全 文 ：基于神经网络模型和地统计学方法的
土壤养分空间分布预测*
李启权1 摇 王昌全1**摇 张文江2 摇 余摇 勇3 摇 李摇 冰1 摇 杨摇 娟1 摇 白根川1 摇 蔡摇 艳1
( 1四川农业大学资源环境学院, 成都 611130; 2四川大学水力学与山区河流开发保护国家重点实验室, 成都 610065;3四川农
业大学林学院, 四川雅安 625014)
摘摇 要摇 采用径向基函数神经网络模型与普通克里格法相结合的方法,预测川中丘陵区县域
尺度土壤养分(有机质和全氮)的空间分布,并与普通克里格法和回归克里格法进行比较.结
果表明:各方法对研究区土壤养分的预测结果相似.与多元回归模型相比,神经网络模型对验
证样点土壤有机质和全氮的预测值与样点实测值的相关系数分别提高了 12. 3%和 16. 5% ,
表明神经网络模型能更准确地捕捉土壤养分与定量环境因子间的复杂关系.对 469 个验证样
点预测结果的误差分析表明,神经网络模型与普通克里格法相结合的方法对土壤有机质和全
氮预测结果的平均绝对误差、平均相对误差、均方根误差较普通克里格法分别降低了 6. 9% 、
7. 4% 、5. 1%和 4. 9% 、6. 1% 、4. 6% ,降低幅度达到极显著水平(P<0. 01);与回归克里格法相
比则分别降低了 2. 4% 、2. 6% 、1. 8%和 2. 1% 、2. 8% 、2. 2% ,降低幅度达显著水平(P<0. 05) .
关键词摇 径向基函数神经网络模型摇 普通克里格法摇 回归克里格法摇 土壤养分
文章编号摇 1001-9332(2013)02-0459-08摇 中图分类号摇 S158; TP183摇 文献标识码摇 A
Prediction of soil nutrients spatial distribution based on neural network model combined with
goestatistics. LI Qi鄄quan1, WANG Chang鄄quan1, ZHANG Wen鄄jiang2, YU Yong3, LI Bing1,
YANG Juan1, BAI Gen鄄chuan1, CAI Yan1 ( 1College of Resources and Environment, Sichuan Agri鄄
cultural University, Chengdu 611130, China; 2State Key Laboratory of Hydraulics and Mountain
River Engineering, Sichuan University, Chengdu 610065, China; 3College of Forestry, Sichuan Ag鄄
ricultural University, Ya爷an 625014, Sichuan, China) . 鄄Chin. J. Appl. Ecol. ,2013,24(2): 459-
466.
Abstract: In this study, a radial basis function neural network model combined with ordinary krig鄄
ing (RBFNN_OK) was adopted to predict the spatial distribution of soil nutrients ( organic matter
and total N) in a typical hilly region of Sichuan Basin, Southwest China, and the performance of
this method was compared with that of ordinary kriging (OK) and regression kriging (RK). All the
three methods produced the similar soil nutrient maps. However, as compared with those obtained
by multiple linear regression model, the correlation coefficients between the measured values and
the predicted values of soil organic matter and total N obtained by neural network model increased
by 12. 3% and 16. 5% , respectively, suggesting that neural network model could more accurately
capture the complicated relationships between soil nutrients and quantitative environmental factors.
The error analyses of the prediction values of 469 validation points indicated that the mean absolute
error (MAE), mean relative error (MRE), and root mean squared error (RMSE) of RBFNN_OK
were 6. 9% , 7. 4% , and 5. 1% (for soil organic matter), and 4. 9% , 6. 1% , and 4. 6% (for soil
total N) smaller than those of OK (P<0. 01), and 2. 4% , 2. 6% , and 1. 8% ( for soil organic
matter), and 2. 1% , 2. 8% , and 2. 2% (for soil total N) smaller than those of RK, respectively
(P<0. 05).
Key words: radial basis function neural network model; ordinary kriging; regression kriging; soil
nutrient.
*国家杰出青年科学基金项目(40825003)和国家自然科学基金项目(41201214,40801175)资助.
**通讯作者. E鄄mail: w. changquan@ 163. com
2012鄄06鄄01 收稿,2012鄄11鄄20 接受.
应 用 生 态 学 报摇 2013 年 2 月摇 第 24 卷摇 第 2 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Feb. 2013,24(2): 459-466
摇 摇 土壤养分是土地生产力的基础,是植物生长的
必要条件,对土地利用和生态过程产生强烈影响.受
各种因素的综合作用,土壤养分的空间分布具有高
度变异性[1],即同一时间不同地点的土壤养分存在
明显差异.一定区域内,土壤养分的空间分布特征直
接决定该区域土壤生产力的高低和生态建设的方向
与途径.因此,充分了解土壤养分的空间变异规律、
准确预测其空间分布格局,是合理指导区域农业生
产中土壤改良、精准施肥以及生态规划建设的基础.
受气候、母岩等宏观因素的影响,土壤养分的空
间分布具有明显的空间自相关性[2];而地形、植被
等局地因素对土壤养分的空间自相关性具有削弱作
用,即土壤养分与局地因素的异相关性使其空间分
布呈现更大的变异性.在土壤养分空间预测方法中,
基于样点数据进行空间内插的方法仅利用了土壤养
分的空间自相关特征,未能很好地揭示地形和植被
等局地因素对土壤养分空间分布的影响,难以准确
预测复杂环境条件下土壤养分的空间变化[3] . 引入
相关环境因素进行土壤空间变异预测的方法,能较
好地揭示土壤养分与环境因素间的关系[4],进而提
高预测结果精度[3,5-6] .该类方法目前受到了广泛关
注,如多元回归方法[7]、协同克里格法[8]、回归克里
格法[9-10]等方法被广泛用于土壤空间变异预测研
究.其中,回归克里格法基于多元回归方法和普通克
里格法,同时利用了土壤养分的空间自相关性以及
与环境因子的异相关性[11],在土壤养分空间分布预
测中取得了较好的预测结果[9-10,12-13] .然而,土壤与
环境因子间的关系并非简单线性关系[14],多元线性
回归方法不能很好地捕捉土壤与环境因子间的复杂
关系[3] .有研究表明,应用回归克里格法进行土壤
养分空间预测的结果并不一定优于普通克里格
法[15-16],并认为在该方法中采用线性回归模型并不
适合[15] .因此,如何更准确表达土壤与多种环境因
素间复杂的非线性关系,仍需进一步探索.
人工神经网络方法能较准确地揭示多元环境变
量与目标变量间的非线性映射关系[17-18],被成功应
用于描述土壤与环境因子间的复杂关系[3],在土壤
空间预测中开始受到关注[3,18-20] . 本文以川中丘陵
区的三台县为案例区,基于土壤养分的空间自相关
和异相关特征,结合地形因子和植被盖度因子,利用
人工神经网络模型与普通克里格法相结合的方法,
预测该区域土壤有机质和全氮的空间分布,以期为
区域土壤资源管理和生态建设中准确获取土壤养分
的空间分布信息提供方法上的参考.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
三台县位于四川盆地中部偏北 ( 30毅 42忆—
31毅24忆 N、104毅42忆—105毅8忆 E),土地总面积 2661 km2,
东西宽 56郾 2 km、南北长 81郾 1 km.该区属亚热带湿
润季风气候,年均气温 16郾 7 益,南北温差0郾 5 益,年
均日照时数 1355郾 9 h,有效积温6130郾 3 益,年无霜
期 283 d,年均降水量 895郾 2 mm. 区域地势北高南
低,海拔 316 ~ 642 m,地貌类型以丘陵为主,丘陵面
积占总土地面积的 94郾 3% .成土母质为全新统和更
新统冲积物以及砂岩残积物.土壤类型有水稻土、紫
色土、潮土和黄壤 4 个土类.土地以农业利用为主.
1郾 2摇 土壤采样与样品测定
2006 年 10 月,在兼顾代表性与均匀性,遵照全
国耕地地力调查与质量评价技术规程,同时考虑地
形部位的基础上,采用多点混合的方法采集表层
(0 ~ 20 cm)土壤样品 2346 个(图 1).每个采样点均
以 GPS记录其坐标和海拔,同时详细记录样点所在
的其他环境信息.样品经自然风干后磨碎过筛,采用
常规方法测定土壤有机质和全氮含量.
图 1摇 研究区海拔(a)及土壤样点分布图(b)
Fig. 1 摇 Elevation ( a) and distribution of soil sampling sites
(b) in the study area郾
064 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
1郾 3摇 地形数据
高程(H)、坡度(S)、平面曲率(Ct)、剖面曲率
(Cp)和地形湿度指数(TI)被认为是可较好地反映
土壤发生和发育的地形因子[21],常被作为辅助环境
因子来预测土壤性质的空间分布[22] .本文基于30 m
分辨率的数字高程数据,在 ArcGIS软件中计算并获
取研究区上述 5 个地形因子的空间分布. 各地形因
子的计算公式参见文献[22].
1郾 4摇 植被数据
基于遥感影像获取的植被指数是反映植被生长
状态和植被覆盖度的最佳指示因子[9],常用于土壤
性质的空间分布预测[3,9,11,20] . 本文采用 MODIS 数
据产品中的增强型植被指数(EVI)作为反映研究区
局地植被盖度的指标.以研究区 2001—2006 年每年
7 月和 8 月 16 d合成的 250 m分辨率的 EVI数据为
基础,在对各期遥感数据进行质量检查和处理后计
算年均值并重采样至 30 m分辨率.
1郾 5摇 研究方法
1郾 5郾 1 人工神经网络与地统计学结合的方法摇 径向
基函数神经网络模型 ( radial basis function neural
network model,RBFNN)是一种具有单隐层的 3 层前
馈型神经网络模型,能以任意精度逼近任意连续函
数.与广泛应用的 BP神经网络模型相比,在学习速
度、参数设置等问题上具有明显优点[23] . 本文以
RBFNN为工具,以 6 个定量环境因子变量作为网络
输入,对应点位的土壤养分值作为网络输出,建立表
达土壤养分与环境变量间定量关系的人工神经网络
模型,并以建模点样点值进行网络训练,确定神经网
络模型的各项参数. 为防止人工神经网络方法的过
拟合问题,获得最优的网络结构和参数,本文以对样
点值预测结果的误差最小为约束条件,将模型的扩
展常数初始值设定为 0郾 05、步长为 0郾 05、隐层节点
数初始值为 2、步长为 1,通过编程搜索确定扩展常
数和隐层节点数的最优组合.上述过程在 MATLAB
中完成,并将预测结果以文本格式文件保存,然后在
ArcGIS中转换为栅格格式文件.基于与回归克里格
法相同的假设[9,12],对神经网络预测结果残差进行
半方差分析,得到最优的半方差模型,应用普通克里
格法在 ArcGIS中完成对神经网络预测结果残差的
空间内插. 再将 RBFNN 预测结果与普通克里格法
对残差的预测结果进行叠加,最终得到对土壤养分
空间分布的预测结果.
1郾 5郾 2 参照方法摇 将普通克里格法和回归克里格法
作为参照方法,同时对研究区土壤有机质和全氮的
空间分布进行预测.其中,回归克里格法首先采用多
元逐步回归完成土壤养分与环境因子变量的回归预
测,再对回归预测结果残差进行普通克里格插值,最
后将回归预测结果和残差的普通克里格估计值相
加,从而得到土壤养分的预测值[9] .
1郾 6摇 精度分析
利用 ArcGIS 地统计分析模块的 Create Subsets
功能,从 2346 个土壤样点随机提取 20%作为验证
样点,其余 80%作为建模样点,即建模点 1877 个,
验证点 469 个(图 1). 以平均绝对误差(MAE)、均
方根误差(RMSE)和平均相对误差(MRE)对建模点
和验证点的预测值与实际观测值进行对比分析,得
出精度评价结果,其公式分别为:
MAE = 1n移
n
i = 1
| Z^ i - Z i | (1)
MRE = 1n移
n
i = 1
| Z^ i - Z i |
Z i
伊 100% (2)
RMSE = 1n移
n
i = 1
( Z^ i - Z i) 2 (3)
式中:Z^i 为第 i个样点的预测值;Z i 为第 i 个样点的
实际观测值;n为样点数. MAE、RMSE 和 MRE 值越
小,说明误差越小、模拟精度越高.
2摇 结果与分析
2郾 1摇 土壤养分的常规统计结果
研究 区 土 壤 有 机 质 含 量 的 平 均 值 为
17郾 92 g·kg-1,值域范围 4郾 20 ~ 47郾 60 g·kg-1;土壤
全氮含量平均值为 0郾 89 g·kg-1,值域范围 0郾 17 ~
2郾 80 g·kg-1 .从变异程度来看,2 个土壤养分指标
的变异系数均在 10% ~ 100% ,表现为中等程度变
异性.数据正态性检验结果表明,土壤有机质和全氮
均为偏态分布,通过对数变换后可转换为近似的正
态分布(表 1).
2郾 2摇 土壤养分与环境因子的相关性
基于 2346 个采样点数据分析研究区土壤有机
质和全氮与环境因子间的相关性,结果表明,研究区
土壤有机质与高程和坡度呈极显著的负相关关系,
相关系数分别为 - 0郾 067 ( P = 0郾 0032 )和 - 0郾 208
(P<0郾 001),说明地势越高、坡度越大,土壤有机质
含量越低.土壤有机质含量与地形湿度指数和植被
指数的相关系数分别为 0郾 238(P<0郾 001)和 0郾 166
(P<0郾 001),均呈极显著正相关关系,表明在地形低
洼、植被盖度较大的地方,土壤有机质含量较高. 此
外 ,土壤有机质与剖面曲率也呈显著相关(相关系
1642 期摇 摇 摇 摇 摇 摇 摇 摇 摇 李启权等: 基于神经网络模型和地统计学方法的土壤养分空间分布预测摇 摇 摇 摇 摇
表 1摇 研究区土壤养分的描述性统计特征
Table 1摇 Descriptive statistics characteristics of soil nutrients in the study area (n=2346)
土壤养分
Soil nutrient
最小值
Minimum
最大值
Maximum
平均值
Mean
标准差
SD
变系系数
CV(% )
原始数据
Raw data
偏度
Skew
峰度
Kurtosis
对数转换后数据
Log鄄transformed data
偏度
Skew
峰度
Kurtosis
有机质 Organic matter (g·kg-1) 4郾 20 47郾 60 17郾 92 6郾 58 36郾 71 1郾 08 1郾 39 0郾 16 -0郾 28
全氮 Total N (g·kg-1) 0郾 17 2郾 80 0郾 89 0郾 37 41郾 09 1郾 30 2郾 28 0郾 15 -0郾 04
表 2摇 研究区土壤有机质和全氮与环境因子的相关性
Table 2摇 Correlations between soil organic matter and nitrogen with environment factors in the study area (n=2346)
土壤养分
Soil nutrient
H S Ct Cp TI EVI
有机质 Organic matter -0郾 067** -0郾 208** -0郾 020 0郾 045* 0郾 238** 0郾 166**
全氮 Total N -0郾 039 -0郾 169** -0郾 025 0郾 052* 0郾 185** 0郾 133**
*P<0郾 05; ** P<0郾 01郾 下同 The same below郾 H: 相对高程 Relative elevation; S: 坡度 Slope; Ct: 平面曲率 Horizontal curvature; Cp: 剖面曲
率 Vertical curvature; TI: 地形湿度指数 Topographic wetness index; EVI: 植被指数 Vegetation index郾
数 0郾 045,P= 0郾 031). 土壤全氮含量和环境因子的
相关性与土壤有机质基本一致(表 2). 相关分析结
果表明,研究区内地形和植被因子对土壤有机质和
全氮含量具有显著影响.
2郾 3摇 土壤养分的神经网络预测及回归预测
通过逐步搜索,确定预测土壤有机质最佳的网
络隐层节点数和扩展常数分别为 20 和 0郾 7,预测土
壤全氮的网络隐层节点数和扩展常数分别为 30 和
0郾 6.利用该参数完成对研究区土壤有机质和全氮空
间分布的人工神经网络预测. 采用多元线性回归方
程对 2 个土壤养分指标进行回归预测.其中,土壤有
机质的回归预测方程为:lnSOM = 1郾 803 -0郾 213H-
0郾 517S+ 0郾 466Ct + 0郾 333TI + 1郾 674EVI ( F = 47郾 30,
P<0郾 001;土壤全氮的回归预测方程为: lnTN =
-1郾 424 - 0郾 542S + 0郾 473Ct + 0郾 577Cp + 0郾 260TI +
1郾 379EVI(F=27郾 92,P<0郾 001).
将神经网络模型和多元回归方程对 2 个土壤养
分指标的预测结果与实测值进行相关分析,结果表
明,神经网络模型对土壤养分的预测结果与实测值
的相关系数明显大于多元回归方程的预测结果(表
3).其中,神经网络模型预测土壤有机质建模点的
结果与实测值的相关系数较多元回归方程提高了
0郾 076,预测验证点的相关系数提高了 0郾 035;而神
经网络模型对土壤全氮建模点和验证点的预测结果
与实测值的相关系数较多元回归方程分别提高了
0郾 062 和 0郾 040. 表明与多元回归方法相比,神经网
络模型能更好地捕捉土壤养分与多元环境影响因子
间的复杂关系.
2郾 4摇 土壤养分的半方差分析
由表 4 可以看出,研究区土壤养分的各数据项
均符合球状模型,模型的决定系数均在 0郾 80 以上,
表明所选的理论半方差模型的拟合程度较高,能较
好地反映各指标的空间结构特征.从模型参数来看,
土壤有机质和全氮半方差模型的块金值与基台值之
比均接近 0郾 75,变程分别为 7郾 00 和 6郾 00 km,表明 2
个土壤养分指标的空间相关性较弱,空间自相关的
范围不大.对回归方程及神经网络模型预测残差的
半方差分析结果表明,预测残差的块金效应和变程
与原变量相比变化不大,基本保留了原变量的空间
结构特征(图 2).
2郾 5摇 土壤养分空间分布预测结果
根据各预测方法的参数,得到不同方法对研究
区土壤有机质和全氮空间分布的预测结果. 从图 3
可以看出,研究区土壤有机质和全氮高值区和低值
区呈块状分布,空间分布趋势不明显;不同方法预测
结果比较相似,高值区和低值区的位置和范围基本
一致.预测方法中,普通克里格法(OK)的预测结果
比较平滑,高值区和低值区块状分布明显.与 OK相
比,回归克里格法(RK)和神经网络模型结合普通
表 3摇 神经网络模型及回归方程预测结果与实测值的相关
性
Table 3摇 Correlations between observation values and pre鄄
diction values by RBFNN and MLR
土壤养分指标
Soil nutrient
index
建模点
Modeling point
(n=1877)
MLR RBFNN
验证点
Validation point
(n=469)
MLR RBFNN
有机质
Organic matter
0郾 309** 0郾 385** 0郾 285** 0郾 320**
全氮
Total N
0郾 245** 0郾 307** 0郾 243** 0郾 283**
MLR: 多元线性回归模型 Multiple linear regression model; RBFNN:
径向基函数神经网络模型 Radial basis function neural network model郾
下同 The same below郾
264 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
图 2摇 研究区土壤养分各数据项半方差函数图
Fig. 2摇 Semivariograms map for different data type of soil nutrient in the study area郾
a) 有机质 Organic matter; b) 有机质的回归残差值 MLR residuals for organic matter; c) 有机质的神经网络残差值 RBFNN residuals for organic
matter; d) 土壤全氮 Total N; e) 全氮的回归残差值 MLR residuals for total N; f) 全氮的神经网络预测残差 RBFNN residuals for total N郾
表 4摇 研究区土壤养分、回归预测残差值和神经网络预测残差值的半方差模型参数
Table 4摇 Semivariogram parameters of log鄄transformed soil nutrient and prediction residuals by MLR and RBFNN
土壤养分指标
Soil nutrient
index
数据项
Data type
模型
Model
块金值
C0
基台值
C0 +C
块金效应
C0 / (C0 +C)
变程
Range
决定系数
R2
残差
RSS
有机质
Organic matter
ln SOM 球状
Spherical
0郾 092 0郾 124 0郾 742 7郾 00 0郾 909 1郾 91E鄄04
(SOM) 回归残差
MLR residuals
球状
Spherical
0郾 130 0郾 170 0郾 765 6郾 00 0郾 873 3郾 58E鄄04
神经网络残差
RBFNN residuals
球状
Spherical
0郾 112 0郾 147 0郾 762 6郾 50 0郾 848 3郾 28E鄄04
全氮
Total N
ln TN 球状
Spherical
0郾 110 0郾 148 0郾 743 6郾 00 0郾 901 3郾 34E鄄04
(TN) 回归残差
MLR residuals
球状
Spherical
0郾 150 0郾 209 0郾 718 6郾 00 0郾 825 9郾 35E鄄04
神经网络残差
RBFNN residuals
球状
Spherical
0郾 111 0郾 151 0郾 735 5郾 80 0郾 859 4郾 83E鄄04
lnSOM: 土壤有机质的对数转换值 Log鄄transformed value of soil organic matter; lnTN: 土壤全氮的对数转换值 Log鄄transformed value of total N郾
克里格法的预测方法(RBFNN_OK)预测结果差异
明显,高值区内包含明显的低值部分,体现了土壤养
分随地形变化的细节信息.可明显看出,在地势低洼
的冲沟,土壤有机质和全氮含量明显高于丘坡和丘
顶,与相关分析结果一致.这是因为,在川中丘陵区,
随着相对海拔高度增加、坡度加大,降雨侵蚀强度变
大,养分更容易流失,从而导致相对海拔高、坡度大
地方的土壤养分含量相对较低,而地势低洼的冲沟
的土壤养分容易累积.从预测结果的值域范围来看,
OK预测结果的值域最小,表明该方法平滑效应最
明显;RBFNN_OK 的值域范围最大,与统计结果和
川中丘陵区土壤养分特征分布的实际情况更接近.
2郾 6摇 精度评价
预测精度分析结果表明,引入环境因子进行土
壤养分预测的方法(RK和 RBFNN_OK)明显优于仅
基于样点值进行空间内插的预测方法(OK);而神经
网络模型结合普通克里格的方法(RBFNN_OK)对
土壤养分指标的预测精度明显高于另 2 种方法(表
5).从各方法对土壤养分建模点的拟合结果来看,
RBFNN_OK对 2 个土壤养分指标建模点的拟合误
差明显小于另 2 种方法. 从对验证点的预测精度来
看,RBFNN_OK 对土壤有机质预测结果的 MAE、
3642 期摇 摇 摇 摇 摇 摇 摇 摇 摇 李启权等: 基于神经网络模型和地统计学方法的土壤养分空间分布预测摇 摇 摇 摇 摇
MRE、RMSE 较 OK 分别降低了 6郾 9% 、 7郾 4% 和
5郾 1% ,预测精度极显著提高(P 值分别为<0郾 001、
<0郾 001和 0郾 002);RBFNN_OK 对土壤全氮的预测
误差较 OK 分别降低了 4郾 9% 、6郾 1%和 4郾 6% ,预测
误差的降低水平达极显著 ( P 值分别为 0郾 001、
<0郾 001和<0郾 001).与 RK相比,RBFNN_OK 对土壤
有机质的预测误差降低了 2郾 4% 、2郾 6%和 1郾 8% ,预
测精度表现为显著提高(P 值分别为 0郾 022、0郾 017
和 0郾 044);对土壤全氮的预测误差分别降低了
2郾 1% 、2郾 8%和 2郾 2% ,预测精度也有显著提高(P
值分别为 0郾 059、0郾 016 和 0郾 013).精度评价结果表
明,在样点密度较大的情况下,径向基函数神经网络
模型与普通克里格法相结合的方法对土壤养分空间
分布的预测精度较普通克里格法和回归克里格法均
有较显著的提高.
摇 摇 区域尺度上,土壤性质的空间分布由宏观因素
(如气候)和局地因素(如地形)共同决定. 其中,宏
观因素决定土壤性质的整体空间分布趋势,而局地
图 3摇 研究区土壤有机质和全氮的空间分布预测结果
Fig. 3摇 Maps of soil organic carbon and total N produced by different method郾
OK: 普通克里格法 Ordinary kriging; RK: 回归克里格法 Regression鄄kriging; RBFNN_OK: 径向基函数神经网络与普通克里格相结合的方法
Radial basis function neural network combined with ordinary kriging; SOM: 土壤有机质 Soil organic carbon; TN: 全氮 Total N郾
表 5摇 研究区不同土壤养分预测方法精度检验值
Table 5摇 Precision evaluation indexes of different methods for predicting soil nutrients in the study area
土壤养分指标
Soil nutrient
index
预测方法
Prediction method
建模点 Modeling point
MAE MRE RMSE
验证点 Validation point
MAE MRE RMSE
有机质 OK 4郾 429 26郾 703 5郾 534 4郾 974 31郾 016 6郾 050
Organic matter RK 4郾 130 24郾 680 5郾 251 4郾 744 29郾 473 5郾 845
RBFNN_OK 4郾 068 24郾 248 5郾 179 4郾 629 28郾 709 5郾 741
全氮 OK 0郾 232 28郾 768 0郾 301 0郾 270 34郾 395 0郾 341
Total N RK 0郾 220 27郾 145 0郾 288 0郾 262 33郾 232 0郾 333
RBFNN_OK 0郾 217 26郾 697 0郾 285 0郾 257 32郾 305 0郾 326
OK: 普通克里格法 Ordinary kriging; RK: 回归克里格法 Regression鄄kriging; RBFNN_OK: 径向基函数神经网络与普通克里格相结合的方法
Radial basis function neural network combined with ordinary kriging; MAE: 平均绝对误差 Mean absolute error; MRE: 平均相对误差 Mean relative
error; RMSE: 均方根误差 Root mean squared error郾
464 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
因素则在较小尺度上引起土壤性质的空间变
异[24-25] .普通克里格法的预测精度取决于土壤性质
的空间自相关程度(块金值与基台值之比) [26-27] .川
中丘陵区地形复杂,由宏观因素引起的土壤性质空
间自相关特征被明显削弱(图 2,表 4),导致基于土
壤性质空间自相关性进行空间内插的方法(OK)对
土壤养分的预测精度相对较差(表 5)、预测结果较
平滑(图 3),不能较好地反映丘陵区不同地形部位
土壤养分含量的空间差异. 引入地形和植被盖度因
子,同时考虑土壤养分的空间自相关及其与环境因
子间异相关特征的预测方法(RK和 RBFNN_OK)能
显著提高对土壤养分空间分布预测的精度(表 5),
预测结果能更好地揭示丘陵区复杂地形条件下土壤
养分随环境因子变化的细节信息 (图 3). 其中,
RBFNN_OK方法不仅考虑了土壤养分的空间自相
关特征,还能更准确地揭示土壤养分与多元环境因
子间的复杂关系(表 3),因而对研究区土壤有机质
和全氮空间分布预测结果的精度较普通克里格法和
回归克里法均有显著提高(表 5).
在地形条件复杂的川中丘陵区,影响土壤养分
空间分布的因素较多,除地形和植被盖度因子外,人
为活动因素的影响也较突出. 引入更多的相关环境
因子进行土壤空间变异预测可提高预测精度[7,28] .
此外,不同景观类型下,影响土壤养分空间变异的主
导环境因子也不相同[3] . 在预测方法中,充分考虑
各种环境因素并结合各因素作用于土壤养分空间变
异的机理,才能更进一步提高对复杂环境区域土壤
养分空间分布预测的准确度.
3摇 结摇 摇 论
基于土壤养分的空间自相关和异相关特征,利
用径向基函数神经网络模型和普通克里格法相结合
的方法,对川中丘陵区县域尺度上土壤养分的空间
分布进行预测.结果表明,丘陵区土壤养分空间自相
关性较弱,仅基于样点值进行空间内插的普通克里
格法预测精度相对较差. 地形及植被因子对研究区
土壤养分含量的影响明显,径向基函数神经网络模
型能更准确地揭示土壤养分与各环境因子间的复杂
关系,该模型对本研究中 469 个验证样点土壤有机
质和全氮的预测值与实测值的相关系数较多元回归
模型分别提高了 12郾 3%和 16郾 5% .对验证样点预测
结果的误差分析表明,神经网络模型和普通克里格
法相结合的方法对土壤有机质和全氮预测结果的平
均绝对误差、平均相对误差、均方根误差较普通克里
格法分别降低了 6郾 9% 、 7郾 4% 、 5郾 1% 和 4郾 9% 、
6郾 1% 、4郾 6% ,降低幅度极显著(P<0郾 01);较回归克
里格法分别降低了 2郾 4% 、2郾 6% 、1郾 8% 和 2郾 1% 、
2郾 8% 、2郾 2% ,降低水平显著(P<0郾 05). 可以得出,
神经网络模型和普通克里格法相结合的方法对土壤
养分空间分布的预测精度明显高于普通克里格法和
回归克里格法,该方法为复杂环境区域土壤养分的
空间分布预测提供了借鉴. 今后的研究可在方法中
融合更多的环境因素并结合各因素对土壤性质的影
响机理进行探索,以进一步提高预测精度,为农业生
产和生态管理提供更准确的决策依据.
参考文献
[1]摇 Scull P, Franklin J, Chadwick OA, et al. Predictive
soil mapping: A review. Progress in Physical Geogra鄄
phy, 2003, 27: 171-197
[2]摇 Burrough PA. Soil variability: A late 20th century view.
Soils and Fertilizers, 1993, 56: 529-562
[3]摇 Li Q鄄Q (李启权), Wang C鄄Q (王昌全), Yue T鄄X
(岳天祥), et al. Method for spatial simulation of top鄄
soil organic carbon based on neural network model.
Advances in Earth Science (地球科学进展), 2012, 27
(2): 175-184 (in Chinese)
[4]摇 Thompson JA, Kolka RK. Soil carbon storage estimation
in a forested watershed using quantitative soil鄄landscape
modeling. Soil Science Society of America Journal,
2005, 69: 1086-1093
[5]摇 Phachomphon K, Dlamini P, Chaplot V. Estimating
carbon stocks at a regional level using soil information
and easily accessible auxiliary variables. Geoderma,
2010, 155: 372-380
[6]摇 Shi WJ, Liu JY, Du ZP, et al. Surface modelling of soil
properties based on land use information. Geoderma,
2011, 162: 347-357
[7]摇 Meersmans J, Van Wesemael B, Goidts E, et al. Spa鄄
tial analysis of soil organic carbon evolution in Belgian
croplands and grasslands, 1960 -2006. Global Change
Biology, 2011, 17: 466-479
[8]摇 Jiang Y (姜摇 勇), Li Q (李摇 琪), Zhang X鄄K (张
晓珂), et al. Kriging prediction of soil zinc in contami鄄
nated field by using an auxiliary variable. Chinese Jour鄄
nal of Applied Ecology (应用生态学报), 2006, 17
(1): 97-101 (in Chinese)
[9]摇 Qiu L鄄F (邱乐丰),Yang C (杨摇 超),Lin F鄄F (林芬
芳), et al. Spatial pattern of soil fertility in Bashan tea
garden: A prediction based on environmental auxiliary
variables. Chinese Journal of Applied Ecology(应用生态
学报), 2010, 21(12): 3099-3104 ( in Chinese)
[10]摇 Zhang SW, Huang YF, Shen CY, et al. Spatial predic鄄
tion of soil organic matter using terrain indices and cate鄄
gorical variables as auxiliary information. Geoderma,
2012, 171: 35-43
[11]摇 Mishra U, Lal R, Liu DS, et al. Predicting the spatial
5642 期摇 摇 摇 摇 摇 摇 摇 摇 摇 李启权等: 基于神经网络模型和地统计学方法的土壤养分空间分布预测摇 摇 摇 摇 摇
variation of the soil organic carbon pool at a regional
scale. Soil Science Society of America Journal, 2010,
74: 906-914
[12]摇 Hengl T, Heuvelink GBM, Stein A. A generic frame鄄
work for spatial prediction of soil variables based on re鄄
gression鄄kriging. Geoderma, 2004, 120: 75-93
[13]摇 Zhang W, Wang KL, Chen HS, et al. Ancillary infor鄄
mation improves kriging on soil organic carbon data for a
typical karst peak cluster depression landscape. Journal
of the Science of Food and Agriculture, 2012, 92:
1094-1102
[14] 摇 McBratney AB, Mendonca Santos ML, Minasny B. On
digital soil mapping. Geoderma, 2003, 17: 3-52
[15] 摇 Li Y. Can the spatial prediction of soil organic matter
contents at various sampling scales be improved by using
regression kriging with auxiliary information? Geoderma,
2010, 159: 63-75
[16]摇 Umali BP, Oliver DP, Forrester S, et al. The effect of
terrain and management on the spatial variability of soil
properties in an apple orchard. Catena, 2012, 93: 38-
48
[17]摇 Erzin Y, Rao BH, Singh DN. Artificial neural network
models for predicting soil thermal resistivity. Interna鄄
tional Journal of Thermal Sciences, 2008, 47: 1347 -
1358
[18]摇 Zou P, Yang JS, Fu JR, et al. Artificial neural network
and time series models for predicting soil salt and water
content. Agricultural Water Management, 2010, 97:
2009-2019
[19]摇 Zhao Z, Yang Q, Benoy G, et al. Using artificial neural
network models to produce soil organic carbon content
distribution maps across landscapes. Canadian Journal
of Soil Science, 2010, 90: 75-87
[20]摇 Zhao ZY, Chow TL, Rees HW, et al. Predict soil tex鄄
ture distributions using an artificial neural network
model. Computers and Electronics in Agriculture, 2009,
65: 36-48
[21]摇 McSweeney K, Slater BK, Hammer RD, et al. Towards
a new framework for modeling the soil鄄landscape contin鄄
uum / / Amundson A, ed. Factors of Soil Formation: A
Fiftieth Anniversary Publication. Madison, WI: Soil
Science Society of America, 1994: 127-145
[22]摇 Zhang S鄄M (张素梅), Wang Z鄄M (王宗明), Zhang B
(张 摇 柏), et al. Prediction of spatial distribution of
soil nutrients using terrain attributes and remote sensing
data. Transactions of the Chinese Society of Agricultural
Engineering(农业工程学报), 2010, 26(5): 188-194
(in Chinese)
[23]摇 Alp M, Cigizoglu HK. Suspended sediment load simula鄄
tion by two artificial neural network methods using
hydrometeorological data. Environmental Modelling and
Software, 2007, 22: 2-13
[24]摇 McLauchlan K. The nature and longevity of agricultural
impacts on soil carbon and nutrients: A review. Ecosys鄄
tems, 2006, 9: 1364-1382
[25]摇 Schulp CJE, Nabuurs GJ, Verburg PH, et al. Effect of
tree species on carbon stocks in forest floor and mineral
soil and implications for soil carbon inventories. Forest
Ecology and Management, 2008, 256: 482-490
[26]摇 Kravchenko AN. Influence of spatial structure on accu鄄
racy of interpolation methods. Soil Science Society of
America Journal, 2003, 67: 1564-1571
[27]摇 Zhu Q, Lin HS. Comparing ordinary kriging and regres鄄
sion kriging for soil properties in contrasting landscapes.
Pedosphere, 2010, 20: 594-606
[28]摇 Zhang SW, Huang YF, Shen CY, et al. Spatial predic鄄
tion of soil organic matter using terrain indices and cate鄄
gorical variables as auxiliary information. Geoderma,
2012, 171: 35-43
作者简介摇 李启权,男,1980 年生,博士.主要从事水土资源
环境与系统模拟研究. E鄄mail: liqq@ lreis. ac. cn
责任编辑摇 杨摇 弘
664 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷