查看更多>>摘要:[目的]土壤属性在多元环境变量的影响下,通常呈现显著的空间分异性.现有校正集选择方法鲜少考虑土壤属性自身的空间分异特征,易导致校正集样本全局代表性不足,从而影响模型的预测精度和鲁棒性.本文拟在现有经典校正集选择方法的基础上,进一步考虑空间分异模式对样本代表性的影响,提出一套改进的顾及空间分异模式的校正集选择策略.[方法]首先采用动态约束的区域聚类与分割算法(Regionalization with dynamically constrained agglomerative clustering and partitioning,REDCAP)挖掘土壤属性的空间分异模式,得到地理连续的区域划分,且在划分的子区域内部具有相似的土壤属性分布特征,子区域之间具有显著差异的土壤属性分布特征;然后,于各分异子区域内,采用经典校正集选择方法,包括浓度梯度(Rank)法、Kennard-Stone(KS)法以及SPXY法,选取具有局部代表性的样本;最后合并各子区域内的代表性样本,构建具有全局地理空间信息代表性及土壤属性代表性的校正集,并将方法记为REDCAP-Rank法、REDCAP-KS法和REDCAP-SPXY法.为验证本文提出方法的有效性,在德国北部区域开展应用,并与传统校正集选择方法建模结果进行对比分析.其中土壤有机碳预测模型采用偏最小二乘模型(PLSR),支持向量机模型(SVM)和随机森林模型(RF)o[结果]相比传统校正集选择方法,REDCAP-Rank法、REDCAP-KS法和REDCAP-SPXY法选取的校正集建模精度整体得到提升,其中,REDCAP-KS校正集选择方法相较于KS方法,预测模型结果精度均有提升,R2p最高提升0.11,RPD增长百分比最高达14.47%;REDCAP-SPXY校正集选择方法相较SPXY方法,93.3%的预测模型结果精度得到提升,R2p最高提升0.09,RPD增长百分比最高达13.04%.KS、REDCAP-KS、SPXY、REDCAP-SPXY、Rank 以及 REDCAP-Rank 六种方法中 REDCAP-KS 的建模效果最优,R2p达到 0.71,RPD达到1.80.[结论]基于REDCAP法的校正集选择策略能够选取具有地理空间信息代表性的样本,结合REDCAP-KS方法划分的样本集构建PLSR模型,能够较好的满足高光谱反演土壤有机碳预测需求.