基于景观及微地形特征的丘陵区土壤属性预测

　　摘要为探讨小流域尺度丘陵区的高分辨率数字土壤制图方法，通过对景观相分类的探索，配合应用不同尺度的Geomorphons(GM)微地形特征数据构成分类变量组参与高分辨率土壤pH、黏粒含量(SCC)和阳离子交换量(CEC)的预测制图，并与传统数字高程模型衍生变量和遥感变量进行组合与比较分析。此外，采用支持向量机、偏最小二乘回归和随机森林3种机器学习模型择优与残差回归克里金复合参与预测模型的构建与评价。结果表明：景观及多尺度微地形分类变量组的应用分别提高小流域尺度丘陵地貌区pH、SCC和CEC预测精度的18.8%、8.2%和8.7%。包含植被信息的景观相分类图相比土地利用数据有更高的模型贡献度;5m分辨率的GM微地形分类图相比低分辨率的分类图更适宜高精度的预测制图。SCC使用随机森林复合模型有最高的预测精度，而pH和CEC则不适宜在随机森林模型的基础上加入残差回归克里金模型。景观-多尺度微地形分类变量、数字高程模型衍生变量和遥感变量三者结合的模型预测表现最佳，表明多元变量在起伏地形区域相比单一数据源能够包含更多的土壤有效信息。由GM数据和地表景观数据组成的景观分类变量组作为主要变量能够解释小流域丘陵区部分土壤属性约40%的空间变异。在同类型土壤预测制图研究中，多分辨率GM及景观分类数据有潜力作为环境变量参与预测模型的构建。

　　关键词景观分类;微地形;数字土壤制图;随机森林;机器学习

　　土壤是一种基本的不可再生资源，在促进农业可持续发展、维持地球生态圈稳定和应对气候变化等方面都发挥着重要作用[1]。由于环境退化、粮食安全等问题日益严峻，农业发展正面临越来越大的压力，对土壤生态系统的有效管理和保护需求也愈发迫切[2]。因此，如何获取准确可靠的土壤状况信息供给管理者做出适宜决策就显得尤为重要。

　　近年来，随着应用模型的不断发展，数字土壤制图(digitalsoilmapping，DSM)与土壤学的有机结合越来越引起相关学者的重视[3]。DSM技术是基于土壤与其形成过程相关的环境因素之间的内在关系构建适宜的土壤-景观模型，用于描绘土壤属性的空间变异性[4]。如Scorpan模型作为Jenny方程的推广，利用土壤信息、气候、生物、地形、母质以及其他因素引起的空间趋势来预测土壤性质，反映了土壤-景观模型的一般性原理[5]。

　　城市景观论文： 城市公共健康对未来住宅区景观设计的影响

　　因此，一系列环境因子被纳入DSM的建模过程中，总体可以分为两类，一类为分类变量(又名定性变量)，如母质类型、土壤类型和土地利用类型等;另一类为连续变量(又名定量变量)，如数字高程模型(digitalelevationmodel，DEM)衍生变量、植被指数和距离变化等[6–8]。在中国东部广袤的丘陵山区，由于地形起伏程度较大，地形因素已经成为土壤属性制图中最重要的预测因子[4]。而伴随着高精度DEM的发展和普及，在小流域尺度上针对破碎化农田管理进行较为准确的土壤属性预测也基本可以实现[9]。因此，如何探索和应用更适宜的多样化地形变量，并将之与环境景观要素相结合以构建高精度的土壤-景观模型将成为丘陵山区DSM研究的重要方向。其中，土壤质地和土地利用类型作为土壤环境和人类活动的综合反映，是小流域尺度上土壤属性空间分布的重要控制因子。

　　之前的一些研究也表明，不同土壤质地和土地利用方式之间的pH、有机碳、总氮等土壤属性有显著差异[10-11]。相对于侧重人为因素影响的土地利用图，本研究将高程、植被覆盖、土壤质地和土地利用方式相结合构成景观相分类变量，藉以更好地表达区域景观的空间异质性[12]。地形分类作为地上部特征的直接反映，是对区域地形信息的有力补充。相比平原区域，在以地形特征为主导预测变量的丘陵区DSM研究中，地形分类数据往往能提供更多的潜在土壤信息，但迄今关于小流域尺度上的DSM研究仍然较少[13]。

　　近40年来，适用于精确地形地貌分类的计算机模型在不断地推陈出新[14]，尽管不同的模型因为算法差异会获得不同的地形分类结果，但是大部分的算法内核都基于相同的假设而成立，即存在两个可比较的相邻地形要素，且在地理信息系统中具有可识别可 捕捉的特征(如坡向、剖面曲率等)[15]。本研究使用了一种较为新颖的Geomorphons(GM)地形分类方法，于2013年由Jasiewicz等提出[16]。该方法主要根据目标位置的高程值在指定大小的邻域搜索视窗内所捕捉的相对差值来确定该处像元所对应的地形元素类型。GM方法相对于其他地形分类模型有2个显著特征：

　　1)能在获得拥有准确定义的地形元素分类结果的前提下仅占用少量计算资源，更加高效;2)相比其他模型可选择地形属性集作为判定要素的主观性，GM方法能有效避免分类结果的不确定性且对局部地形特征的识别拥有更高的自适应性[17]。尺度是所有地形分类模型的关键参数，地形格局在不同尺度上可能存在很大差异[18]。多尺度方法有助于提高地形分类图作为预测因子的应用效率，并较为全面地表征复杂的地表特性。在预测模型方面，使用较为常见的3种机器学习算法：支持向量机(supportvectormachine，SVM)、偏最小二乘回归(partialleastsquaresregression，PLSR)和随机森林(randomforest，RF)。

　　此外，回归克里金与最优算法的结合也加入到模型的构建讨论中，以获得最高的预测精度。本研究将景观相、土地利用、土壤质地联合多尺度GM微地形图作为景观-地形分类变量组，与传统DEM衍生变量组和遥感变量组形成对照，共同参与到小流域尺度丘陵区的pH、土壤黏粒含量(soilclaycontent，SCC，<0.002mm)和阳离子交换量(cationexchangecapacity，CEC)预测制图中。

　　1研究地区与研究方法

　　1.1研究区概况

　　研究区位于江苏省镇江市黄梅镇北部(32°3'20″—32°5'50″N，119°10'20″—119°12'30″E)。该区域北邻长江，平均高度82m，北部地势较高，最高225m，且丘陵地形突出，最大坡度69°，平均坡度12°。占地面积约5.37km2，属北亚热带暖湿气候，年均气温15.2℃，年均降水量1060mm，其中，70%~80%集中在6—8月。研究区丘陵地形特征主要体现于北部地区，而南部较平坦区域覆盖旱地和灌溉农业，以小麦、水稻等经济作物为主。

　　丘陵主体以石英砂岩岩性为主，优势树种为马尾松(Pinusmassoniana)和白栎(Quercusfabri)。丘陵坡麓部覆盖大片下蜀黄土，以下蜀黄土为母质的土壤广泛分布于长江中下游地区[19]。根据中国土壤系统分类检索[20]，研究区共分布有人为土、淋溶土、雏形土和新成土4个土纲，且由于长期的稻麦轮作历史，水耕人为土在南部农耕区的分布较为广泛，而淋溶土则在北部丘陵区占据主导地位。

　　1.2样品采集与分析

　　为尽可能捕捉研究区内的景观异质性，以景观类型差异最大化为原则在研究区内共采集74个土壤样品。采样设计以景观分类为基础，综合与土壤形成过程密切相关的环境信息。对土壤景观格局的分布特征进行综合性室内分析，最终形成的采样点空间分布对研究区主要景观类型如自然林地、灌木林地、旱地和水田等进行全面覆盖。采用五点混合取样法在1m2内获得每个表层土壤(0~20cm)样品，在室内温度20~25℃条件下风干14d，剔除植物残根和石砾，经研磨后采用2mm不锈钢网筛进行筛分。土壤pH采用水浸提法(水土比2.5:1)进行测量，土壤粒径组成采用干筛法经过筛分和称重获得，土壤CEC采用乙酸钠-火焰光度法进行测量[21]。

　　1.3景观分类变量

　　景观分类变量包括土壤质地分类变量、土地利用分类变量以及景观相分类变量。景观相通常作为1：10000及更大比例制图的分类等级，主要以自然或半自然区域作为分类对象，将微地貌作为基础分类的优势因子能够较好地反映小区域的景观差异。对于微地貌的划分指标因区域地质条件、景观特征、立地方位以及相对高程的变化等因素因地制宜加以选择。

　　针对小流域尺度下的丘陵地形特征，将高程、坡度、土壤质地和土地覆被类型作为分类依据：相对高度包括缓丘(20~50m)、浅丘(50~100m)、深丘(100~200m)和低山(200~500m);坡度参照包括平地(≤2°)、缓坡(2°~6°)、中缓坡(6°~15°)、中坡(15°~25°)和陡坡(≥25°);土壤质地分为黏壤土(暗红棕色)、粉砂壤土(棕色)、砂质壤土(暗棕色)和壤土(红棕色);土地覆被包括水田、旱地、茶园、桃园、马尾松-杉木混交林群落、白栎林群落、村庄聚落和未利用地。根据以上分类标准经过适当的图斑合并和舍弃，简化轮廓线并进行适当的类型归并，生成研究区1:25000景观相分类图。

　　1.4多尺度GM微地形分类变量

　　本研究使用的微地形分类变量通过GM方法获得，打破了标准演算方法在固定尺寸的单个窗口中检测所有地形元素的局限性。综合可见邻域内的高程信息并据此判定局域几何形态特征，最终生成10种主要的地形部位[16]。GM地形分类法有2个主要参数：检索窗口的搜索半径，根据以往研究，采用20像元的设置能获得最佳分类结果[22];平坦度阈值，即视作水平区域的坡度阈值大小，由于地处丘陵，研究区平均坡度较大，因此将平坦度阈值设置为5°能获得较好的“平地”分布，对应于实际的耕地分布。

　　在预测模型的构建过程中，地形分类变量对尺度的变化较敏感[23]，而预测变量与土壤属性值之间的关系也会随着尺度的变化而变化。尺度通常被认为是一个特定的空间分辨率，需参考输出的制图单元大小，受到遥感数据像元大小、空间异质性和数据量的影响[24-25]。

　　本研究将不同尺度的GM地形分类变量相结合，探讨在何种尺度下可以获得最高的模型贡献度和最佳的预测效果。采用通过立体像对生成的5、15、30mDEM与常用的30m分辨率ShuttleRadarTopographyMission(SRTM)DEM作为数据来源，生成多分辨率GM微地形分类图，共同参与pH、SCC和CEC的预测制图，其中，15、30mDEM由5mDEM数据在ArcGIS10.6中经重采样生成。

　　1.5遥感变量和DEM衍生变量

　　遥感影像数据源于中国资源卫星应用中心，包括高分二号(GF-2)多光谱卫星影像和高分三号(GF-3)雷达卫星影像。GF-2影像获取时间为2019年9月，该时段研究区所处流域有较高的绿度覆盖，适宜提取相关植被指数。GF-3数据为C频段多极化合成孔径雷达(SAR)标准条带影像，采用VH、VV双极化，幅宽130km，空间分辨率25m，成像时间为2020年1月。

　　GF-2影像的预处理在ENVI5.3软件中完成[26]，其近红外波段(NIR)(0.77~0.89μm)及两种植被光谱指数被提取作为环境预测变量，包括归一化植被指数(normalizeddifferencevegetationindex，NDVI)和花青素反射指数2(anthocyaninreflectanceindex2，ARI2)。

　　GF-3雷达卫星影像使用PIE-SAR6.0进行预处理[27]，VH和VV数据被提取作为环境变量，分辨率为25m。本研究使用5m空间分辨率DEM进行衍生地形环境变量的提取，通过资源三号02星(ZY3-02)前后视立体像对在ENVI5.3.1软件中利用DEM提取模块生成，经100个呈网格状分布的实测高程值验证后的精度误差为1.59m，符合5mDEM的应用精度要求[28]。所需DEM衍生变量由ArcGIS10.6和SAGAGIS软件提取并参与后续的预测制图。

　　2结果与分析

　　2.1土壤属性统计特征及分布

　　土壤pH、SCC和CEC的偏度值分别为0.05、0.11和1.01，表现出不同程度的右偏趋势。其中，pH值基本呈对称分布，SCC值表现出轻微偏态分布，而CEC值表现出高度偏态分布，3种土壤属性数据的标准差均低于平均值。根据Essington[36]提出的以变异系数(coefficientofvariation，CV)评估土壤属性的均质性和异质性的划分标准，即CV值低于15%为均匀分布，16%~35%为中度变异，高于36%为高度变异，则研究区内pH值分布较为均匀，SCC和CEC则有不同程度的中度变异。

　　由于样点个数有限，为更好地表现3种土壤属性在地形起伏区域的差异，将原5m分辨率GM图斑按地形部位相邻原则进行聚合，具体为山峰、山脊和山肩聚合为坡顶部，凸背坡、直背坡和凹背坡聚合为坡中部，平区和山脚聚合为平坦部，沟谷和洼地聚合为凹坡部。由此可以看出，除平坦部和坡中部的pH外(P=0.034)，3种土壤属性在4种地形部位上均表现出显著差异，表明高分辨率的GM地形分类图斑在小流域尺度的丘陵地带能较好地表征pH、SCC和CEC之间的差异，进而应用于土壤属性的预测制图。

　　2.2模型的建立与评价

　　将应用的环境变量分为3类进行不同的组合加入到3种预测模型中，3类环境变量分别为：包含景观变量和GM多尺度微地形变量的分类变量、DEM衍生连续变量以及从光学和SAR遥感影像中提取的连续变量，共形成5种变量组合(Ⅰ：遥感变量;Ⅱ：景观及微地形分类变量;Ⅲ：DEM衍生变量;Ⅳ：景观及微地形分类变量+DEM衍生变量;Ⅴ：遥感变量+景观及微地形分类变量+DEM衍生变量)，并对其在SVM、PLSR和RF模型中的预测表现进行评估。RF模型对pH、SCC和CEC的预测在3种机器学习模型中都拥有最高的预测精度，在此基础上对RF的预测残差空间结构进行回归克里金插值(regressionKriging，RK)，获得RF-RK预测模型精度。对预测精度的比较结果表明，3种机器学习模型在不同土壤属性的预测中表现出一定的特征和差异。

　　以模组Ⅴ为例，在pH的预测结果中，模型精度由高到低依次为RF、PLSR和SVM(R2分别为0.63、0.58和0.54);在SCC的预测中，SVM的精度最低，PLSR和RF模型的预测结果相似(R2分别为0.53、0.58和0.59);对于CEC的预测，RF模型仍拥有最佳的预测结果，SVM模型的精度高于PLSR模型(R2分别为0.51、0.50和0.48)。综合来看，相比SVM和PLSR模型，RF模型拥有总体最佳的预测表现，RF模型在DSM领域的应用也得到过多次验证[37]。

　　对RF模型的预测残差进行回归克里金插值并叠加以评估其对预测结果的影响。土壤pH由于其残差过小导致预测精度并未发生明显变化。SCC的预测精度明显提升，CEC的预测精度低于单一RF模型，其中，SCC残差的最佳拟合模型为高斯模型，块金值为167.3，基台值为334.7，块金系数为50%，表明模型预测残差具有一定的空间结构性。模型的残差可以作为预测不确定性的一种表征，当土壤属性呈现较强的空间自相关性时，残差空间结构与模型的结合能够优化模型的不确定性，使预测结果得到有效提升。

　　3讨论

　　Odeh等[38]研究表明，残差空间结构回归克里金应用于不同土壤属性的效果有较大差异，这种差异与目标属性和地形因素之间的关联性有关。他们的结果显示，表土层砾石含量及亚表土层黏粒含量在应用残差回归克里金模型时有较大提升，这与本研究结果一致，表明机器学习与残差回归克里金的复合模型适用于土壤质地等受地形特征影响较大的土壤属性的预测与制图。

　　土地利用分类数据在大尺度DSM研究中已逐渐得到普及，而针对土壤调查进行划分的景观分类图的应用则鲜有涉及。小流域尺度的土壤分布与所处景观条件有着密切联系[39]，尺度相符且详略得当的地表覆被分类信息有助于小尺度的土壤分类或相关属性值的预测分布。GM地形分类在DSM领域的应用则多见于土壤分类的研究，如Ngunjiri等[22]在肯尼亚UasinGishu高原利用GM地形分类对当地土壤类型进行预测，总体分类精度达到了0.58。

　　由于地形分类对于尺度效应的敏感性，不同分辨率的GM图对于土壤景观格局的可解释性也有所区别，如Atkinson等[23]研究发现，不同尺度GM图的地形元素对应的土壤类型、黏粒含量和土壤深度存在显著差异。尽管上述研究讨论了土壤分布与GM地形分类特征之间的关系，却并未将其应用于土壤属性的预测。

　　本研究基于土壤与所处景观的内在关系，在结合传统DEM提取数据作为环境变量的基础上，辅以高精度遥感信息数据，探讨了景观分类数据与多尺度GM微地形分类图等类别变量在小流域尺度丘陵地貌区的应用潜力。结果表明，详细的地表景观信息结合高分辨率的GM数据能够有效提高土壤pH、SCC和CEC的预测精度。主要结论如下：

　　1)RF模型相比SVM和PLSR模型在研究区内针对pH、SCC和CEC三种土壤属性拥有更好的预测表现。对于SCC值的预测，RF模型与残差回归克里金插值结合形成的复合模型的预测精度最佳。2)在3种土壤属性中，pH的制图精度高于SCC和CEC，CEC制图的不确定性最高。

　　3种类型环境变量共同组成的模组Ⅴ最高能解释

　　pH值空间变异的63%、SCC值的61%和CEC值的51%。3)景观类型数据与多尺度GM微地形分类数据组合而成的景观-微地形分类变量组的应用在RF模型中对土壤pH、SCC和CEC的预测精度相比单一类型的DEM衍生变量组能分别提升18.8%、8.2%和8.7%。4)在景观类变量中，包含植被分布信息的景观相变量相比单一土地利用变量拥有更高的模型贡献率;在多尺度GM微地形分类变量中，5m高分辨率GM分类数据表现最佳。

　　参考文献

　　[1]AmundsonR,BerheAA,HopmansJW,etal.Soilandhumansecurityinthe21stcentury.Science,2015,348:1261071

　　[2]MontanarellaL,PennockDJ,McKenzieN,etal.World’ssoilsareunderthreat.Soil,2016,2:79–82

　　[3]ScullP,FranklinJ,ChadwickOA,etal.Predictivesoilmapping:Areview.ProgressinPhysicalGeography:EarthandEnvironment,2003,27:171–197

　　[4]CameraC,ZomeniZ,NollerJS,etal.AhighresolutionmapofsoiltypesandphysicalpropertiesforCyprus:Adigitalsoilmappingoptimization.Geoderma,2017,285:35–49

　　[5]McBratneyA,MendonçaSM,MinasnyB.Ondigitalsoilmapping.Geoderma,2003,117:3–52

　　[6]Pahlavan-RadMR,AkbarimoghaddamA.SpatialvariabilityofsoiltexturefractionsandpHinafloodplain(casestudyfromeasternIran).Catena,2018,160:275–281

　　[7]DongW,WuT,LuoJ,etal.Landparcel-baseddigitalsoilmappingofsoilnutrientpropertiesinanalluvial-diluviaplainagriculturalareainChina.Geoderma,2019,340:234–248

　　作者：1魏宇宸1赵美芳2朱昌达1张秀秀1潘剑君1