基于地理相似性的元谋盆地土林空间分布模式预测

《Science of Remote Sensing》:Geographic similarity-based prediction of spatial distribution patterns of soil forests in the Yuanmou Basin

【字体: 大 中 小 】 时间:2026年07月09日 来源:Science of Remote Sensing 7.1

编辑推荐:

  摘要:土林的空間分佈對於景觀演化和土地資源的可持續管理研究至關重要。當前研究方法受限於複雜山區樣本數量有限,難以準確評估區域分佈。因此,本研究提出基於地理相似性理論的環境相似性模型(ESM),適用於小尺度採樣。選取元謀乾熱河谷作為研究區域。通過隨機森林靈敏度分

  
摘要:土林的空間分佈對於景觀演化和土地資源的可持續管理研究至關重要。當前研究方法受限於複雜山區樣本數量有限,難以準確評估區域分佈。因此,本研究提出基於地理相似性理論的環境相似性模型(ESM),適用於小尺度採樣。選取元謀乾熱河谷作為研究區域。通過隨機森林靈敏度分析確定了11個關鍵環境因子,並採用數據驅動方法確定最優參數範圍。獲得以下結果:1)主導地形特徵主要分佈於元謀縣中北部海拔928–2145?m區域,土林空間分佈主要受地形和植被覆蓋因子影響。2)在相似性閾值0.87下,環境相似性模型達到0.90的準確率和0.90的F1分數。與隨機森林、支持向量機等模型相比,環境相似性模型的準確率提高了0.17–0.36,F1分數提高了0.17–0.52,均方根誤差降低了0.21–0.37。3)調查的土林樣本點之間的平均總體環境相似性高達0.76,表明土林發育表現出顯著的生態位保守性和對環境條件的高度一致性依賴。這些發現闡明了決定土林分佈的環境因子,並為識別山區易受侵蝕區域及保護乾熱河谷地貌提供了一個通用框架。
**论文解读文章**

**研究背景与问题**

土林(soil forests)是乾旱、半乾旱及乾熱河谷地區廣泛發育的典型侵蝕地貌,其空間分佈研究對於評估區域環境影響、恢復植被與土壤、減少侵蝕及生物多樣性喪失具有重要意義。然而,在山區,由於影響因子複雜多樣,土林地圖繪製的準確性常受影響,給地質災害預防、生物多樣性恢復及環境保護帶來挑戰。元謀乾熱河谷地形複雜,研究可獲取的樣本點數量有限;遙感影像方法受植被遮擋及圖像數據可用性限制;機器學習方法雖能建模非線性關係,但需要大量有效樣本保證泛化能力,小樣本常導致過擬合和評估精度下降。因此,如何基於小規模野外研究建立高精度預測模型,是深入探討土林分佈的核心障礙。

**研究內容與結論**

為克服上述局限,研究人員引入「地理環境相似性」理論(第三地理定律),提出環境相似性模型(ESM),並選取雲南元謀盆地為研究區。通過隨機森林靈敏度分析篩選出11個關鍵環境因子,以數據驅動方法確定最優相似性閾值,最終繪製出土林空間分佈圖。結果表明:1)土林主要分佈於元謀縣中北部海拔928–2145?m區域,空間分佈受地形和植被覆蓋因子主導;2)在相似性閾值0.87下,ESM準確率達0.90,F1分數0.90,相較於隨機森林(RF)、支持向量機(SVM)等模型,準確率提升0.17–0.36,F1分數提升0.17–0.52,均方根誤差(RMSE)降低0.21–0.37;3)調查樣本點之間平均總體環境相似性高達0.76,表明土林發育具有顯著的生態位保守性。這些發現闡明了控制土林分佈的環境因子,為山區易侵蝕區識別和乾熱河谷地貌保護提供了通用框架。論文發表於《Science of Remote Sensing》。

**關鍵技術方法**

研究人員主要採用了以下關鍵技術方法:1)**環境相似性模型(ESM)**:基於第三地理定律,通過計算目標點與已知樣本點的多維環境相似性(採用指數衰減函數及平均值集成法)來預測土林分佈概率。2)**隨機森林(RF)靈敏度分析**:用於篩選關鍵環境因子(共19個因子,剔除8個,選定11個:地表溫度LST、歸一化植被指數NDVI、pH值、年降水量、土壤侵蝕敏感性、砂含量、黏粒含量、有機碳含量、表面粗糙度、坡面曲率及坡度)。3)**數據驅動閾值選取**:通過分析複合相似性與訓練-驗證集匹配率的關係,確定最優相似性閾值為0.87。樣本數據來源:研究人員在元謀盆地进行野外調查,採集訓練-驗證集(33個正樣點+33個負樣點)和獨立驗證集(47個正樣點+66個負樣點),後者僅用於模型可靠性評估。

**研究結果**

**3.1. 基於環境相似性模型的土林空間預測**
**3.1.1. 環境因子靈敏度分析**:利用隨機森林對19個環境因子進行重要性排序並診斷多重共線性(方差膨脹因子VIF),剔除DEM、坡向、平面曲率等8個因子,最終選定11個關鍵因子。坡度與表面粗糙度反映水力侵蝕與重力崩塌強度;LST表徵地表熱環境,高溫加速物理風化;土壤性質(有機碳、pH等)決定可蝕性;NDVI指示植被覆蓋,低NDVI利於溝谷發育;年降水量提供侵蝕水動力。樣本點平均總體相似性為0.76,證實土林發育環境具有高度同質性。

**3.1.2. 最優閾值的確定與驗證**:通過分析複合相似性同意率(匹配樣本點數)曲線,發現閾值0.87時訓練集與驗證集匹配樣本數接近最大值且穩定性最佳;低於0.84則匹配不足,高於0.88則過擬合風險增加。因此確定0.87為最優閾值。

**3.1.3. 土林空間分佈預測**:以0.87為分類標準,ESM預測土林主要分佈於元謀盆地中北部,海拔928–2145?m,集中於盆地中部及地形多樣的丘陵山地。年均溫21–23°C、年降水量600–800?mm、明顯的乾濕季及灌木草本植被共同構成其形成條件。

**3.2. 環境相似性模型與機器學習方法的比較驗證**
**3.2.1. 模型提取特徵重要性比較**:隨機森林(RF)能均衡穩定地分配各因子相對重要性,而梯度提升決策樹(GBDT)、極限梯度提升(XGBoost)傾向於高估少數因子,支持向量機(SVM)則難以釐清特徵顯著性。RF在特徵選取中表現最優。

**3.2.2. 模型精度比較與實地驗證**:獨立驗證結果顯示,ESM準確率0.90、F1分數0.90、MSE 0.17、RMSE 0.31,均優於其他模型。機器學習模型中,K近鄰(KNN)表現次佳,RF與SVM相近,BP神經網絡中等,GBDT與邏輯回歸(LR)最差。實地驗證點確認了ESM預測分佈區的可靠性。

**討論與結論**

討論部分總結了ESM在小樣本條件下的優勢:土林樣本平均環境相似性高(0.76),驗證了土林發育對穩定環境組合的依賴;ESM通過量化多維環境相似性,比機器學習具有更強的物理可解釋性。模型對輸入變量敏感,等權重集成可能忽略非線性交互與冗餘信息。在閾值選取上,數據驅動方法消除了主觀性。未來工作將採用加權集成、靈敏度分析並在更多區域驗證。

結論翻譯:本研究旨在解決複雜山地地形中有限研究樣本點難以得出高精度結論的挑戰。環境相似性模型(ESM)展示了利用少量樣本估計土林有效空間分佈的能力,並給出優化評估結果:1)33個土林樣本點的環境相似性分析得出總體相似係數0.76,表明儘管土林地理空間範圍廣闊,但其發育的環境條件高度一致。2)在有限樣本量和獨特自然地理條件下,採用ESM與六種機器學習模型進行元謀土林空間分佈預測比較。模型預測性能從高到低排序為:ESM?>?KNN?>?RF?>?SVM?>?BP?>?GBDT?>?LR。環境相似性模型準確率提高0.17–0.36,F1分數提高0.17–0.52,均方誤差降低0.21–0.37,明確顯示了地理相似性方法在低樣本條件下的特殊優勢,能夠有效識別影響土林結構及其空間分佈的最重要環境因子。然而,模型對協變量和閾值敏感,等權重集成忽略了非線性交互與冗餘。未來工作將採用加權集成,進行靈敏度分析,並在更多區域驗證以提高精度。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号