一种用于为土壤地图着色的自动化方法

《CATENA》：An automated approach to colorize soil maps

提出一种基于多层级土壤分类系统的自动颜色选择算法，通过量化区分、关联和序列三种语义关系优化颜色组合，显著提升土壤地图的可读性和信息传达效率，经实验验证优于传统专家方法和国家标准。

　　

程子明|雷秋亮|吴明亮|罗家发

教育部虚拟地理环境重点实验室，南京师范大学，南京210023，中国

摘要

随着土壤调查技术的不断进步，对土壤制图效率的要求也越来越高。颜色作为主要的视觉变量，能够有效地编码土壤类型及其在空间上的分布。然而，由于需要表示的土壤层次和类别众多，为每个土壤类别选择易于区分的颜色变得颇具挑战性。迄今为止，尚未有方法能够自动选择与土壤分类层次结构相匹配的易于区分的颜色。在本文中，我们提出了一种自动颜色选择算法，用于清晰地展示土壤类别之间的相似性和差异性。首先，我们使用三种语义关系（即区分、关联和顺序）将土壤类别多级编码，并量化土壤地图的层次表达质量。然后，我们将土壤地图颜色选择问题表述为一个优化问题，并通过启发式搜索自动生成与土壤分类层次结构相匹配的颜色。为了验证我们的方法，我们基于五张测试地图进行了地图阅读实验和可用性调查。实验结果表明，我们的方法在有效性和效率方面显著优于基于专家的方法。此外，可用性调查表明，使用我们的方法着色的土壤地图比按照中国国家标准着色的地图更受欢迎。

引言

土壤地图作为土壤调查的重要成果，能够直观地展示特定区域内土壤类型及其空间分布，在土地规划和环境管理中发挥着重要作用（Kebonye等人，2023；Li等人，2024；Nauman和Duniway，2020；Pereira等人，2017）。通常，土壤类型可以通过描述性图例和注释（例如数字和字母）来识别（De Feudis等人，2021）。这些注释代表了形成土壤的因素（气候、生物、地形和时间）以及数字土壤制图因素（土壤性质、气候、生物、地形、母质、年龄和地理坐标）（Asgari等人，2020；Da Silva等人，2014）。土壤地图的一个重要特点是能够准确展示特定区域内的所有土壤类型（Liang等人，2019；Nachtergaele等人，2023）。尽管当注释数量有限时仍能有效编码土壤类型，但其高效传达土壤类型的能力受到限制。当土壤地图包含数十种土壤类型时，即使有特定的点和多边形模式，土壤专家和用户也难以高精度和高效率地解释这些类型及其空间分布。因此，创建有效的土壤地图需要在土壤多样性和地图信息清晰度之间找到微妙的平衡。

在本研究中，我们专注于土壤地图的颜色设计。作为一种广泛使用的视觉变量，颜色在与注释结合使用时可以提高土壤专家和用户检索土壤类型的效率。此外，颜色可以直观地编码土壤类型在空间上的分布，而这仅靠注释是无法实现的（Brewer等人，2003；Kraak等人，2021）。颜色方案很大程度上取决于所使用的土壤分类系统的复杂性，该系统根据土壤的形成过程和独特特征对数十种土壤类型进行分类和命名（Arnold，2006）。例如，国际土壤科学研究中最广泛使用的两种土壤分类系统是土壤分类系统（ST）（Department and A.，2014）和世界土壤资源参考基础（WRB）（Shi等人，2010a，Shi等人，2010b）。在中国，有两种基于不同学术理念的土壤分类系统，即中国遗传土壤分类系统（GSCC）（Shi等人，2010a，Shi等人，2010b）和中国土壤分类系统（CST）（中国土壤分类合作研究组，2001）。GSCC是一个六级分类系统，包括目、亚目、大组、亚组、科和种。同样，CST也由六个级别组成：目、亚目、大组、亚组、科和系列。尽管由于不同土壤的同义词问题或相似土壤的不同名称，这些土壤分类结构的普遍性有限，但它们都将土壤类型组织成多级结构（Brevik等人，2016）。因此，为具有土壤分类层次结构的土壤地图选择颜色对于专家和初学者来说都是一项耗时且劳动密集的任务。

传统的土壤地图着色方法主要依赖土壤专家的经验（Landa，2004；Rossel等人，2006），这导致很强的主观性以及缺乏标准化标准。中国的国家土壤地图颜色标准（中国国家标准化管理委员会，2018）总结了专家在选择地图颜色方面的经验，形成了指导原则，并提供了土壤地图颜色的参考，从而在一定程度上提高了土壤制图的标准性。如图1a所示，该标准通过亮度和饱和度的微妙变化将相似的土壤类型进行分组。然而，可用颜色的数量有限（每种色调大约只有七种颜色值），不仅增加了为数十种土壤类型选择颜色的难度（例如通过插值添加更多颜色），还导致某些土壤类型使用了过于相似的颜色。例如，在图1a中，平坦沙黄色粘土田（类型）和矿物黄色粘土田（类型）在CIELAB颜色空间中的颜色距离（$\Delta E_{\mathrm{ab}}^{?}$）仅为3.5（无单位），这在实际应用中可能降低视觉区分度。Vlad等人（2021）提出了一组针对每个土壤地图类别的具体规则来开发易于区分的颜色。然而，由于缺乏定量方法和自动化算法，这种方法在地图制作效率上存在不足。

现有的地图制作软件（如ArcGIS、QGIS、Mapbox）提供了现成的颜色渐变方案用于地图着色。然而，土壤类型的数据是分类的，因此必须用定性颜色渐变来表示（如图1b所示，以ArcGIS为例）。定性渐变在亮度和饱和度上没有渐进变化，导致具有相似性质的土壤类型被用距离较大的颜色编码，从而降低了地图的可读性和可解释性。现有的颜色选择软件，如ColorBrewer 2.0（Harrower和Brewer，2003），提供了顺序颜色方案，可以作为土壤地图着色的参考。然而，有限的颜色选项（顺序颜色方案最多包含九种颜色）使得建立土壤类型与颜色之间的一一对应关系变得困难，最终降低了土壤地图的可读性。此外，使用软件创建土壤地图仍然依赖于制图师，导致效率低下。

随着土壤调查技术的不断进步，迫切需要提高土壤制图的效率以生成土壤地图。数字土壤制图依赖于从土壤光谱信息中获取Munsell颜色来描述土壤颜色，帮助专家高效地获取土壤的物理、化学和生物特性（Calzolari等人，2021；Lu等人，2023；Siqueira等人，2024；Sun等人，2024）。然而，这种方法需要专门的知识和技能，生成的地图色调单一，仅适合专家解读。许多研究已经定量研究了地图设计规则，以实现自动地图着色方法。例如，Christophe（2008）提出了一种基于多智能体算法的自动着色方法。Wu等人（2022）引入了一种计算方法，用于定量表达地图颜色之间的三种语义关系（即区分、关联和顺序），该方法已应用于地图风格转换。虽然这些方法可以广泛用于地图信息交流的定量评估，显著提高了地图制作效率，但在土壤地图方面表现不佳。研究表明，由于地图设计中的可读性原则，地图上的颜色数量不应过多，用户最多只能区分12种颜色（Brewer，2015；Harrower和Brewer，2003），这些自动地图颜色选择方法通常只关注选择有限数量的颜色。土壤地图通常包含数十甚至数百种土壤类型，以展示特定区域内土壤的空间分布，因此为了提高可读性而减少类型数量是不切实际的。迄今为止，关于如何自动为具有多级结构的数十种土壤类型选择易于区分的颜色以支持土壤地图阅读任务的研究仍然有限。

为了填补这一空白，我们提出了一种自动颜色选择方法，该方法考虑了土壤分类的层次结构，以清晰地展示土壤类型之间的相似性和差异性。这种方法在多个方面超越了现有的土壤地图着色方法：首先，我们使用三种语义关系将土壤类型多级编码。然后，我们量化土壤地图的表达质量，即土壤分类的层次结构通过三种地图颜色语义关系（即区分、关联和顺序）的编码效果。其次，我们将土壤地图颜色选择问题表述为一个优化问题，并通过启发式搜索自动生成与土壤分类层次结构相匹配的颜色。第三，我们通过地图阅读任务评估了我们方法的有效性和效率，并进行了可用性调查，以测试我们选择的颜色是否符合用户偏好。值得注意的是，这种方法并不主张仅依赖颜色来识别地图中的土壤类型，而是通过有效着色来提高土壤地图传递信息的能力，而不改变地图的其他元素（如注释、描述性图例）。我们的方法量化了描述性指导，并自动提供颜色，不仅提高了土壤制图的效率，还帮助专家和初学者避免误用颜色。此外，这种方法还可以通过重新设计颜色来提高现有土壤地图的层次表达质量，这是现有地图软件无法实现的。

本文其余部分的结构如下。第2节提供了材料和方法的详细信息。第3节使用五张样本地图提供了评估的详细统计数据。第4节讨论了所提出方法的优点和局限性。最后，第5节总结了本文的主要贡献和未来研究的方向。

章节片段

数据来源和处理

我们有意选择了来自中国不同地区的五张县级土壤地图（图2）。这五个研究区域分别是安徽省芜湖市的武威县（地图A）；黑龙江省齐齐哈尔市的龙江县（地图B）；湖北省黄冈市的黄梅县（地图C）；山西省咸阳市的寻义县（地图D）；以及河南省三门峡市的山洲区（地图E）。这些研究区域分布在中国东部、中部和东北部（114°0′0″

地图阅读实验

由于不同样本区间内的土壤类型存在显著差异，我们将统计分析分为四个区域，因为参与者的表现可能因区域而异。总体而言，参与者在这三个区域的三个地图阅读任务中的准确率和响应时间（以秒为单位）的统计结果显示，我们方法生成的土壤地图在有效性和效率方面更胜一筹（图9）。

观察到准确率存在统计学上的显著差异

用颜色编码土壤类型的视觉可区分性

两组之间的有效性和效率存在统计学上的显著差异，24项任务中有18项显示出显著性（p值<0.05）。这表明，虽然基于专家的方法可以满足某些土壤类型识别的需求，但我们的方法显著提高了解释的准确性和效率。改进的一个可能原因是土壤地图颜色之间的区分和关联更加清晰，这可能有助于用户区分

结论

由于需要表示的土壤层次和类别众多，为每个土壤类别选择易于区分的颜色颇具挑战性。在这项研究中，我们提出了一种新的自动颜色选择算法，用于清晰地展示土壤类型之间的相似性和差异性。本研究在以下几个方面做出了贡献：首先，我们使用三种语义关系将土壤类型多级编码

作者贡献声明

数据可向作者索取。

CRediT作者贡献声明

程子明：撰写——原始草稿、可视化、软件、方法论、正式分析、数据管理。雷秋亮：撰写——审阅与编辑、验证、项目管理、正式分析、数据管理、概念化。吴明亮：撰写——审阅与编辑、验证、资源管理、方法论、资金获取、概念化。罗家发：撰写——审阅与编辑、验证、概念化。

资助

本工作得到了国家自然科学基金（项目编号[42371443、41971417、U20A20114）和江苏省研究生研究与实践创新计划（[KYCX24_1815）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。