《表2 参与建模环境协变量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《集成土壤-环境关系与机器学习的干旱区土壤属性数字制图》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，结合图3和表2可以发现，DEM提取协变量中的高程和剖面曲率以及Landsat 8 OLI衍生出的DVI、ENDVI、MSAVI、S1以及S6这7个协变量均为3种土壤属性中重要的环境参量。这也从侧面反映出同一地区不同土壤属性之间的成土因素有一定内在联系和共性。高程对三者都有重要贡献，且在共同的土壤属性中植被指数和盐分指数占了很大一部分。尤其是SSC和SOM中MSAVI、ENDVI、DVI等指数都占据较大比重。这主要是由于研究区西北部有植被覆盖，MAHMOUDABADI[9]和FALAHATKAR等[35]研究表明，由于土壤性质与植被覆盖状况之间的关系密切，植被指数恰好可以反映这种变化。特别是在盐渍化程度高的干旱区域，耦合植被与土壤信息是监测土壤盐渍化不可或缺环境参量[13]。尽管植被指数和盐分指数对用来评测土壤属性十分有效，但并没有特定指数可以用在任何不同质区获得精准结果，指数随着自然条件、土壤类型及植被盖度的变化而变化。究其原因，主要由于植被指数作为一种定性表达，在信息量表达中存有先天缺陷，应更多考虑能够深入反映土壤属性变化的植被覆盖、物候、长势等深层次植被信息[33]。也基于此本文选用了大量植被指数来探究其与土壤属性之间的隐含关系。综合来看，植被指数可以间接反映植被覆盖的地区，运用遥感指标的数字土壤制图在植被覆盖区具有可行性。