基于机器学习的农田土壤阳离子交换量空间分布预测

作     者：马纪龙 马琨 谢铁娜 李虹 岳翔 姬丽 韩林蒲 齐勇杰 贾彪 

作者机构：宁夏大学农学院 宁夏大学生态环境学院 宁夏大学科学技术研究院 宁夏回族自治区农业环境保护监测站 

出 版 物：《环境科学》 (Environmental Science)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1204[管理学-公共管理] 082803[工学-农业生物环境与能源工程] 08[工学] 0828[工学-农业工程] 120405[管理学-土地资源管理] 

基　　金：宁夏自然科学基金项目(2023AAC03075,2023AAC03151) 国家自然科学基金项目(32360432) 

主　　题：农田 阳离子交换量(CEC) 多元线性回归 机器学习 算法优化 

摘      要：阳离子交换量(CEC)反映了土壤对交换性阳离子的固持能力，是评价农田土壤肥力和环境质量的重要指标。室内滴定法测定土壤CEC成本高且流程繁琐。为此，利用宁夏各地农田内采集的565个0～20 cm耕层土壤样本，测定土壤pH、有机碳和机械组成等参数，采用多元线性回归法和机器学习法构建基于田块尺度的土壤CEC估测模型，用于快速准确地获取土壤CEC值。结果表明：①宁夏农田土壤CEC平均值为9.39 cmol·kg-1，变异系数为40.74%，属于高变异，空间分布特征总体表现为黄河流域(宁夏段)周边及宁南山区较高，中部干旱带和中东部地区较低；②选用总数据集所构建的模型土壤参数中，土壤有机碳、黏粒含量、pH和砂粒含量是影响宁夏农田土壤CEC的重要因素，其相关系数分别为0.55、0.72、-0.41和-0.44；③多元线性回归建模结果显示，按市区对总数据集划分，构建市区范围内的多元线性型回归模型更有利于农田土壤CEC预测；④相较于多元线性回归法，机器学习法在总数据集预测上效果更好，以多元线性回归模型为参照，反向传播神经网络、卷积神经网络、粒子群算法优化的反向传播神经网络、粒子群算法优化的卷积神经网络、灰狼算法优化的反向传播神经网络和灰狼算法优化的卷积神经网络模型预测精度(R2)分别提高了13.59%、30.78%、18.91%、35.47%、20.94%和38.91%。⑤模型验证结果表明，灰狼算法优化的卷积神经网络模型，验证集R2为0.91，RMSE为1.07 cmol·kg-1，NRMSE为11.77%，模型接近极稳定水平，模型综合表现最佳。综上所述，灰狼算法优化的卷积神经网络模型预测精度高，外推能力强，是农田尺度预测土壤CEC的较优模型。此结果可为宁夏农田土壤CEC预测提供了新的思路和解决方案。