利用不确定性模型实现土壤推理制图中知识的获取与融合

摘要

土壤与环境关系知识的获取是精细土壤制图的核心问题，如何快速准确的提取该知识成为现阶段研究的重点。在过去的研究中，土壤-环境知识在信息覆盖度、表达精度和准确性上均存在着可完善的空间。基于土壤样点的知识获取，受样点数量、采样过程误差和代表性影响;而基于土壤图的知识获取，由于采用“双清晰”制图过程而导致部分信息丢失;土壤调查资源的知识往往不是很完整，知识的描述准确度不高。如何进行知识的互补与融合，以弥补三类知识各自的缺陷，形成较高精度的知识。Shi等探索了土壤-环境知识的集成研究，将Global knowledge和Localknowledge在推理制图时综合运用，制图精度可明显提高。鉴于此，如果能在知识独立检验、分析其覆盖度、表达精度和准确性的基础上，通过一致性分析等统计方法，实现多源知识的互补和融合，形成较高精度的土壤-环境知识，将显著提高数字土壤制图的准确性，因而具备重要的科学价值和理论意义。
　　本文将湖北省黄冈市红安县华家河镇作为研究区，使用SoLIM软件得到夸大和忽略这两种不确定性分布图，依据不确定性分布图在可信度高的位置重新采集样点，对样点进行数据挖掘，获取环境因子组合，然后构建这些组合与土壤类型的对应关系，结合原始规则，融合知识，获取新的土壤-环境关系知识，即为优化后的知识，同时使用新的知识进行推理制图，从而获取新的土壤类型分布，并用野外样点来验证土壤图的精度。
　　本研究中将决策树算法不确定性模型作为土壤与环境关系知识融合和提取的主要方法。在实际应用中，将某个地理实体划分到某一类的分类过程中有两种不确定性:第一种跟实体类型的相似性有关，即忽略不确定性;第二种则与该实体固有的类型与被分配到的类型的偏离有关，即夸大不确定性。文中使用SoLIM软件获取夸大和忽略这两种不确定性分布图，并根据不确定性分布图的特性来定性分析研究区制图结果的准确程度。决策树模型通过阈值的限定，可以快速高效地预测土壤类型，但随着土壤类型级别的降低，预测正确率也逐步降低。而本研究中中采用的忽略不确定性和夸大不确定性可以一定程度上真实有效的判断推理图的准确程度，实现推理图的定性精度评估。因此，本文利用两种模型的耦合，不仅节省了土壤制图过程中的费用与时间，而且提高了效率，科学的实现土壤中知识的重新获取与融合。
　　推理图的精度验证是数字土壤制图中一个不可或缺的步骡，通过精度验证，可以有力地对制图方法和过程进行评估进而改善方法和过程，另外也是对推理图成果的最终评价。文本将通过混淆矩阵、总体精度、Kappa系数等多个指标对原始推理图和优化后的推理图进行精度验证。
　　应用结果表明:推理得到的土壤类型图显示的空间和属性分布与原有土壤图相比能够刻画更多的细节信息。同时，使用253个野外独立样点验证所得的土壤图，总体精度达到86.9％，高于已有土壤图精度约13％，已超过10％，而且Kappa系数的值为0.842，高于0.8，表示一致性程度十分明显，与研究区的土壤属性和空间分布吻合。因此，本文所采用的方法是一种高效获取土壤-环境关系知识的方法，该方法在土壤图的属性精确度和空间详细度这两个方面均有很大程度的提升，具有创新性。

目录

论文说明

声明

摘要

1 引言

1．1 选题背景

1．2 国内外研究综述

1．3 研究目的

1．4 研究内容

1．5 技术路线

2 材料与方法

2．1 研究区概况

2．1．1 地理位置和行政区划

2．1．2 成土自然条件

2．1．3 土壤类型

2．2 研究方法

2．2．1 环境因子的选择

2．2．2 环境因子的生成

2．2．3 不确定性模型土壤-环境关系的提取与融合

2．2．4 土壤推理制图

2．2．5 土壤图精度验证

3 土壤-环境关系的提取与融合

3．1 环境因子的提取

3．1．1 地形因子

3．1．2 成土母质

3．2 不确定性分析

3．2．1 不确定性分布图

3．2．2 环境因子与不确定性融合图

3．2．3 土壤栅格类型图与不确定性图融合图

3．3 知识的融合与修改

3．3．1 重采样

3．3．2 提炼规则

4 推理制图及精度验证

4．1 推理制图

4．1．2 土壤隶属度图的生成

4．1．2 推理土壤图

4．2 前后规则对比

4．3 精度验证

4．4 方法评价

5．结论与展望

5．1 主要结论

5．2 研究展望

参考文献

致谢