[发明专利]基于Bootstrap抽样的土壤有机碳预测不确定性估测方法

说明书

本发明提出了一种基于Bootstrap抽样的土壤有机碳预测不确定性估测方法，其步骤为：土壤样品的采集及预处理，获取土壤样品的有机碳含量数据及土壤高光谱数据并进行预处理；采用偏最小二乘回归方法建立土壤样品的有机碳含量数据与土壤高光谱数据的土壤有机碳预测模型；对原始实测样本数据进行有放回随机抽样，每抽样一次获得一个子样本，通过构造实测值和预测值矩阵计算得到每个子样本参数的估计值；采用Bootstrap重抽样技术有放回的从原始样本中抽取一定数量的样本；根据Bootstrap抽样方法抽出样本的参数评估土壤有机碳预测模型的不确定性；模型精度评价。本发明降低了由于取样代表性、预测模型空间变异性导致预测模型准确性低的问题。

技术领域

本发明涉及土壤有机碳预测模型不确定性统计分析的技术领域，尤其涉及一种基于Bootstrap抽样的土壤有机碳预测不确定性估测方法。

背景技术

土壤有机碳是平衡全球碳循环的重要环节和维持土壤质量的主要指标，但由于自然因素和人为因素的影响，土壤有机碳的含量和空间分布存在着不确定性，给土壤有机碳含量的评估造成误差，这种不确定性带来的误差影响土壤有机碳的精确预测与制图精度。

Vis-NIR技术提供了一种快速、准确的土壤有机碳的近地遥感估算方法，从数据采集到预测建模整个过程相当简单，节省了实验室分析的成本。同时，利用交叉学科的优势，结合现代分析技术通过建立模型对土壤有机碳进行预测、制图和空间变异的研究，取得了令人满意的结果(李硕，2010；Kuang和Mouazen，2013；Cambule等，2014；Sithole等，2018；Zhou等，2019)。但不可忽视的是，虽然有些文献在讨论或者展望部分提到了不确定性分析的问题(Simbahan等，2006；梁二，2007；邰继承，2012)，或者涉及到了不确定分析内容，但是缺少有机碳预测模型的不确定性的定量分析研究。综观土壤有机碳预测的整个过程，由于取样代表性、预测模型(训练样本和模型参数)方法及土壤有机碳自然属性下空间变异性的存在，导致预测制图结果的准确性降低，难以达到实际目的。

20世纪末，随着不确定性理论的发展，普适似然不确定性估计方法(GLUE，Beven和Binley，1992)、马尔科夫链-蒙特卡罗法(Kuczera和Parent，1998)、BaRE(Thiemann等，2001)、Bootstrap法(Pan和Politis，2016)等在模型的不确定性评价中应用越来越广泛。如林青(2011)、Muleta等(2013)、Sellami等(2013)、Tian等(2014)采用GLUE方法对水、溶质运移模型的参数不确定性进行了分析；傅斌呈(2018)、等(2019)采用Bootstrap方法进行了车辆保险费率、土壤参数传感器的位置的选择进行了优化分析，这些研究均取得了良好的效果，但是这些方法未见在土壤有机碳预测模型的不确定性分析研究中。Bootstrap是一种非参数随机检验方法，由于其采样不受参数分布假设影响，也是近年来研究不确定性的重要方法。在土壤有机碳预测建模中，国外的等(2013)、Hoffmann等(2014)指出采用Vis-NIR对土壤有机碳进行预测制图时，不确定性主要来自于建模样本和从预测到制图的传播过程。本发明将围绕着建模样本，将Bootstrap方法引用到土壤有机碳预测模型中进行不确定性评价。

发明内容

针对现有土壤有机碳预测模型的不确定性缺少定量分析的技术问题，本发明提出一种基于Bootstrap抽样的土壤有机碳预测不确定性估测方法，将传统统计学中的Bootstrap参数估计方法引入到土壤学中，实现土壤有机碳预测模型的不确定性评估，降低了由于取样代表性、预测模型(训练样本和模型参数)空间变异性导致预测模型准确性低的问题。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于Bootstrap抽样的土壤有机碳预测不确定性估测方法，其步骤如下：

步骤一：土壤样品的采集及预处理：土壤平整之后，采用5点混合取样方法获取表层土壤样品，并自然风干、研磨过筛；