机器学习用于耕地土壤有机碳空间预测对比研究*——以亚热带复杂地貌区为例

任必武,陈瀚阅,张黎明,聂祥琴,邢世和,范协裕

(1.福建农林大学资源与环境学院/福建省土壤生态系统健康与调控重点实验室 福州 350002;2.福建农林大学公共管理学院 福州 350002)

耕地土壤有机碳(SOC)是影响土壤养分和理化性质的重要因素,也是衡量土壤质量和肥力的重要指标[1-3]。获取SOC含量及空间变化对提升土壤结构、保证粮食安全和缓解全球气候变化具有重要意义。传统的土壤制图方法因在大量采样点的采集和分析上存在困难,限制了其在大范围复杂地形地貌区的应用[4]。数字土壤制图方法,如传统的普通克里格法(Ordinary Kriging,OK)因简单、插值效果显著[5],以及具备良好的空间自相关性[6],而得到广泛应用[7],但其未能考虑土壤属性与环境因子间复杂的非线性关系[8],限制其在复杂地形地貌等SOC可能产生剧烈变化区域的应用。

随着3S技术的发展,基于机器学习算法(Machine Learning,ML)建立的辅助环境变量与土壤属性之间的预测模型已越来越多地被用于区域土壤属性空间预测。如随机森林算法(Random Forest,RF)因其处理多元非线性数据方面的优势而在SOC空间预测研究中表现较为突出[9];支持向量机算法(Support Vector Machine,SVM)在解决高维问题和非线性问题等方面表现出良好的泛化能力和预测性能[10],也逐渐被用于SOC空间预测研究。如:Wiesmeier等[11]利用RF模型成功预测半干旱草原生态系统SOC的空间分布(R2=0.76);Sreenivas等[12]基于RF模型算法利用气候、土壤、植被等辅助变量模拟并预测印度地区SOC空间分布特征(R2=0.82);Emadi等[13]利用SVM模型成功预测了伊朗地区森林环境下SOC含量(R2=0.55)。……