利用遥感和环境数据结合机器学习方法对某些钙质土壤中的饱和水力传导率进行建模
《Physics and Chemistry of the Earth, Parts A/B/C》:Modeling saturated hydraulic conductivity in some calcareous soils employing remote sensing and environmental data integrated with machine learning
【字体:
大
中
小
】
时间:2026年05月03日
来源:Physics and Chemistry of the Earth, Parts A/B/C 3.0
编辑推荐:
郭宏伟|高颖|李航宇|马宇|邱书月成都规划研究与应用技术中心,中国四川省成都市,610041摘要在水文学和水资源管理领域,饱和水力传导系数(Ks)在水流研究中起着重要作用。本研究试图开发机器学习模型,用于估算中国某些石灰质土壤中的Ks值。输入数据包括容易测量的土壤参数和环境数据,
郭宏伟|高颖|李航宇|马宇|邱书月
成都规划研究与应用技术中心,中国四川省成都市,610041
摘要
在水文学和水资源管理领域,饱和水力传导系数(Ks)在水流研究中起着重要作用。本研究试图开发机器学习模型,用于估算中国某些石灰质土壤中的Ks值。输入数据包括容易测量的土壤参数和环境数据,如地形因素和遥感数据。样本采集自135个地点,这些地点具有不同的土地利用类型,包括裸地、农田和牧场。对于研究区域的每个点,都测量了一些土壤性质和Ks值。此外,还对从遥感和地形因素收集的数据进行了分析。评估了文献中用于预测Ks的现有模型的准确性。之后,整合了三种情景:仅使用Sentinel 2和Landsat 8的遥感数据(情景A)、结合Landsat 8和Sentinel 2的数据(情景B)、仅使用地形数据(情景C),以及遥感数据加地形数据(情景D),并应用了SVR(支持向量回归)和ANN(人工神经网络)。对文献中提出的模型进行评估的结果表明,Cosby模型在估算全部数据的Ks值方面表现出最高的准确性。对于裸地、农田和牧场等各种土地利用类型,Julia模型、Cosby模型和Cosby模型分别获得了最佳的Ks值估算结果。在本研究中,使用情景D作为输入变量的SVR模型在所有测试情景中表现最佳。此外,情景D在农田和牧场中是最佳输入变量,而在裸地中情景B的表现较好。
引言
饱和水力传导系数(Ks)是指土壤在饱和条件下的水分传输能力的一种度量。它是控制流域集水区入渗率、地表径流和排水量的关键因素(Xu等人,2017年)。此外,它还对于确定植物可利用的水分量至关重要(Xu等人,2017年;Santra等人,2009年)。因此,准确估算Ks对于灌溉系统设计至关重要,该设计必须考虑土壤类型、气候和作物需求,以实现适当的水量和时机。然而,Ks是最难以量化的土壤性质之一,因为在其直接测量方面存在困难且耗时,尤其是在野外条件下。
传统上,已经开发了多种基于回归的方法(包括线性和非线性模型)来估算Ks(Xu等人,2017年;Mirzaee等人,2017年)。在包括比利时(Weynant等人,2009年)、西班牙(Julia等人,2004年)和美国(Jabro 1992年;Cosby等人,1984年)在内的不同地区应用了基于多种容易测量土壤属性的线性回归模型。相比之下,一些研究也提出了非线性回归方法,例如Vereecken等人(1990年)、Puckett等人(1985年)、Dane和Puckett(1994年)、Campbell和Shiozawa(1994年)、Saxton等人(1986年)以及Campbell(1985年)的研究。
最近的研究表明,结合遥感和地形数据可以提高难以测量的土壤水力性质的预测准确性(Xu等人,2017年;Ostovari等人,2017年;Ostovari等人,2020年;Mirzaee和Ghorbani 2021年;Tashayo等人,2020年;Poppiel等人,2021年)。在这种情况下,集成环境协变量的基于机器学习的模型表现出更优越的预测性能(Tashayo等人,2020年)。基于机器学习的模型,如人工神经网络(ANN)和支持向量回归(SVR),已被广泛用于估算难以测量的土壤特征(Ghorbani-Dashtaki等人,2016年;Schaap等人,1998年;Tashayo等人,2020年;Xu等人,2017年;Minasny & McBratney 2002年;Zolfaghari等人,2022年),并且通常优于传统的统计回归模型(Tashayo等人,2020年)。
然而,许多研究估算Ks时使用了来自不同土地利用类型、地形和植被类型的组合数据集。这意味着土地利用对Ks预测准确性的影响尚未得到明确研究。此外,尽管遥感和地形数据改善了土壤水力性质的预测,但它们在石灰质土壤中的应用仍然受限。这一限制尤为重要,因为石灰质土壤具有独特的物理和结构特性,这些特性强烈影响入渗过程。迄今为止,尚无研究评估过结合遥感和地形数据在不同土地利用类型的石灰质土壤中预测Ks的机器学习模型,尤其是在半干旱环境条件下。选择中国北方作为研究区域,是因为该地区以石灰质土壤和不同的土地利用类型为主,这些特性为研究土地利用特定条件下的Ks变化以及环境协变量对预测效果的改善提供了合适的背景。因此,本研究的目标是:(i)评估文献中报道的现有Ks预测模型的性能;(ii)开发和应用机器学习模型(ANN和SVR)来使用遥感衍生指标和地形变量预测Ks;(iii)比较不同输入情景下的模型性能;(iv)评估机器学习和传统模型在中国北方石灰质土壤中预测Ks的能力。
节片
研究区域
本研究在中国北方一个2000平方公里的区域内进行(图1)。2000年至2022年间,该区域的年平均气温为17.5°C,年降水量为291.7毫米/年,属于半干旱气候。农田是该区域的主要土地利用类型,占总面积的50%,牧场占28%,裸地占22%。该地区的主要作物有小麦、大麦、油菜、苜蓿和玉米。在大多数情况下,播种前的准备工作
土壤特征的统计描述
本小节提供了测量的Ks值和土壤属性的描述性统计,以概述整个研究区域的数据变化情况。表4提供了土壤属性的描述性统计。从表4可以看出,碳酸钙当量的平均值为19.0%,范围为0.9%至40.6%。土壤有机碳含量在0.11%至2.25%之间,平均值为0.86%(表4)。此外,土壤容重平均值为1.29克/立方厘米,变化范围为1.22克/立方厘米至1.45克/立方厘米(表
讨论
本研究的一个主要优势是在单一建模框架内明确包含了多种土地利用类型,如农田、牧场和裸地。这种土地利用多样性通过允许在不同土壤管理方式、植被覆盖和地表条件下进行模型评估,提高了结果的普遍性。它还有助于更清晰地了解Ks沿生态和土地利用梯度的变化情况。当数据集被汇总或限制时,这一点常常被忽视
结论
本研究开发了基于机器学习的方法(包括ANN和SVR),利用遥感和地形信息来估算中国北方石灰质土壤中的Ks。Ks是通过文献中的模型在各种情景下估算的,例如:(i)情景A:来自卫星数据的数据;(ii)情景B:融合卫星数据的数据;(iii)来自地形因素的数据;(iv)来自遥感加地形因素的数据。评估的结果表明
CRediT作者贡献声明
邱书月:研究。 郭宏伟:研究。 高颖:研究。 李航宇:研究。 马宇:研究。
Minasny和McBratney,2000年;Mirzaee和Ghorbani-Dashtaki,2021年;Mirzaee等人,2016年;Mirzaee等人,2014年。
利益冲突/竞争利益本手稿尚未在任何地方部分或全部发表,也没有被其他期刊考虑。不存在需要声明的利益冲突。
数据可用性
本研究生成或分析的所有数据都包含在本文中。
利益冲突声明
? 作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号