利用不確定性模型實現(xiàn)土壤推理制圖中知識的獲取與融合.pdf

1、土壤與環(huán)境關(guān)系知識的獲取是精細(xì)土壤制圖的核心問題，如何快速準(zhǔn)確的提取該知識成為現(xiàn)階段研究的重點。在過去的研究中，土壤-環(huán)境知識在信息覆蓋度、表達精度和準(zhǔn)確性上均存在著可完善的空間?；谕寥罉狱c的知識獲取，受樣點數(shù)量、采樣過程誤差和代表性影響;而基于土壤圖的知識獲取，由于采用“雙清晰”制圖過程而導(dǎo)致部分信息丟失;土壤調(diào)查資源的知識往往不是很完整，知識的描述準(zhǔn)確度不高。如何進行知識的互補與融合，以彌補三類知識各自的缺陷，形成較高精度的知識。

2、Shi等探索了土壤-環(huán)境知識的集成研究，將Global knowledge和Localknowledge在推理制圖時綜合運用，制圖精度可明顯提高。鑒于此，如果能在知識獨立檢驗、分析其覆蓋度、表達精度和準(zhǔn)確性的基礎(chǔ)上，通過一致性分析等統(tǒng)計方法，實現(xiàn)多源知識的互補和融合，形成較高精度的土壤-環(huán)境知識，將顯著提高數(shù)字土壤制圖的準(zhǔn)確性，因而具備重要的科學(xué)價值和理論意義。
　　本文將湖北省黃岡市紅安縣華家河鎮(zhèn)作為研究區(qū)，使用SoLIM軟件得

3、到夸大和忽略這兩種不確定性分布圖，依據(jù)不確定性分布圖在可信度高的位置重新采集樣點，對樣點進行數(shù)據(jù)挖掘，獲取環(huán)境因子組合，然后構(gòu)建這些組合與土壤類型的對應(yīng)關(guān)系，結(jié)合原始規(guī)則，融合知識，獲取新的土壤-環(huán)境關(guān)系知識，即為優(yōu)化后的知識，同時使用新的知識進行推理制圖，從而獲取新的土壤類型分布，并用野外樣點來驗證土壤圖的精度。
　　本研究中將決策樹算法不確定性模型作為土壤與環(huán)境關(guān)系知識融合和提取的主要方法。在實際應(yīng)用中，將某個地理實體劃分到某

4、一類的分類過程中有兩種不確定性:第一種跟實體類型的相似性有關(guān)，即忽略不確定性;第二種則與該實體固有的類型與被分配到的類型的偏離有關(guān)，即夸大不確定性。文中使用SoLIM軟件獲取夸大和忽略這兩種不確定性分布圖，并根據(jù)不確定性分布圖的特性來定性分析研究區(qū)制圖結(jié)果的準(zhǔn)確程度。決策樹模型通過閾值的限定，可以快速高效地預(yù)測土壤類型，但隨著土壤類型級別的降低，預(yù)測正確率也逐步降低。而本研究中中采用的忽略不確定性和夸大不確定性可以一定程度上真實有效的判

5、斷推理圖的準(zhǔn)確程度，實現(xiàn)推理圖的定性精度評估。因此，本文利用兩種模型的耦合，不僅節(jié)省了土壤制圖過程中的費用與時間，而且提高了效率，科學(xué)的實現(xiàn)土壤中知識的重新獲取與融合。
　　推理圖的精度驗證是數(shù)字土壤制圖中一個不可或缺的步騾，通過精度驗證，可以有力地對制圖方法和過程進行評估進而改善方法和過程，另外也是對推理圖成果的最終評價。文本將通過混淆矩陣、總體精度、Kappa系數(shù)等多個指標(biāo)對原始推理圖和優(yōu)化后的推理圖進行精度驗證。
　　

6、應(yīng)用結(jié)果表明:推理得到的土壤類型圖顯示的空間和屬性分布與原有土壤圖相比能夠刻畫更多的細(xì)節(jié)信息。同時，使用253個野外獨立樣點驗證所得的土壤圖，總體精度達到86.9％，高于已有土壤圖精度約13％，已超過10％，而且Kappa系數(shù)的值為0.842，高于0.8，表示一致性程度十分明顯，與研究區(qū)的土壤屬性和空間分布吻合。因此，本文所采用的方法是一種高效獲取土壤-環(huán)境關(guān)系知識的方法，該方法在土壤圖的屬性精確度和空間詳細(xì)度這兩個方面均有很大程度的提