土壤-景观推理模型(soil land inference model,SoLIM)在提高土壤普查效率和精度、降低普查成本方面具有显著优势,已经在美国得到推广应用(Shiet al.,2004;杨琳等,2009;2010)。SoLIM中专家知识可以通过基于规则的方法或者基于案例推理的

鉴于经典采样和空间采样存在的局限性,提出了一种旨在寻找典型点的目的性采样设计方法。该方法通过分析与目标地理要素空间分布具有协同变化关系的环境因子,提取地理要素空间变化的典型模式,进而在典型模式上布设样点,即可获得典型点,从而减少所需样本量。以位于黑龙江鹤山农场的2个研究区为例,分别选择土壤厚度和表层有机质2个土壤属性,通过对土壤属性空间变化的4个协同环境因子进行模糊c均值聚类,获得对应土壤属性空间变化模式的环境因子组合;根据其模糊隶属度结果设计典型点并进行采样,最后结合典型点的属性值与环境因子组合模糊隶属度结果,采用加权平均模型得到土壤属性空间分布图,反映了土壤属性随地形变化的连续性分布。基于独立野外验证点,选择了4个评价指标对所得属性图进行定量评价。结果表明:2个研究区验证点集的预测值和观测值一致性指数均较高,可见本研究提出的方法是一种有效的样点布设方法。研究还对在每一环境组合类设计不同数量典型点所得土壤属性制图结果的差异进行了讨论,认为典型点增多并不一定能提高土壤属性空间推测的精度。

就航空影像平面图应用于城市地表覆盖调查与制图作了初步探讨。文中简述了影像平面图的基本特点及其在地表覆盖调查与制图中的优点，建立了适应影像判读的城市地表覆盖分类系统及判读标志，阐明了编图工艺的基本过程。

针对目前案例推理方法中存在的预测准确性低,可靠性差等方面的局限,提出了高斯—案例推理方法。在传统基于欧氏距离相似度计算研究的基础上提出了一种新的相似度计算方法,即运用高斯转换代替欧式距离度量来计算相似度的方法。引入距离比例的概念,将案例间的特征转化为高斯指标,进而计算案例间的相似度。在此基础上使用最近邻法检索出相似案例,通过对检索出的案例进行修改获得预测值。以物流外包企业风险预测为例,通过与两个案例推理模型(基于欧式距离的经典案例推理模型和灰色理论案例推理模型)的预测结果比较,得出在预测的准确性上,高斯案例推理预测模型优于其它两种模型。验证了利用高斯—案例推理模型预测企业物流外包风险的可行性。

我国多数地区经过两次土壤普查以及科研工作者的野外调查,积累了一定数量的土壤样点"(已有样点")。本文在充分整合已有样点的基础上,提出了逐次、高效地设计补充样点的方案,它包括3个步骤:首先,确定已有样点集的空间代表范围"(可推测范围");然后,将已有样点集不能代表范围内的每一个栅格都看作一个候选样点,计算每一个候选样点的可扩推范围,选择可扩推范围最大的点作为第一个补充样点;最后,基于已有样点和补充样点更新样点集的空间代表范围图。重复以上过程,直至新样点集的空间代表范围能够覆盖整个研究区。该方法在充分利用已有样点资源的基础上,不仅能够确定补充样点的数量、位置,而且能够给定补充样点的重要性次序,在采样资源有限的情况下,为采样者合理地选择样点提供了重要依据。

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度(pH)、土壤盐分含量(Soil Salt Content,SSC)与土壤有机质(Soil Organic Matter, SOM)3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层(0—20 cm)土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差(Root Mean SquareError,RMSE)界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林(Random Forest, RF)、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型(Multiple Linear Regression,MLR)进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程(Elevation)、剖面曲率(Profile Curvature)、差值植被指数(Difference Vegetation Index)、扩展增强型植被指数(Extended Normalized Difference Vegetation Index)、调整土壤亮度植被指数(Modified Soil Adjusted Vegetation Index)、盐分指数S1(Salinity Index S1)以及盐分指数S6 (Salinity Index S6) 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R~2=0.6779,RMSE=0.2182,ρ_c=0.6084;在SSC预测中,验证集R~2=0.7945,RMSE=3.1803,ρ_c=0.8377;在SOM预测中,验证集R~2=0.7472,RMSE=3.5456,ρ_c=0.7009。【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。

结合应用 Ｍ Ａ Ｐ Ｇ Ｉ Ｓ地理信息系统制作《河南省城市地图集》的实践，分析了 Ｍ Ａ Ｐ Ｇ Ｉ Ｓ 制图系统的基本原理及方法；总结了数字地图制图技术要点及优势；指出目前应完善 Ｍ Ａ Ｐ Ｇ Ｉ Ｓ功能，强化 Ｍ Ａ Ｐ Ｇ Ｉ Ｓ 智能化水平，以加快 Ｇ Ｉ Ｓ产业化进程。

研究目的:探讨ArcGIS与MapGIS软件在土地利用总体规划图编制中的制图功能特点,以期发挥各自优势,减少工作量,提高土地利用规划图编制效率。研究方法:基于土地利用总体规划专题图件的制图实践,从数据管理、数据编辑、智能标注、制图表达、图框制作、符号库支持等方面比较、分析、总结上述两个软件在土地利用规划制图中的优势与不足。研究结果:(1)ArcGIS在高级智能标注、制图表达等功能模块上具有显著优势,但在图框制作、符号库支持等方面需要改进;(2)MapGIS在图框制作、符号库支持方面能较好地符合土地利用规划制图规范,但应当增加高级智能标注、制图表达等功能以减少工作量。研究结论:合理运用ArcGI...

针对分位数控制图应用中分位点的估计和分位点个数的选取进行了研究和改进,引入非参数平稳估计并进行窗宽调整、研究适合小样本条件分布未知时分位数点的有效估计;此外,提出构造分位数控制图新的准则,选取最优的分位点和分位点个数构造卡方检验统计量。通过模拟计算和比较,改进的分位数控制图方案更加有效和灵敏.最后通过MC模拟编制小样本情形的控制限表,为分位数控制图的应用提供参考依据。

数字地形分析(Digital Terrain Analysis,DTA)在应用时依赖于建模知识,尤其是关于所建的应用模型是否与研究区特点、数据等条件相适配的知识(称为"应用适配性知识");由于这类知识难以形式化表达,现有的数字地形分析工具对此类知识缺乏利用,从而导致普通用户在应用数字地形分析时建模困难。针对该问题,设计了一套数字地形分析领域应用适配性知识的案例表达与相应的推理方法。以美国32个河网提取案例为例,通过交叉验证,初步表明案例及其推理应用方法适合于数字地形分析领域应用适配性知识的形式化表达与应用,该方法通过与建模环境的集成,可大幅降低数字地形分析应用建模难度。

【目的】研究环境变量的筛选和土壤类型空间推理方法的选择，为有效提高县域数字土壤制图精度提供参考。【方法】以四川省盐源县为研究区，将气候要素、地形数据和遥感影像作为推理制图的辅助因子，利用野外采样点数据和环境协变量因子，采用决策树分类方法对环境特征进行重要性排序、特征筛选和组合优选，通过对比决策树分类、支持向量机和随机森林几种土壤分类方法的制图精度，探索基于土壤-环境关系理论提高具有立体气候特征的山区县域数字土壤制图精度的途径。【结果】①气候和地形特征在研究区土壤分类中起重要作用，采用单一气候因素作为土壤筛选分类的环境变量可获得土壤分类筛选精度为83.22%，依次增加地形和生物特征可分别使筛选精度提升至85.78%和89.43%；②与其他模型相比，随机森林模型制图效果更好，对比采样点数据的土壤分类总体精度为77.10%，Kappa系数为0.72；③气候因子以及地形因素对水热条件的影响是决定研究区土壤类型空间分布异质性的主要原因，年均气温、年积温、年降水量、相对湿度、高程、地形湿润度等环境特征因子与研究区主要土壤类型的空间分布有着密切关系。【结论】在具有立体气候特征的山区，基于随机森林方法使用气候、地形和遥感数据进行数字土壤分类制图有较好的效果。

土壤的空间分布是土壤形成与发展过程的体现。数字土壤制图是一种新兴的、高效表达土壤空间分布的技术方法,在过去的30年取得了飞速发展。其理论基础为土壤成土因子学说和地理学第一定律。国内外学者在获取环境变量数据、采样方法、制图模型方法和土壤图产生及评价方面开展了大量的研究,应用案例也从小范围到大区域,甚至是全球尺度。未来数字土壤制图的发展方向包括:环境变量刻画的新技术,特别是体现人类活动方面的环境因子;新型数据和遗留数据的有效利用;土壤发生学知识与数学模型的紧密结合的新型推理方法;支持大数据多终端的计算模式。

土壤调查与制图课程是农业资源与环境专业的核心课程,分析了该课程的教学现状,并针对存在的主要问题,结合沈阳农业大学土壤调查与制图课程的教学实践改革,提出推动教学质量提升的相关对策。

为探究林场土壤全氮含量的空间分布特征及对环境因素的响应，以旺业甸实验林场为研究区，采用随机森林模型和Cubist模型建立了不同土层深度（0～10、10～30、30～50 cm）土壤全氮含量与环境协变量（海拔、归一化植被指数、年平均降水量、年平均气温、y坐标和坡向）之间的定量关系模型，对该区土壤全氮含量进行预测并制图，并分析了影响土壤全氮空间变异的控制性因素。研究结果显示：0～10、10～30、30～50 cm土层实测全氮含量的均值分别为3.20、2.02、1.47 g/kg，土壤全氮的平均含量随土层深度的增加而降低；3个土层深度土壤全氮预测随机森林模型的决定系数R2分别为0.59、0.42和0.39，均优于决定系数R2分别为0.56、0.38和0.34的Cubist模型，2种模型预测精度都随土层深度的增加而降低，各环境因素对土壤全氮空间分布的影响作用随土层深度的增加而减小；从随机森林模型土壤全氮预测图来看，不同土层深度土壤全氮含量均呈现西部、北部和中部低，西南、东南和东部高的空间格局，不确定性图显示随机森林模型预测土壤全氮含量分布具有较低的标准差；海拔对土壤全氮含量的影响最大，其他依次为：归一化植被指数>年平均降水量>年平均气温>y坐标>坡向。结果表明，随机森林模型可以作为有效预测该林场不同土层深度土壤全氮含量的方法。

以林相图制作为例,分别利用ViewGIS、ArcGIS对2009年广西省八步区桂岭镇森林资源二类调查数据进行编辑处理,并在ArcGIS中完成了平桂管理区及八步区所有乡镇林相图的制作,在此基础上对比分析总结,提出了基于GIS的林业专题制图优化方法。实验结果显示,在ViewGIS中矢量化及建立拓扑关系,提高了矢量化的效率和精度,在很大程度上缩短了拓扑建立的时间,并实现了小班的自动编号。ArcGIS中模板和符号库的制作及应用,一方面节省了制图时间,另一方面保证了同一专题的专题图表现风格的一致性及整体美观性。经实践,该优化方法能有效提高林业专题图制作效率,且成图更为规范美观。