基于支持向量機的典型凍土區(qū)土壤制圖研究

1、基于支持向量機的典型凍土區(qū)土壤制圖研究* 科技部基礎(chǔ)性工作專項（2008FY110200）；科技部863項目（No.2008AA12Z205）；國家自然科學基金（40871037）石偉 南卓銅 通訊作者，E-mail: nztong作者簡介：石偉（1987），男，碩士研究生，專業(yè)方向為遙感和GIS應用。E-mail: shiwei收稿日期：2010-07-22；收到修改稿日期：2010-11-XX 李韌 趙林 張秀敏 趙擁華（中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所，蘭州 730000） MACROBUTTON AcceptAllChangesShown 摘要 本研究基于青藏高原大片連續(xù)多年凍土分布

2、的東部邊緣，青海省興?？h溫泉地區(qū)的野外調(diào)查數(shù)據(jù)，通過對研究區(qū)遙感數(shù)據(jù)的分析，開展了土壤制圖方法的探討。它以成土因素學說和土壤-景觀模型理論為基礎(chǔ)，篩選土壤分類潛在變量，在不同的變量組合下運用支持向量機（SVM）的方法建立土壤-景觀模型，對整個研究區(qū)進行預測性分類。為了更好地檢驗該方法的有效性，采用五折交叉方式進行結(jié)果的驗證。并通過對比不同變量組合的交叉驗證結(jié)果和分布模擬結(jié)果圖，確定了適合典型凍土區(qū)土壤分類的環(huán)境變量組合，以較少的樣本知識較好地預測該區(qū)土壤類型的空間分布。 MACROBUTTON AcceptAllChangesInDoc 關(guān)鍵詞 土壤制圖；支持向量機；多年凍土區(qū)；土壤分類中圖分

3、類號 S159.9; O159 文獻標識碼 A青藏高原地域廣闊，多年凍土廣泛發(fā)育，受多年凍土和強烈凍融作用的影響，土壤具有獨特的分布特征。土壤分布特征資料不僅是土地資源合理利用和區(qū)域畜牧業(yè)規(guī)劃的基礎(chǔ)，同時也是各類陸面過程模式和區(qū)域乃至全球氣候模式所必須輸入的基礎(chǔ)數(shù)據(jù)資料。對于凍土發(fā)育的青藏高原，土壤類型的空間分布研究也有助于深入理解凍土發(fā)生發(fā)展的規(guī)律，從而促進對凍土分布、退化過程、機制與防治措施方面的研究1。青藏高原土壤資源的調(diào)查研究和制圖工作主要基于幾次大型野外考察。中國科學院組織的青藏高原綜合科學考察隊，1973年至1980年考察了青藏高原南都的西藏自治區(qū)，1981年至1986年考察了青藏

4、高原東南部川西、藏東和滇西北的橫斷山區(qū)，1987年至1992年考察了青藏高原西北部的喀拉昆侖山和昆侖山地區(qū)，并先后發(fā)表專著西藏土壤、喀喇昆侖山-昆侖山地區(qū)土壤等，繪制了考察區(qū)域土壤類型圖2，其中以1:200萬、1:100萬等小比例尺土壤圖居多。這些土壤類型分布圖已經(jīng)不能滿足精準農(nóng)牧業(yè)、環(huán)境管理及生態(tài)、陸面過程/氣候模型模擬等對高精度土壤類型分布信息的需求。同時，傳統(tǒng)野外調(diào)查制圖是費時費力的過程，不但花費成本高而且土壤信息更新速度慢。隨著3S技術(shù)的發(fā)展，基于土壤-景觀模型理論的預測性土壤制圖應運而生，彌補了傳統(tǒng)土壤制圖的不足3。這是一種以環(huán)境因子的空間分布來推測土壤的空間分布，生成土壤圖的方法。

5、青藏高原多年凍土廣泛發(fā)育，氣候環(huán)境條件復雜而特殊，影響土壤形成的環(huán)境變量有其特殊性。許多研究探索了建立土壤-景觀模型的方法，如多元線性回歸法4、決策樹分析法5、相似性模型6等，本文采用支持向量機的分類方法。支持向量機在國內(nèi)外諸多領(lǐng)域有廣泛應用如電力、圖像識別、醫(yī)療、通信等7-10，在土壤分布研究中已經(jīng)開始有應用11。其應用于土壤分類主要有以下三個優(yōu)點。首先，能夠處理變量和因變量之間的非線性關(guān)系，而土壤的形成是多要素制約的非線性過程12,13。其次，支持向量機分類是通過在訓練樣本中確定支持向量建立判別函數(shù)從而進行分類的，是一種統(tǒng)計分類，不需要專家經(jīng)驗。第三，其訓練樣本無需滿足正態(tài)分布，對樣本數(shù)量

6、需求少，支持向量機不像決策樹、神經(jīng)網(wǎng)絡等傳統(tǒng)方法需要足夠大的樣本數(shù)量并必須滿足正態(tài)分布14，只需訓練樣本中包含支持向量。本文以成土因素學說和土壤景觀模型理論為基礎(chǔ)，運用支持向量機的方法建立青藏高原典型凍土區(qū)溫泉區(qū)的土壤-景觀模型，從而對整個研究區(qū)進行預測性分類，并生成研究區(qū)土壤圖。材料與方法研究區(qū)概況研究區(qū)位于青海省海南州西南部的溫泉區(qū)域，是季節(jié)凍土和大片連續(xù)多年凍土過渡的典型凍土區(qū)( REF _Ref266392412 h * MERGEFORMAT 圖1)。地理范圍為35.235.7N、99.199.6E，面積約3800km2，海拔34305300m。地形以山地、丘陵為主，有苦海灘和河流沖

7、積的瑪日塘地區(qū)盆地等。地貌類型豐富，有沖洪積扇、坡積群、谷地、河漫灘、河流階地等。微地貌類型也廣泛發(fā)育，凍脹土丘、階梯狀蠕動、土環(huán)、石環(huán)等屢見不鮮，形成凍土區(qū)特有景觀。成土母質(zhì)類型多樣，包括殘積物、冰磧物、坡積物、洪積物、沖積物和湖積物。研究區(qū)內(nèi)河流縱橫，植被良好，據(jù)2009年溫泉區(qū)凍土本底調(diào)查工作報告，主要植被類型包括高寒草甸、高寒沼澤草甸、高寒草原和高寒灌叢，以高寒草甸和高寒草原為主（80以上）。高寒草甸以耐寒、密叢、短根莖的嵩草屬植物為主，多位于局地氣候相對濕潤的山地、河流間地等地區(qū)，其中土壤含水量較高的為高寒沼澤草甸；高寒草原以耐寒、抗旱的叢生禾草為主，多位于盆地、丘陵地區(qū)，在山間谷地

8、地帶也有分布，成土母質(zhì)相對貧瘠；高寒灌叢著生在有機質(zhì)含量高的土壤上，生長茂密，覆蓋度大，多位于山地陰坡位置，且沿山坡走勢呈條帶狀分布。該區(qū)所在地興?？h，氣溫較低、降水較少。年平均氣溫1.2，月平均氣溫從1月的-11.9至7月的12.5，年平均降水量355.6mm，月平均降水量從1月的1.3mm至7月的83.4mm15。研究區(qū)內(nèi)以牧業(yè)為主，兼有溫泉煤礦、螢石礦等小型礦區(qū)。按照中國土壤16分類標準，該區(qū)分布有高山草甸土、高山草原土、高山漠土和高山寒漠土四類土壤。圖 SEQ 圖 * ARABIC 1 研究區(qū)概況Fig. SEQ Fig. * ARABIC 1 Topographic map of t

9、he study area數(shù)據(jù)來源本文使用的基礎(chǔ)數(shù)據(jù)包括：CGIAR-CSI（1） 國際農(nóng)業(yè)研究磋商小組空間信息委員會, /, 訪問日期2010年7月8日1）提供的90m SRTM-DEM；中國西部生態(tài)和環(huán)境科學數(shù)據(jù)中心（2） 中國西部生態(tài)和環(huán)境科學數(shù)據(jù)中心, , 訪問日期2010年7月8日2）提供的1：10萬土地利用圖；美國宇航局NASA（3） 美國宇航局, HYPERLINK /api/ /api/, 訪問日期2010年7月8日3）提供的30m Landsat5 TM遙感影像（2009.8.11）；NASA提供的10a(2000年至2009年)MODIS(中分辨率成像光譜儀)歸一化植被指數(shù)

10、（NDVI）產(chǎn)品，其空間分辨率為250m，時間分辨率是16d合成；NASA提供的6a（2003年至2008年）MODIS逐日地表溫度數(shù)據(jù)，其空間分辨率為1km。選用的73個土壤樣本數(shù)據(jù)（ REF _Ref266392412 h * MERGEFORMAT 圖1）是在2009年在研究區(qū)開展的凍土本底調(diào)查工作中獲得（4） 青藏高原多年凍土本底調(diào)查，科技部基礎(chǔ)性工作專項，編號2008FY110200，2007.12 2012.12。調(diào)查中詳細記錄了土層和土壤剖面信息、土壤屬性信息（顏色、質(zhì)地、結(jié)構(gòu)等）、地形地貌信息等，并結(jié)合實驗室分析數(shù)據(jù)，確定各樣本點的土壤類型。樣本中高山寒漠土有4個、高山漠土6個

11、，高山草甸土和高山草原土分別為41和22個。由于研究區(qū)處于山地丘陵地帶，受交通不便和地理條件的限制,在瑪日塘區(qū)域（ REF _Ref266392412 h * MERGEFORMAT 圖1，左上角）沒有布設(shè)土壤采樣點，從空間上看采樣點分布具有不均勻性。采樣點大多分布青藏公路沿線。采樣點的設(shè)計遵循以下原則：首先沿青康公路均勻分布，再根據(jù)海拔、坡度、坡向、凍土大致分布等信息進行調(diào)整，在野外具體工作時結(jié)合觀察到的植被、土壤情況、可達性進一步微調(diào)整。這種結(jié)合專家知識的采樣方案在一定程度上彌補了空間不均勻采樣造成的代表性不足的問題17。支持向量機(SVM)SVM算法的基本原理是確定一個能將兩個類別的樣本

12、正確分類且使分類間隔最大的最優(yōu)分類超平面（ REF _Ref265937674 h * MERGEFORMAT 圖2）。按照Vapnik18的描述方法，線性SVM可以定義為：若樣本集是線性可分的，則存在分類超平面,對樣本集中任一都滿足： （1）即（2）式中，為定義在多維空間（為維數(shù)）中的樣本點，定義了樣本點的類別。向量垂直于分類超平面稱為權(quán)重，決定超平面的方向。為閾值決定超平面的位置。圖 SEQ 圖 * ARABIC 2完全線性可分的SVM超平面19Fig. SEQ Fig. * ARABIC 2 Linearly separating SVM hyperplane for the separ

13、able case19尋找分類間隔最大的最優(yōu)超平面問題可表述為：（3）使得，（4）解此最優(yōu)化問題可得線性可分的SVM判別函數(shù)：（5）式中，為支持向量個數(shù),0為拉格朗日乘子。在實際應用中通常存在一條直線或者線性的分類面不能把兩類樣本完全區(qū)分開的情況。為了解決這一問題，需在式（3）、式（4）中加入一個松弛項，以獲得滿足分類間隔較大誤分樣本較小的分類超平面。目標函數(shù)就變成（6）使得，（7）式中，為懲罰因子，用來對訓練錯誤進行懲罰，實現(xiàn)在錯分樣本的比例和算法復雜度之間的折衷。當樣本非線性可分時需要用一個映射把樣本從一個空間映射到另一個高維的空間，在這個高維空間中樣本線性可分。此時非線性可分的SVM的判

14、別函數(shù)為：（8）式中，是核函數(shù)，它使支持向量機可以在高維空間中對變換后的樣本使用線性分類的方法進行分類。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、高斯徑向基核函數(shù)（）和二次神經(jīng)網(wǎng)絡核函數(shù)。SVM解決多類別分類問題主要有兩種方式：一對多法（one-against-all，OAA）和一對一法（one-against-one，OAO）。OAA方法依次用一個兩類分類器將每一類與其它所有類別區(qū)分開，對于n個類別的樣本，有n個分類函數(shù)。分類時將未知樣本分類為具有最大分類函數(shù)值的那類。OAO方法在每兩類間訓練一個分類器，對于一個n類問題，有n(n-1)/2個分類函數(shù)。將這些分類函數(shù)應用于一個未知樣本，有n(n

15、-1)/2個分類結(jié)果，結(jié)果中出現(xiàn)頻率最高的類別作為該未知樣本的類別。OAA和OAO兩種方法都是通過向二分類問題的轉(zhuǎn)化來解決多類別分類問題。本文采用高斯徑向基核函數(shù)和OAO的分類方式。高斯徑向基核函數(shù)能處理土壤類別和環(huán)境變量間的非線性關(guān)系且只需確定一個核函數(shù)參數(shù)（5） .tw/cjlin/papers/guide/guide.pdf, 訪問日期2010年6月29日5）。核函數(shù)中的參數(shù)和懲罰因子通過交叉驗證方式確定。據(jù)經(jīng)驗OAO方法比OAA有更好的分類結(jié)果20，且能減小由于樣本數(shù)據(jù)不均衡帶來的影響21。SVM土壤分類SVM數(shù)據(jù)前處理本工作是在90m分辨率的基礎(chǔ)上進行的，出于SVM分類時對數(shù)據(jù)一致性

16、的要求，需將不同分辨率的遙感數(shù)據(jù)統(tǒng)一重采樣，方法采用最鄰近法。本文使用臺灣大學開發(fā)的LibSvm（6） HYPERLINK .tw/cjlin/libsvm/，訪問日期：2010 .tw/cjlin/libsvm/，訪問日期：2010年6月29日6），樣本數(shù)據(jù)從文本文件中讀取。數(shù)據(jù)文件格式如下：: 其中表示樣本，用整數(shù)值代替。、是變量的序列號，從1開始。、是變量對應的值。每一行表示一個樣本點的信息。對于非數(shù)值變量如土地利用，每一類可以一組值為-1和1的向量表示。例如三種土地利用類型可用如下方式表示：高覆蓋草地（-1，1，1），裸土地（1，-1，1），灌木林地（1，1，-1）。為了減少變量值大小

17、對分類精度的影響和降低計算量，本研究中對數(shù)據(jù)進行歸一化處理，LibSvm采用線性歸一化方法，將數(shù)據(jù)歸一成-1,1。土壤分類潛在變量以成土因素學說和土壤景觀模型理論為基礎(chǔ)，篩選SVM土壤分類模型潛在變量。土壤景觀模型理論認為，具體的環(huán)境因子組合下很可能形成特定的土壤類型22，因此本研究篩選反映地理位置、地形地貌、氣候、水文、植被、人為因素等成土相關(guān)環(huán)境因子?？紤]到青藏高原凍土環(huán)境的特殊性，植被和地表溫度對于凍土分布和凍土區(qū)土壤類型的指示可能具有季節(jié)性，植被指數(shù)和地表溫度分解出分期或者分季變量。潛在變量列于 REF _Ref263350474 d h * MERGEFORMAT 表1。詳細考慮介紹

18、如下。地形和植被能有效的體現(xiàn)土壤的空間分布，在土壤類型判別中起重要作用。在山區(qū)，海拔、坡度、坡向是影響土壤形成的重要因素，它們通過改變水熱條件和植被狀況，間接改變土壤的組成成分和理化性質(zhì)，影響土壤的發(fā)育。平面曲率和剖面曲率分別影響著物質(zhì)和能量流動的加速集中或減速分散3。地形濕度指數(shù)能有效地指示土壤內(nèi)水分運動和土壤相對含水量23,24。植被類型與土壤類型關(guān)系密切，凋落物、草根等直接影響土壤形成，同時隨著土壤性質(zhì)的變化，又能促使植被類型發(fā)生變化。利用10a（2000年至2009年）MODIS NDVI數(shù)據(jù)表示植被分布，分解成兩種形式：其一，10a NDVI平均；其二，10a NDVI分期平均即MO

19、DIS NDVI數(shù)據(jù)一年分23期，一期為16d最大值合成，將10a NDVI數(shù)據(jù)分期進行平均。為期6a（2003年至2008年）MODIS地表溫度作為影響土壤形成的氣候因素分兩種形式：其一，6a地表溫度平均；其二，6a地表溫度分冷暖季平均，即按照湯懋倉25青藏高原冷暖季的劃分標準（9月至4月為冷季，5月至8月為暖季），分別求兩時期6a地表溫度的平均值。由DEM計算得到的年太陽潛在直接輻射雖不是實測值，但能正確表明太陽輻射的空間差異，指示凍土分布情況。將離河流、湖泊的距離作為水限制因素，C. Hahn11曾有運用，并取得了較好的分類結(jié)果。TM波段比值5:7（b5b7）代表粘土含量，5:3(b5b

20、3)和3:1(b3b1)反映鐵的相對濃度26，此三種波段比值對區(qū)分地表物質(zhì)組成有重要作用。坐標雖然不是其中的成土因素，但其能增強SVM對土壤空間分布的判斷，以提高分類精度。土地利用作為人為因素，較好地反映人類活動的影響。表 SEQ 表 * ARABIC 1 研究區(qū)支持向量機(SVM)潛在變量 Table SEQ Tab. * ARABIC 1 Potential variables of SVM for the soil classification變量 Variables分辨率Resolution范圍 Range成土因素1)Factors高程, 坡度, 坡向Altitude/Slope/As

21、pect90m34305300m，041，0360(平坦區(qū)為-1, -1 for flat zones)R離河流的距離Distance to river017879mH離湖泊的距離Distance to lake045407mH坐標Coordinates90m35.235.7N, 99.199.6E土地利用Land use1:100,0006類 (6 classes)HF10a NDVI平均Mean NDVI of 10 years250m-11V,O10a NDVI分期平均Average 16d NDVIs in 10 years250m-11V,O平面曲率, 剖面曲率Plane curva

22、ture/profile curvature90m-11, -1.11.2R地形濕度指數(shù)Topographic wetness index90m4.523R,HTM波段比值(5:7,5:3,3:1)Band ratio of TM30m0255 DNO,PM6a地表溫度平均Mean surface temperature of 6 years1km-2.75.6CL6a地表溫度冷暖季平均Seasonal mean surface temperature of 6 years (warm and cold)1km暖1.312.2,冷 -6.42.5(1.312.2 in warm season,

23、 -6.42.5 in cold season)CL年潛在直接太陽輻射Annual potential direct solar radiation90m11050242628946 WH/m2CL,V1）R:地形Relief；H:水文Hydrology；PM:母質(zhì)Parent material；CL:氣候Climate；V:植被Vegetation；O:有機物Organic matter；HF:人為因素Human factor確定分類變量成土環(huán)境因素有不同的地區(qū)性組合，對于不同的地區(qū)，往往某一種或幾種因素起主導作用27，因此從潛在變量列表中確定合適的分類變量是個大量嘗試和驗證的過程。 REF

24、 _Ref262498632 h * MERGEFORMAT 表2列出了本研究建立的六組變量組合。McBratney等28對近60a數(shù)字土壤推理方法進行綜述，發(fā)現(xiàn)80的研究將地形作為主要預測因子，25將植被作為重要預測因子考慮。C. Hahn等11曾在SVM變量組合中加入了和河流湖泊的距離、土地利用和坐標并取得了較好的結(jié)果。鑒于此有變量組合A和B。考慮到其它成土因素對土壤分類的影響，C、D中增加了代表氣候的地表溫度變量，E中增加了代表地表物質(zhì)組成的TM波段比值變量。太陽輻射雖是氣候因素，但其已經(jīng)間接體現(xiàn)在植被指數(shù)、地表溫度等上，因此將其作為單獨指標加入F中。A和B、C和D的比較反映NDVI、地

25、表溫度不同表現(xiàn)形式對分類精度的影響。表 SEQ 表 * ARABIC 2 輸入的變量組合Table SEQ Tab. * ARABIC 2 Combinations of input variables to SVM組號 Group ID輸入變量 Input variablesA基礎(chǔ)變量1),10a NDVI平均Basic variables; Mean NDVI of 10 yearsB基礎(chǔ)變量,10a NDVI分期平均Basic variables; Average 16d NDVIs of 10 yearsC基礎(chǔ)變量,10a NDVI平均,6a 地表溫度冷暖季平均Basic variab

26、les; Mean NDVI of 10 years; Seasonal mean surface temperature of 6 yearsD基礎(chǔ)變量,10a NDVI平均,6a 地表溫度平均Basic variables; Mean NDVI of 10 years; Mean surface temperature of 6 yearsE基礎(chǔ)變量,10a NDVI平均, 6a 地表溫度冷暖季平均, TM波段比值(5:7,5:3,3:1)Basic variables; Mean NDVI of 10 years; Seasonal mean surface temperature of

27、 6 years; Band ratio of TM(5:7,5:3,3:1)F基礎(chǔ)變量,10a NDVI平均,6a 地表溫度冷暖季平均,TM波段比值(5:7,5:3,3:1),年潛在直接太陽輻射Basic variables; Mean NDVI of 10 years; Seasonal mean surface temperature of 6 years; Band ratio of TM(5:7,5:3,3:1); Annual potential direct solar radiation1)基礎(chǔ)變量包括：高程，坡向，坡度，離河流的距離，離湖泊的距離，緯度，經(jīng)度，土地利用，剖面曲

28、率，平面曲率，地形濕度指數(shù) (Basic variables include altitude, aspect, slope, distance to river, distance to lake, latitude, longitude, land use, profile curvature, plane curvature, topographic wetness index)精度評價方法研究區(qū)內(nèi)缺少大比例尺（如1:10萬）的土壤類型圖，無法對本文模擬結(jié)果進行直接驗證。本文采用交叉驗證方法，K(K3)重交叉驗證可以有效地避免過學習和欠學習狀態(tài)的發(fā)生?？傉{(diào)查樣點為73個，采用5重交叉驗證

29、，將73個樣本點隨機分解為5份，將其中58個點作為訓練樣本，15個點作為驗證樣本，反復驗證5次。結(jié)果與討論 REF _Ref266449307 h * MERGEFORMAT 圖3、 REF _Ref264621400 h * MERGEFORMAT 表3分別是 REF _Ref262498632 h * MERGEFORMAT 表2不同變量組合下的土壤類型分布模擬圖和精度評價結(jié)果。從結(jié)果圖3a和圖3b中可以看出變量組合A明顯優(yōu)于B，B幾乎不能預測出高山漠土和高山寒漠土，精度評價結(jié)果同樣證明，NDVI完全平均(A)比分期平均(B)更適用于凍土區(qū)土壤分類。圖 SEQ 圖 * ARABIC 3不同

30、變量組合SVM土壤分類成果圖Fig. SEQ Fig. * ARABIC 3 Simulated SVM soil type maps with different variable combinations 表 SEQ 表 * ARABIC 3 不同變量組合SVM土壤分類精度Table SEQ Tab. * ARABIC 3 Accuracy of SVM soil classification with different variable combinations 組號 Group ID5重交叉驗證精度（）5-fold cross-validation accuracy (%)A46.7

31、53.3606066.7B46.753.353.353.360C606066.773.373.3D4053.353.36066.7E6066.773.38080F6066.766.773.380在結(jié)果圖3d中發(fā)現(xiàn)有條帶狀明顯錯分現(xiàn)象且與結(jié)果圖3a、圖3c相比其高山寒漠土相對過多。比較結(jié)果圖3c和圖3a，圖3c有明顯改善，如圖3c中圈出區(qū)域。根據(jù)專家經(jīng)驗此處應為原始高山草甸土（高山草甸土的亞類），因其地勢相對低洼且鄰近亞冰雪帶，水分條件較好，但海拔較高（4500m左右）,氣溫較低，寒凍風化強烈，生物作用微弱，適合此種土壤的發(fā)育。在比較變量組合A、C和D三組分類精度時，發(fā)現(xiàn)C最優(yōu)D最差。因此有以下

32、兩條結(jié)論：地表溫度分季平均（C）比全年平均（D）在本研究區(qū)有更好的分類結(jié)果；增加地表溫度分季平均變量會提升土壤判別能力，增加地表溫度全年平均變量則反之。究其原因可能是青藏高原冷暖季溫差大，不同時期有不同成土過程，將地表溫度分季平均會為土壤判別提供更多信息，而全年平均則提供一些噪音信息。比較變量組合E和C的分類精度，E在C的基礎(chǔ)上有較大提升。據(jù)西藏土壤29的描述，研究區(qū)內(nèi)四類土壤地表有機質(zhì)含量有較大差異，按由高到低次序排列依次為高山草甸土、高山草原土、高山漠土、高山寒漠土。TM波段比值成為捕獲此差異的關(guān)鍵變量。比較變量組合F和E的結(jié)果圖、分類精度發(fā)現(xiàn)兩者比較接近，分析其原因可能是太陽輻射同植被和

33、地表溫度狀況有密切聯(lián)系，對土壤分類的貢獻可能已經(jīng)從植被和地表溫度指標上得以體現(xiàn)。綜上分析，變量組合E是溫泉典型凍土區(qū)較合適的變量組合?；诖诉M行的SVM土壤分類，5重交叉驗證精度最低為60，最高為80，平均為72。對比美國傳統(tǒng)的大比例尺土壤圖大約為5060的精度30，本方法達到較好的分類精度。變量組合E的驗證結(jié)果分析發(fā)現(xiàn)，高山漠土和高山寒漠土的預測結(jié)果較差，高山草原土容易誤分為高山草甸土。據(jù)樣點資料和專家經(jīng)驗，位于高山的亞冰雪帶如圈出區(qū)域，分布有寒漠土，然而此處卻預測為草原土，寒漠土零星分布其中。在所有的誤分結(jié)果中，高山草原土誤分為高山草甸土占48；在高山草原土誤分結(jié)果中，誤分為高山草甸土占9

34、0，高山草原土誤分為高山草甸土概率較高。由于樣點比例不均衡( REF _Ref276926336 h 表4)，導致SVM對高山漠土和高山寒漠土訓練不充分，對高山草甸土存在相對過學習情況，可能是造成上述現(xiàn)象的主要原因。列出了5重交叉驗證時訓練樣本各土壤類型構(gòu)成情況。表 SEQ 表 * ARABIC 4 五重交叉驗證中不同土壤類型的訓練樣本構(gòu)成比例Table SEQ Tab. * ARABIC 4 Proportion of training samples of soil types in the 5-fold cross-validation標識Number高山草甸土Alpine meadow

35、 soil高山草原土Alpine steppe soil高山漠土Alpine desert soil高山寒漠土Frigid desert soil13517422331843334165343317445321853結(jié) 論本文以青藏高原季節(jié)凍土和多年凍土過渡典型區(qū)溫泉區(qū)為研究案例，提供了一種適用于凍土區(qū)的土壤制圖方法。該方法基于支持向量機，在沒有大量樣本點的地區(qū)也可以較為準確地模擬土壤類型分布。通過溫泉典型凍土區(qū)案例研究，本研究依托土壤-景觀模型，確定了該區(qū)的變量組合，即高程、坡向、坡度、離河流、湖泊的距離、緯度、經(jīng)度、土地利用類型、剖面曲率、平面曲率、地形濕度指數(shù)、多年NDVI平均、多年地表

36、溫度冷暖季平均，以及TM波段比值(5:7,5:3,3:1)。5重交叉精度驗證表明，精度最低為60，最高為80，平均為72，達到較好的分類精度。同時隨著研究區(qū)訓練樣本數(shù)量的增多，有望進一步提升分類精度。本研究說明了基于支持向量機的土壤分類方法是預測性土壤制圖的一種有效方法。在實際應用中也反映出SVM的一個問題，即不能很好的處理樣本點比例失衡的情況。對于樣點過少的類分類精度較差，樣點相對較多的類分類精度較好，但有可能出現(xiàn)過學習的現(xiàn)象。鑒于此在調(diào)查采樣前應設(shè)計有目的的采樣方案。由于SVM變量均可以從遙感產(chǎn)品和DEM上獲取，SVM模擬結(jié)果可作為野外調(diào)查參考，有目的選擇更多有代表性的樣本點，減少不必要的

37、冗余樣本點，既可提高野外工作的質(zhì)量和效率，又能提升土壤分類精度。對于廣袤的青藏高原，土壤類型豐富，凍融過程和物候條件復雜。本文選取的環(huán)境變量是否適用于其它凍土區(qū)乃至整個青藏高原，還需要更多的驗證。下一步工作將結(jié)合2010年青藏高原改則區(qū)野外調(diào)查成果，把SVM分類方法和選取的變量應用到改則區(qū)，以探求此方法的廣泛適用性。參考文獻1陳杰, 龔子同, 陳志誠, 等. 基于國際凍土分類進展論中國土壤系統(tǒng)分類中凍土綱的恢復與重構(gòu). 土壤, 2005, 37(5): 311.Chen J, Gong Z T, Chen Z, et al. Suggestions for resumption and rec

38、onstruction of Chinese cryosol classification based on recent international progress in cryosol classification(In Chinese). Soils, 2005, 37(5):3112顧國安, 張累德, 張百平. 喀喇昆侖山昆侖山地區(qū)土壤. 北京: 中國環(huán)境科學出版社, 2000: 1181.Gu G A, Zhang L D, Zhang B P. Soil geography of the Karakorum-Kunlun mountains(In Chinese). Beijin

39、g:China Environmental Science Press,2000:11813孫孝林, 趙玉國, 秦承志, 等. DEM柵格分辨率對多元線性土壤景觀模型及其制圖應用的影響. 土壤學報, 2008, 45(5): 971977.Sun X, Zhao Y Q, Li C, et al. Effects of DEM resolution on multi-factor linear soil-landscape models and their application in predictive soil mapping(In Chinese). Acta Pedologica S

40、inica, 2008, 45(5):9719774孫孝林, 趙玉國, 趙量, 等. 應用土壤-景觀定量模型預測土壤屬性空間分布及制圖. 土壤, 2008, 40(5): 837842.Sun X L, Zhao Y G, Zhao L, et al. Prediction and Mapping of Spatial Distribution of Soil Attributes by Using Soil-Landscape Models(In Chinese). Soils, 2008, 40(5):8378425Scull P, Franklin J, Chadwick O A. Th

41、e application of classification tree analysis to soil type prediction in a desert landscape. Ecological Modelling, 2005, 181(1): 1156Zhu A X. A similarity model for representing soil spatial information. Geoderma, 1997, 77(2-4): 2172427王棟, 曾洪詳, 戰(zhàn)守義, 等. 基于SVM分類機的移動通信欺詐檢測系統(tǒng). 計算機工程與設(shè)計, 2004, 25(6): 859

42、861.Wang D, Zeng H X, Zhan S Y, et al. Fraud detection system in mobile communication networks based on SVM(In Chinese). Computer Engineering and Design, 2004, 25(6):8598618蔣蕓, 李戰(zhàn)懷. 基于改進的SVM分類器的醫(yī)學圖像分類新方法. 計算機應用研究, 2008, 25(1): 5355.Jiang Y, Li Z. New medical image classify approach based on improved

43、 SVM classifier(In Chinese). Application Research of Computers, 2008, 25(1):53559Parikh U B, Das B, Maheshwari R. Fault classification technique for series compensated transmission line using support vector machine. International Journal of Electrical Power & Energy Systems, 2010, 32(6): 62963610Sat

44、tlecker M, Bessant C, Smith J, et al. Investigation of support vector machines and Raman spectroscopy for lymph node diagnostics. Analyst, 2010, 135(5): 89590111Hahn C, Gloaguen R. Estimation of soil types by non linear analysis of remote sensing data. Nonlinear Processes in Geophysics, 2008, 15(1):

45、 11512612Raudys S. Dimensionality, sample size, and classification error of nonparametric linear classification algorithms. IEEE Transactions On Pattern Analysis and Machine Intelligence, 1997, 19(6): 66767113Cortijo F J, De la Blanca N P. The performance of regularized discriminant analysis versus

46、non-parametric classifiers applied to high-dimensional image classification. International Journal of Remote Sensing, 1999, 20(17): 3345336514楊琳, 朱阿興, 李寶林, 等. 應用模糊c均值聚類獲取土壤制圖所需土壤-環(huán)境關(guān)系知識的方法研究. 土壤學報, 2007, 44(5): 784791.Yang L, Zhu A L, Qin B, et al. Extraction of knowledge about soil-environment rela

47、tionship for soil mapping using fuzzy c-means(FCM) clustering(In Chinese). Acta Pedologica Sinica, 2007, 44(5):78479115陳孝全, 茍新京. 三江源自然保護區(qū)生態(tài)環(huán)境. 西寧: 青海人民出版社, 2002: 1240.Chen X Q, Gou X J. Ecological environment in the source of the Three Rivers nature reserve(In Chinese). Xining:Qinghai Peoples Press,

48、2002:124016王文富, 席承藩. 中國土壤. 北京: 中國農(nóng)業(yè)出版社, 1998: 11253.Wang W F, Xi C P. Soils of China(In Chinese). Beijing:China Agriculture Press,1998:1125317Weindorf D C. Spatial Variability of Soil Properties at Capulin Volcano,New Mexico,USA:Implications for Sampling Strategy. Pedosphere, 2010, (2): 18519718Vapn

49、ik V N. The nature of statistical learning theory. 2nd ed. New York: Springer, 2000. 1 314.19Burges C. A tutorial on Support Vector Machines for pattern recognition. Data Mining and Knowledge Discovery, 1998, 2(2): 12116720Pal M, Mather P M. Support vector machines for classification in remote sensi

50、ng. International Journal of Remote Sensing, 2005, 26(5): 1007101121Huang C, Davis L S, Townshend J. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 2002, 23(4): 72574922Hudson B D. The Soil Survey as Paradigm-based Science. Soil Scien

51、ce Society America Journal, 1992, 56(3): 83684123Florinsky I V, Eilers R G, Manning G R, et al. Prediction of soil properties by digital terrain modelling. Environmental Modelling & Software, 2002, 17(3): 29531124鄧慧平, 李秀彬. 地形指數(shù)的物理意義分析. 地理科學進展, 2002, 21(2): 103110.Deng H P, Li X B N N, Nantong C, et

52、al. Relationship of Upslope Contribution Area and Soil Water Content in TOPMODEL(In Chinese). Progress In Geography, 2002, 21(2):10311025湯懋蒼, 鐘海玲, 李棟梁. 青藏鐵路沿線的四季劃分及其溫度變化分析. 高原氣象, 2003, 22(5): 440444.Tang M C, Zhong H L, Li D L C A, et al. The Standard of Marking off the Four Seasons along Qinghai-Xi

53、zang Railway and Its Temperature Variation Analysis(In Chinese). Plateau Meteorology, 2003, 22(5):44044426Vincent R K. Fundamentals of geological and environmental remote sensing. Upper Saddle River, NJ: Prentice Hall, 1997. 1 366.27劉峰, 朱阿興, 李寶林, 等. 利用陸面反饋動態(tài)模式來識別土壤類型的空間差異. 土壤通報, 2009, 40(3): 501508.Liu F, Zhu A X, Li B L, et al. Identification of Spatial Difference of Soil Types Using Land Surface Feedback Dynamic Patterns(In Chinese). Chinese Journal of Soil Science, 2009, 40(3):50150828Mcbratney