为分析安徽省土地利用时空演化特征,以1980年、1995年、2000年、2005年、2010年、2015年、2020年土地利用现状图为基础,利用Sankey图、土地利用动态度等方法分析了安徽省近40年土地利用演变特征;结合Getis-Ord General G聚类方法和多距...为分析安徽省土地利用时空演化特征,以1980年、1995年、2000年、2005年、2010年、2015年、2020年土地利用现状图为基础,利用Sankey图、土地利用动态度等方法分析了安徽省近40年土地利用演变特征;结合Getis-Ord General G聚类方法和多距离空间聚类(Ripleys K函数)方法对安徽省土地利用变化累积量进行了时空模式分析;并基于地理探测器模型分析了多种驱动因子对土地利用变化的单一与交互解释程度。结果表明:①1980—2020年安徽省建设用地、草地、水域面积分别增加35.04%、2.44%和0.75%,耕地、林地分别减少4.63%和0.98%;安徽省综合土地利用动态度逐渐增加,建设用地和耕地变化较快,单一动态度最高分别达到3.15%和-0.39%;林地、草地、水域变化较为稳定。②1980—2020年安徽省土地利用的剧烈变化具有显著的聚集性,通过K-means聚类可将不同程度的变化较好地分类;土地利用剧烈变化区域聚集特征受观测尺度变化的影响小于平缓变化区域。③地理探测结果表明:与人类活动强度密切联系的社会因子(夜间灯光数据、GDP、人口、到城市和主要道路距离等)和地形因子(高程、坡度)以及各因子间交互作用是土地利用变化的重要推动力。展开更多
土壤侵蚀不仅会造成土壤破坏、肥力下降,甚至会造成自然灾害,研究土壤侵蚀分布特征及其驱动因素,对于治理水土流失和保障土壤生产力具有重要意义。基于修正的通用土壤流失方程(revised universal soil loss equation,RUSLE)模型,利用降...土壤侵蚀不仅会造成土壤破坏、肥力下降,甚至会造成自然灾害,研究土壤侵蚀分布特征及其驱动因素,对于治理水土流失和保障土壤生产力具有重要意义。基于修正的通用土壤流失方程(revised universal soil loss equation,RUSLE)模型,利用降雨、土壤、数字高程模型(digital elevation model,DEM)、土地利用等数据,分析安徽省1980、2000、2005、2010、2015和2020年土壤侵蚀强度时空演变特征,基于地理信息系统(geographic information system,GIS)技术进一步探讨了土壤侵蚀变化与土地利用类型之间的关系。结果表明:安徽省40年来土壤侵蚀整体呈现先降低后略微回升的趋势,1980年侵蚀总量为6510.92万t/a,2005年降低到3169.26万t/a,2020年回升为4205.01万t/a。安徽省整体侵蚀以微度侵蚀为主,由北至南侵蚀强度逐渐加剧,强度及以上等级的侵蚀主要集中在皖西大别山区、皖南丘陵山地区。安徽省土壤侵蚀强度发生改变的区域主要集中在皖西大别山区和皖南丘陵山地区。草地的土壤侵蚀总量较高,2020年,安徽省草地的平均侵蚀模数和侵蚀量分别达2734.49 t/(km2·a)和2248.328万t/a,强度及以上侵蚀也主要集中在草地。研究结果可为安徽省水土保持工作提供数据支持。展开更多
土壤pH是土壤的基本属性之一,对土壤环境管理有重要作用。以安徽省为研究区域,选用气候、地形、生物等17个相关环境变量,利用XGBoost和随机森林(random forest,RF)模型建立安徽省土壤pH空间预测模型,对比两模型的预测精度,并估算了两种...土壤pH是土壤的基本属性之一,对土壤环境管理有重要作用。以安徽省为研究区域,选用气候、地形、生物等17个相关环境变量,利用XGBoost和随机森林(random forest,RF)模型建立安徽省土壤pH空间预测模型,对比两模型的预测精度,并估算了两种制图结果的不确定性。结果表明:与随机森林模型相比,XGBoost模型对安徽省土壤pH的预测精度更高。XGBoost模型中eta、max_depth和nrounds对于模型的精度均具有一定的影响,eta的变化对于XGBoost模型精度影响最大。年均降水量(mean annual precipitation,MAP)、纬度(latitude,记为Y)、多尺度谷底平坦度(multiresolution index of valley bottom flatness,MRVBF)、年均温(mean annual temperature,MAT)、多尺度脊顶平坦度(multiresolution index of the ridge top flatness,MRRTF)、增强植被指数(enhanced vegetation index,EVI)对土壤pH建模有较大的影响,在两种模型的变量重要性排序中均重要。空间制图结果表明:两模型的预测结果大体趋势相同,安徽省土壤pH呈“南酸北碱”的趋势,但两者在部分地区的结果仍有区别。展开更多
以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without ...以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。展开更多
文摘为分析安徽省土地利用时空演化特征,以1980年、1995年、2000年、2005年、2010年、2015年、2020年土地利用现状图为基础,利用Sankey图、土地利用动态度等方法分析了安徽省近40年土地利用演变特征;结合Getis-Ord General G聚类方法和多距离空间聚类(Ripleys K函数)方法对安徽省土地利用变化累积量进行了时空模式分析;并基于地理探测器模型分析了多种驱动因子对土地利用变化的单一与交互解释程度。结果表明:①1980—2020年安徽省建设用地、草地、水域面积分别增加35.04%、2.44%和0.75%,耕地、林地分别减少4.63%和0.98%;安徽省综合土地利用动态度逐渐增加,建设用地和耕地变化较快,单一动态度最高分别达到3.15%和-0.39%;林地、草地、水域变化较为稳定。②1980—2020年安徽省土地利用的剧烈变化具有显著的聚集性,通过K-means聚类可将不同程度的变化较好地分类;土地利用剧烈变化区域聚集特征受观测尺度变化的影响小于平缓变化区域。③地理探测结果表明:与人类活动强度密切联系的社会因子(夜间灯光数据、GDP、人口、到城市和主要道路距离等)和地形因子(高程、坡度)以及各因子间交互作用是土地利用变化的重要推动力。
文摘土壤侵蚀不仅会造成土壤破坏、肥力下降,甚至会造成自然灾害,研究土壤侵蚀分布特征及其驱动因素,对于治理水土流失和保障土壤生产力具有重要意义。基于修正的通用土壤流失方程(revised universal soil loss equation,RUSLE)模型,利用降雨、土壤、数字高程模型(digital elevation model,DEM)、土地利用等数据,分析安徽省1980、2000、2005、2010、2015和2020年土壤侵蚀强度时空演变特征,基于地理信息系统(geographic information system,GIS)技术进一步探讨了土壤侵蚀变化与土地利用类型之间的关系。结果表明:安徽省40年来土壤侵蚀整体呈现先降低后略微回升的趋势,1980年侵蚀总量为6510.92万t/a,2005年降低到3169.26万t/a,2020年回升为4205.01万t/a。安徽省整体侵蚀以微度侵蚀为主,由北至南侵蚀强度逐渐加剧,强度及以上等级的侵蚀主要集中在皖西大别山区、皖南丘陵山地区。安徽省土壤侵蚀强度发生改变的区域主要集中在皖西大别山区和皖南丘陵山地区。草地的土壤侵蚀总量较高,2020年,安徽省草地的平均侵蚀模数和侵蚀量分别达2734.49 t/(km2·a)和2248.328万t/a,强度及以上侵蚀也主要集中在草地。研究结果可为安徽省水土保持工作提供数据支持。
文摘土壤pH是土壤的基本属性之一,对土壤环境管理有重要作用。以安徽省为研究区域,选用气候、地形、生物等17个相关环境变量,利用XGBoost和随机森林(random forest,RF)模型建立安徽省土壤pH空间预测模型,对比两模型的预测精度,并估算了两种制图结果的不确定性。结果表明:与随机森林模型相比,XGBoost模型对安徽省土壤pH的预测精度更高。XGBoost模型中eta、max_depth和nrounds对于模型的精度均具有一定的影响,eta的变化对于XGBoost模型精度影响最大。年均降水量(mean annual precipitation,MAP)、纬度(latitude,记为Y)、多尺度谷底平坦度(multiresolution index of valley bottom flatness,MRVBF)、年均温(mean annual temperature,MAT)、多尺度脊顶平坦度(multiresolution index of the ridge top flatness,MRRTF)、增强植被指数(enhanced vegetation index,EVI)对土壤pH建模有较大的影响,在两种模型的变量重要性排序中均重要。空间制图结果表明:两模型的预测结果大体趋势相同,安徽省土壤pH呈“南酸北碱”的趋势,但两者在部分地区的结果仍有区别。
文摘以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。
