使用贝叶斯最大熵和偏最小二乘回归方法的土壤有机碳空间评估

详细信息    查看全文 | 下载全文 | 推荐本文 |

• 作者：张贝Sabine Grunwald汪善勤蔡崇法
• 会议时间：2014-11-21
• 关键词：土壤 ; 有机碳 ; 空间评估 ; 贝叶斯最大熵法 ; 最小二乘回归法
• 作者单位：张贝(华中农业大学资源与环境学院;佛罗里达大学土壤与水科学系)Sabine Grunwald(佛罗里达大学土壤与水科学系)汪善勤,蔡崇法(华中农业大学资源与环境学院)
• 母体文献：第六届全国地理信息科学博士生学术论坛论文集
• 会议名称：第六届全国地理信息科学博士生学术论坛
• 会议地点：南京
• 主办单位：中国地理学会地图学与地理信息系统专业委员会
• 语种：chi

摘要

过去数十年来有越来越多的研究者对于土壤碳研究(SOC)抱有非常大的兴趣,研究体现了土壤碳对于环境、植物和经济政治等的重要影响.近些年来土壤近场遥感技术在土壤碳评估领域展现出巨大的潜力. 近红外\可见光光谱技术(VNIRS)由于其在获取数据的过程中相对经济、高效已被作为数字土壤制图数据的重要来源.然而,当前的研究中土壤建模过程中的不确定性一般没有严格的解释.贝叶斯最大熵(BME)是一个现代地统计学方法,它能够一个严格框架下融入软数据.本研究采用来自偏最小二乘法回归(PLSR)模型的软数据和BME 方法估计SOC空间分布,并比较BME 和传统地统计学方法估计结果的差异.此外,为了对比不同利用软数据方式对结果的影响,采用ordinary kriging(OK)方法直接融合软数据,并比较其BME 估计结果的差异. 研究结果显示BME因为可以严格的利用软数据,初步的结果显示其空间预测精度较高。VNIRS数据用作软数据是切实可行,能够提高预测的精度。但是,值得注意的是BME预测受到很多因素的影响,例如光谱数据的预处理方式,PLSR模型的质量和协方差模型拟合参数的设置等。这些参数的优化都可能提高BME预测的精度。