基于多源辅助变量和极限学习机的蔬菜地土壤有机质预测研究

作     者：宋英强 杨联安 冯武焕 于世锋 许婧婷 王晶 杨煜岑 任丽 

作者机构：西北大学城市与环境学院陕西西安710127 西安市农业技术推广中心陕西西安710061 西安市农产品质量安全检验监测中心陕西西安710077 西北大学信息科学与技术学院陕西西安710127 

出 版 物：《土壤通报》 (Chinese Journal of Soil Science)

年 卷 期：2017年第48卷第1期

页      面：118-126页

学科分类：082802[工学-农业水土工程] 08[工学] 0828[工学-农业工程] 

基　　金：教育部人文社会科学研究规划项目(10YJA910010) 陕西省农业科技攻关项目(2011K02-11) 西安市科技计划项目(NC1402 NC150201) 西北大学"211工程"研究生自主创新项目(YZZ15013)资助 

主　　题：土壤有机质 极限学习机 辅助变量 空间预测 蔬菜地 

摘      要：应用多源辅助变量预测土壤有机质的空间分布,能有效提高预测精度。以西安市蔬菜产地为研究区域,共采集422个土壤样品,运用极限学习机(extreme learning machine,ELM)、逐步线性回归(stepwise linear regression,SLR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型,结合坡度、坡向、种植年限、种植类型、灌溉方式、氮肥施用量、磷肥施用量、钾肥施用量、土壤类型、碱解氮、有效磷、速效钾、盐分、硝酸盐、pH值等15个多源辅助变量,对研究区蔬菜地土壤有机质含量进行空间预测,并通过100个实测点验证预测结果。结果表明:ELM对土壤有机质预测结果的均方根误差为0.631 g kg-1,均方根误差和预测集平均值的比值为0.037,二者均低于其他3种模型,ELM的相关系数为0.716,显著高于SLR、SVM和RF,ELM的空间预测结果更接近土壤有机质含量的真实情况。同时,根据ELM分析结果及算法本质阐释其在土壤属性领域应用的地理学意义,也为其他土壤属性空间预测引入了一种新方法。