基于BP神经网络与Kriging结合的土壤有机质空间分布模拟
——以福建省华安县为例

张宏帅, 朱高龙, 吴家煜, 吴锡麟

(1.福州大学空间数据挖掘与信息共享教育部重点实验室，福建 福州 350108; 2.闽江学院海洋学院,福建 福州 350108)

耕地土壤有机质是农作物生长的重要物质基础之一。土壤有机质含量是监测土壤肥力的重要指标之一，很大程度上决定了农田的肥力状态[1-2]。快速精准地掌握耕地土壤有机质的空间分布，对于提高农田的水肥利用效率与改善田间管理，推进“精准农业”具有重要意义[3]。土壤有机质的涵养、运移、分布是复杂的物理、化学和生物过程，受气候、地貌、地下水、微生物以及土壤类型、土地利用方式等多种地表环境因素的共同作用[4-7],这些因素可以分为定量因素(如海拔高度、坡度、地理坐标等)和定性因素(如土壤类型、土地利用等)两种类型。

引入外界辅助变量可在一定程度上提高土壤有机质空间分布的预测精度[8]。在引入外界辅助信息进行土壤有机质空间分布的预测方法中，回归克里金法(regression Kriging, RK)应用较为广泛[9-10]。RK法主要利用多元线性回归得到辅助信息与目标变量的回归方程，能够给出最优线性无偏估计，但难以模拟土壤有机质含量的影响因素之间的非线性和复杂性。近年来随着神经网络算法的迅速发展，尤其是BP神经网络，具有强大的非线性运算能力为预测土壤有机质含量提供了新方法[11]。江叶枫等[12]以地理坐标、高程和坡度及邻近样点信息作为网络的输入变量，研究表明集成BP神经网络模型预测效果最好。刘二永等[13]结合外界环境因子，利用回归—光滑薄板样条插值法得到了较好的预测结果。……