搜索
I摘要土壤属性空间变化的准确预测是土壤学及环境科学等相关学科的一个共同主题。在全球变化、资源与环境、生态多样性、食品安全以及人口与耕地等一系列问题的相关研究过程中，对土壤属性空间分布信息，不论在信息的数量方面还是在准确性方面，都提出了越来越高的要求。本文从准确性和不确定性两个方面，对有限最大似然法（REML）和高程辅助变量在土壤属性空间预测中的应用进行了探讨和研究，主要内容与结论如下：（1）以北京市大兴研究样区作为研究样区，以土壤有机质、土壤含水量、土壤速效钾和土壤有效锰四个土壤属性作为目标变量，通过选择不同的样本点数，对比分析REML法和传统的矩量法（MoM）在计算变异函数准确性方面的表现。结果表明：在样本点数从150个逐渐减少到50个过程中，当样本点数小于70个后，所有目标变量的预测精度都开始明显的下降。在样本点数比较少的情况下，REML法估计的变异函数比MoM法估计的变异函数更准确一些。（2）以土壤有机质和土壤有效锰作为目标变量，通过选择不同的空间尺度，分析空间尺度对土壤属性变异函数准确性的影响。结果表明：空间尺度对于认识土壤目标变量的空间变异特征具有明显的影响；REML法在提高空间预测精度方面效果是否明显与研究区的空间尺度也紧紧相关，本文中，REML法估计的变异函数在20km和30km两个尺度范围内比MoM法变异函数的预测精度高。（3）以平谷区为研究样区，以高程作为辅助变量，以土壤有机质、土壤速效钾、土壤有效磷、土壤有效铁等为目标变量，通过利用普通克里格法（OK）、协克里格法（CK）和回归克里格法（RK）三种方法，对比分析高程数据是否可以用来提高上述土壤属性的空间预测精度。结果表明：高程作为辅助变量，可以用来提高土壤属性的空间预测精度，但这种方法并不适合所有土壤属性，本文中土壤有效铜、土壤有效铁和土壤有效锰三种微量元素的预测精度没能够被提高；利用高程对土壤属性进行空间预测时，在选用最适宜的方法之前，应该对土壤变量的空间结构、土壤属性的全局趋势、土壤属性与高程之间的线性相关关系、结构相关关系等进行仔细分析。（4）利用高程、坡度和地形湿度指数等地形指标组合成不同的外部趋势模型，通过RK法和有限最大似然法为基础的线性无偏最优估计法（BLUP-REML）对平谷区土壤有机质的空间分布进行预测。结果表明：地形指标高程、坡度和地形湿度指数等可以作为辅助变量用来提高土壤有机质的空间预测精度，尤其是通过不同地形指标之间的组合，能进一步的提高预测精度；在样本点数较少的前提下，在外部趋势模型对土壤有机质空间变化解释程度偏低的情况下，BLUP-REML法在预测的稳定性方面比RK法表现得更好。（5）将高程辅助数据与序贯高斯协模拟方法相结合，对密云样区和平谷样区的土壤有机质的空间分布进行模拟，通过对模拟结果的准确性、局部不确定性和空间不确定性进行评价。结果表明，在条件高斯模拟的计算环境下，可以利用高程作为辅助变量来提高土壤有机质空间预测精度和空间不确定性模拟的准确性，但没能提高局部不确定性模拟的准确性。关键词：土壤属性，空间预测精度，不确定性，地统计方法，高程，有限最大残差法IIAbstractSpatialpredictionofsoilpropertieshasbecomeacommontopicinsoilscienceresearch.Thereareincreasingdemandsfortheinformationofspatialdistributionofsoilcharacteristics,bothintheamountofinformationandintermsofaccuracy,forthestudyoftheissuesrelatedtochangesintheglobalresourcesandtheenvironment,biodiversity,foodsecurityandpopulationandarableland.Inthispaper,wediscussedtheissuesofenhancingtheaccuracyofspatialpredictionofsoilfromtheuseofgeostatisticsmethodsandauxiliaryvariables.Maincontentsandconclusionsareasfollows:Soilorganicmatter,soilwatercontent,soilavailablepotassiumandmanganesehavebeenexaminedherefromBeijingDaxingdistrictwithdifferentsamplesizestocomparetheperformanceoftheMoMandREML.Theresultsshowsthesizeofdatasethaveamarkedimpactontheaccuracyofvariogram.Whenthesampleislessthan70points,thepredictionaccuracyoftargetvariablesarebeginningtodeclinesignificantly.TheREMLvariogramsaremoreprecisethantheMoMvariogramsinthecasesofsmallsizeofsample.Toassesstheimpactofspatialscaleonvariogram,theperformanceofMoMvariogramandREMLvariogramwereexaminedwiththedataofsoilorganicmatterandsoilavailablemanganesefromdifferentscaleplots.TheresultsshowedthatthespatialscalehadaobviouseffectontheaccuracyofvariogramcomputedbybothMoMandREML.Inthispaper,withsoilorganicmatterandsoilmanganeseasthetargetvariable,REMLvariogramsaremoreaccuratethanMoMvariogramswiththe20kmscaleand30kmscaleplots.Thispapercomparestheaccuracyofpredictionsofthesoilorganicmatter,soilavailablepotassium,phosphorus,ironandothersoilvariablesinPingguDistrictfromordinarykriging,cokrigingandregressionkriging.Forthelasttwo,intensiveelevationdatawereusedasauxiliaryvariable.Theresultsshowedthatelevationcanbeusedtoimprovetheaccuracyofspatialpredictionofsoilproperties,butthismethodisnotsuitableforallsoilvariables.Theresultsoffactoranalysissuggestedthatlinearrelationship,structurerelationshipbetweenelevationandsoilpropertiesandtheglobaltrendofsoilpropertiesshouldbecarefullycheckedbeforetheselectionofthemostappropriatemethod.Theperformanceoftheempiricalbestlinearunbiasedpredictorwithresidualmaximumlikelihood(BLUP-REML)withthatofregressionkriging(RK)werecomparedforpredictingsoilorganicmatter(SOM)withthepresenceofdifferentexternaldrifts.Terrainattributes(elevation,slopeandtopographicwetnessindex)calculatedfromDEMwasusedasexternaldriftvariable.TheresultssuggestthattopographicaldatacanfurtherimprovetheaccuracyofthespatialpredictionsofSOMbyusingRKandREML.AlthoughtheimprovementwithREML-EBLUPisnotnoticeablecomparedwithRK,thepredictioncapabilityofREML-EBLUPismorestablethanRKespeciallywhenasmallerproportionofthevariationintargetvariableisaccountedforbyatrendmodel.ThesequentialGaussiansimulation(SGS)andsequentialGaussianco-simulation(SGCS)algorithmswerecomparedwithrespecttotheaccuracyofpredictionsaswellastotheuncertaintyinherentinthespatialpredictionofsoilorganicmatter.TheSGSalgorithmaccountedforonlytheSOMdata.TheSGCSaccountedforbothSOMdataandintensiveelevationdata.TherootmeansquareerrorsIIIrevealedthatthemoreaccuratesimulationswerethoseaccountingforintensiveelevationinformationbytheSGCSmethodforthetwoareascomparedwithSGS.Asregardsmodelinglocaluncertainty,SGCSperformedbetteratmodelingpredictionuncertaintythanSGS.Inaddition,theresultsofassessingthestandarddeviationconfirmedthattheexhaustiveelevationdatacouldbeusedtoreducethespatialuncertaintyofSOMbySGCScomparedwiththeSGSalgorithm.Keywords:soilproperties,accuracy,uncertainty,geostatistics,residualmaximumlikelihood,elevationV目录第一章绪论.....................................................................................................11.1选题背景与研究意义..................................................................................................11.2研究现状综述.............