发明的目的在于提供一种基于土壤—环境知识获取多尺度环境因子集方法，以解决上述背景技术中提出的土壤调查和制图中获取土壤—环境知识多尺度因子及提高数字土壤制图精度的问题。

本发明的一种基于土壤—环境知识获取多尺度环境因子集方法，所述方法包括如下步骤：

S1：收集区域的遥感影像数据、等高线数据以及原始土壤图；

S2：从等高线数据中提取数字高程模型，进而提取多尺度地形因子信息；

S3：对遥感影像做主成分分析，提取多尺度遥感因子数据集；

S4：从原始土壤图中提取母质信息和训练样本集；

S5：将多尺度地形因子和多尺度遥感因子数据进行打包，形成训练集各尺度自然—遥感环境数据集；

S6：对训练集中的多尺度自然—遥感环境数据集进行特征变量筛选；

S7：将精度最高的最优尺度环境因子集的训练集运用网格搜索优化的CatBoost模型建模从而推理得到土壤类型图。

S8：使用实地采样点建立验证集，对推理得到的土壤类型图进行精度验证，获取总体精度、用户精度、生产精度和Kappa系数，确定推理的土壤类型图是否合格。

优选的，所述地形因子分别有母质、坡度、坡向、水平曲率、沿平面曲率、沿剖面曲率、地形湿度指数、地形起伏度和地表粗糙度。

优选的，所述多尺度地形因子采用3×3至29×29的奇数大小，共14个尺度，运用邻域分析提取各个尺度地形因子，获取多尺度地形因子集。

优选的，所述遥感因子集包括NDVI和八个纹理特征，八个纹理特征分别是：均值、方差、相异性、对比度、协同性、二阶矩、相关性和信息熵。

优选的，所述从遥感影像中提取的多尺度遥感因子，其多尺度采用3×3至29×29的奇数大小，共14个尺度，采用Band math工具计算NDVI，运用灰度共生矩阵(GLCM)提取各个尺度遥感因子从而获取多尺度遥感因子集。

优选的，所述从遥感影像中提取多尺度遥感因子之前，先要在Snap软件中对遥感影像数据进行栅格数据重采样，采样空间分辨率为10米。

优选的，所述运用原始土壤图，按照土壤类型均匀生成样点，去除空值后，分别使用多值提取至点工具和空间连接工具提取采样点对应的空间属性信息，包括地形因子信息和遥感因子信息。

优选的，所述对于不同尺度环境因子数据集，采用Boruta算法对其进行重要性分析。

与现有技术相比，本发明的有益效果是：

1.采用等高线数据生成数字高程模型进而提取多尺度地形因子，运用Sentinel-2A遥感影像提取多尺度NDVI和纹理特征，得到最佳尺度环境因子数据集，比较不同尺度环境因子对精度的影响，较单尺度因子更能表现出更强大的推测能力；

2.采用R语言中特征变量筛选方法即Boruta算法，对最优窗口尺度环境因子组合进行重要性分析，优化土壤—环境知识；

3.选择最优环境因子数据集进行CatBoost建模，获得最优预测模型，进而得到高精度的土壤类型空间分布信息。

附图说明

图1为本发明的整体思路框架图；

图2为本发明的地形因子集图；

图3为本发明的遥感因子集图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和实施例对本发明专利进一步说明，但不作为本发明的限定。

下面结合图1至图3说明本实施方式，本实施方式是一种基于土壤—环境知识获取多尺度环境因子集方法，包括如下步骤：

S1：收集区域的遥感影像数据、等高线数据以及原始土壤图；

S2：从等高线数据中提取数字高程模型，进而提取多尺度地形因子信息；

S3：对遥感影像做主成分分析，提取多尺度遥感因子数据集；

S4：从原始土壤图中提取母质信息和训练样本集；

S5：将多尺度地形因子和多尺度遥感因子数据进行打包，形成训练集各尺度自然—遥感环境数据集；

S6：对训练集中的多尺度自然—遥感环境数据集进行特征变量筛选；

S7：将精度最高的最优尺度环境因子集的训练集运用网格搜索优化的CatBoost模型建模从而推理得到土壤类型图。

S8：使用实地采样点建立验证集，对推理得到的土壤类型图进行精度验证，获取总体精度、用户精度、生产精度和Kappa系数，确定推理的土壤类型图是否合格。

进一步的，所述地形因子分别有母质、坡度、坡向、水平曲率、沿平面曲率、沿剖面曲率、地形湿度指数、地形起伏度和地表粗糙度。

进一步的，所述多尺度地形因子采用3×3至29×29的奇数大小，共14个尺度，运用邻域分析提取各个尺度地形因子，获取多尺度地形因子集。

进一步的，所述遥感因子集包括NDVI和八个纹理特征，八个纹理特征分别是：均值、方差、相异性、对比度、协同性、二阶矩、相关性和信息熵。

进一步的，所述从遥感影像中提取多尺度遥感因子，其多尺度采用3×3至29×29的奇数大小，共14个尺度，采用Band math工具计算NDVI，运用灰度共生矩阵(GLCM)提取各个尺度遥感因子从而获取多尺度遥感因子集。

进一步的，所述从遥感影像中提取多尺度遥感因子之前，先要在Snap软件中对遥感影像数据进行栅格数据重采样，采样空间分辨率为10米。

进一步的，所述运用原始土壤图，按照土壤类型均匀生成样点，去除空值后，分别使用多值提取至点工具和空间连接工具提取采样点对应的空间属性信息，包括地形因子信息和遥感因子信息。

进一步的，所述对于不同尺度环境因子数据集，采用Boruta算法对其进行重要性分析。

本实施例的工作流程：本发明涉及一种基于土壤—环境知识获取多尺度环境因子集方法，采用多尺度环境因子集的选择方法，在ArcGIS10.7中，从等高线数据中采用TIN插值法得到数字高程模型(DEM)。运用工具箱的邻域分析，分别提取3×3至29×29多尺度地形因子即母质(Geology)、坡度(Slope)、坡向(Aspect)、水平曲率(Horizontal Curvature)、沿平面曲率(Plan Curvature)、沿剖面曲率(Profile Curvature)、地形湿度指数(TWI)、地形起伏度(Relief)和地表粗糙度(Roughness)；将Sentinel-2A影像在Snap软件中进行栅格数据重采样，空间分辨率为10米，在ENVI5.3中使用PCA Rotation工具进行主成分分析的降维处理。用Band math工具计算NDVI，运用灰度共生矩阵(GLCM)方法提取各个尺度遥感因子从而获取多尺度遥感因子集；得到土壤—环境知识数据集。并从原始土壤图中按照土壤类型均匀生成样点，去除空值后，分别使用多值提取至点工具和空间连接工具提取采样点对应的空间属性信息，其中具体包括地形因子和遥感因子信息，获取训练样本集。运用Boruta算法对不同尺度环境因子变量集进行预处理及筛选，得到最优环境因子数据集，运用网格搜索优化的CatBoost模型建模从而推理得到土壤类型图。最后采用实地采样点加以验证，综合利用推理制图数据源从而提高土壤类型制图精度,为提供新的土壤制图环境协变量处理思路。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。