基于隨機森林算法的土壤圖斑分解.pdf

1、多邊形的制圖方式和利用長期的野外調查以及航空圖片解譯過程決定了傳統(tǒng)土壤圖不管是在調查方法上還是在制圖方式上，其效率都相對低下，費時費力，而且傳統(tǒng)土壤圖的精度也很難再滿足現(xiàn)代科學發(fā)展的日新月異。在新時代的發(fā)展下，傳統(tǒng)土壤圖主要面臨以下幾個問題。
　　首先，制圖比例尺的大小往往決定了最小圖斑的大小，比例尺越大，土壤圖中可表達的最小圖斑就越小，因而傳統(tǒng)土壤圖在成圖過程中會因為比例尺的限制而忽略掉一些大圖斑中的小圖斑，產生了土壤圖空間和屬

2、性上的簡化;其次，手工的多邊形的表達方式也忽略掉了土壤的空間漸變特征，多邊形邊界處的突變導致了原本是連續(xù)變化的土壤空間和屬性的突變，最后基于專家經(jīng)驗和手工的制圖方式非常耗時耗力且容易產生人為誤差。
　　然而包含了大量專家知識的傳統(tǒng)土壤圖是歷史留下的寶貴資料，對于當下的相關研究仍具有重要的參考價值。本文將湖北省黃岡市紅安縣華家河鎮(zhèn)灄水河流域作為研究區(qū)域，結合全國第二次土壤普查獲得的傳統(tǒng)土壤圖，利用已有的地形數(shù)據(jù)和多光譜數(shù)據(jù)，在GIS

3、平臺和R語言環(huán)境下采用隨機森林模型挖掘土壤-環(huán)境關系知識，并利用該模型對原有的土壤圖斑進行空間分解，得到了空間信息更加詳細的土壤分布圖。具體的研究步驟分為以下幾步:
　　1)提取與研究區(qū)域成土環(huán)境相關的景觀因子數(shù)據(jù)。在此選擇的初始環(huán)境變量數(shù)據(jù)包括土壤母質數(shù)據(jù)、地形數(shù)據(jù)和多光譜數(shù)據(jù)，利用從高程數(shù)據(jù)中提取的坡度、坡向、地形濕度指數(shù)、沿等高線曲率、沿平年曲率和水平曲率，從多光譜數(shù)據(jù)中提取的歸一化植被指數(shù)、歸一化水體指數(shù)、第一主成分、偏斜

4、、信息熵、方差、平均值，加上母質構成研究所用的因變量。
　　2)設計采樣點。采取圖斑面積加權的采樣方式設計采樣點，保證每個圖斑至少有10個樣點，最終確定了6686個樣點。利用樣點提取研究所用的環(huán)境因子數(shù)據(jù)并將樣點數(shù)據(jù)按母質進行分類。
　　3)環(huán)境因子的篩選。為確保制圖精度和效率，需要剔除掉一部分對模型貢獻率低的因子，本研究利用R語言提供的變量重要性測度importance()函數(shù)進行因子篩選。
　　4)模型參數(shù)的確定。

5、隨機森林模型的兩個非常重要的參數(shù)mtry和ntree可以分別通過隨機森林模型袋外誤差和模型穩(wěn)定性的計算進行判斷。
　　5)模型的應用。利用R語言中的Random Forest包對數(shù)據(jù)進行建模，得到四種母質單元下的四組模型，利用這四組模型對研究區(qū)域內每個柵格位置的環(huán)境因子信息進行投票判斷，通過投票最終得到各個位置的土壤類型，進而可以得到所研究區(qū)域的土壤圖。
　　研究表明:相比于傳統(tǒng)的土壤圖，圖斑分解后的整個土壤圖在圖斑的數(shù)量上