基于多源輔助變量和隨機(jī)森林模型的表層土壤全氮分布預(yù)測(cè)*

周 洋，趙小敏?，郭 熙

（1. 江西農(nóng)業(yè)大學(xué)國(guó)土資源與環(huán)境學(xué)院，南昌 330045；2. 江西省鄱陽(yáng)湖流域農(nóng)業(yè)資源與生態(tài)重點(diǎn)實(shí)驗(yàn)室，南昌 330045）

作為植物生長(zhǎng)期間所必需的養(yǎng)分元素，土壤氮素是決定土壤質(zhì)量和肥力的主要因素和指標(biāo)，但是，土壤中的氮素如果過(guò)量則會(huì)導(dǎo)致水體富營(yíng)養(yǎng)化等農(nóng)業(yè)面源污染問(wèn)題，且氮素能形成溫室氣體進(jìn)入大氣。因此，出于精準(zhǔn)農(nóng)業(yè)和環(huán)境質(zhì)量管理的需要，了解和掌握土壤氮素含量的空間分布顯得尤為重要。

土壤全氮（Soil total nitrogen，STN）是指土壤中各種形式氮素的總和，由于受到人為活動(dòng)、土壤成土因素和地形因子等因素的影響，STN 往往表現(xiàn)出較強(qiáng)的變異程度，準(zhǔn)確估計(jì)STN 的空間分布及其受到的主控因子可以為精準(zhǔn)施肥等農(nóng)業(yè)管理措施的實(shí)施提供理論依據(jù)和指導(dǎo)。隨著“3S 技術(shù)”的發(fā)展，地形、遙感、氣候等環(huán)境因子變得易于獲取，因此有學(xué)者提出了數(shù)字土壤制圖方法來(lái)實(shí)現(xiàn)土壤屬性在區(qū)域范圍內(nèi)的精準(zhǔn)預(yù)測(cè)。在數(shù)字土壤制圖中，多元線性回歸、普通克里格法、回歸克里格法、地理加權(quán)回歸等方法被廣泛用于預(yù)測(cè)STN 等土壤屬性的空間分布，但土壤與環(huán)境變量往往表現(xiàn)為復(fù)雜的非線性關(guān)系，多元線性回歸和基于地統(tǒng)計(jì)的克里格方法不能很好地體現(xiàn)這種復(fù)雜關(guān)系，因此有學(xué)者將人工神經(jīng)網(wǎng)絡(luò)、回歸樹和隨機(jī)森林等機(jī)器學(xué)習(xí)模型應(yīng)用在土壤屬性預(yù)測(cè)中，其中隨機(jī)森林模型（RF）可以防止過(guò)度學(xué)習(xí)和過(guò)擬合，相比人工神經(jīng)網(wǎng)絡(luò)計(jì)算更加簡(jiǎn)便，且預(yù)測(cè)效果穩(wěn)定，被證明是一種有效的土壤屬性預(yù)測(cè)方法，還有研究指出，將RF 模型的預(yù)測(cè)殘差與預(yù)測(cè)結(jié)果相結(jié)合的隨機(jī)森林殘差克里格法（RFRK）能提高隨機(jī)森林模型的預(yù)測(cè)精度。Guo 等對(duì)海南島橡膠人工林的土壤有機(jī)質(zhì)進(jìn)行了預(yù)測(cè)，研究表明，相比逐步線性回歸（SLR）和RF，RFRK 表現(xiàn)出了更好的預(yù)測(cè)效果。Hengl 等對(duì)比了普通克里格（OK）、多元線性回歸（MLR）、RF、梯度提升樹（GBT）和3 種混合模型對(duì)希臘北部地區(qū)土壤有機(jī)質(zhì)的預(yù)測(cè)效果，結(jié)果表明RFRK 的預(yù)測(cè)精度要優(yōu)于其他方法。Scarpone 等使用了廣義線性模型（GLM）、RF 及其與地統(tǒng)計(jì)學(xué)相結(jié)合的混合方法對(duì)加拿大哥倫比亞省中南部的土壤厚度進(jìn)行了建模預(yù)測(cè)，發(fā)現(xiàn)混合方法的預(yù)測(cè)精度要優(yōu)于普通的機(jī)器學(xué)習(xí)算法。作為一種有效的土壤屬性預(yù)測(cè)方法，RFRK 得到了越來(lái)越廣泛的應(yīng)用，但在國(guó)內(nèi)的土壤屬性預(yù)測(cè)研究中較少采納。尋烏縣位于贛南地區(qū)，地形以山地丘陵為主，屬于典型的南方丘陵區(qū)，果園產(chǎn)業(yè)發(fā)達(dá)，而STN 對(duì)土壤肥力和土壤碳循環(huán)均有著很大的影響，因此，很有必要對(duì)尋烏縣STN 的空間分布進(jìn)行分析和預(yù)測(cè)，為此本研究基于地形因子、遙感因子等多源輔助變量，使用了隨機(jī)森林（RF）和隨機(jī)森林殘差克里格（RFRK）兩種預(yù)測(cè)模型對(duì)尋烏縣表層STN 的空間分布進(jìn)行了預(yù)測(cè)，為尋烏縣的土壤肥力評(píng)估和精準(zhǔn)施肥等農(nóng)業(yè)措施提供理論指導(dǎo)和數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

尋烏縣位于江西省南部，為贛州市所轄縣，位于閩粵贛三省相連處，地理坐標(biāo)介于24°30′40″—25°12′10″N 和115°21′22″—115°54′25″E 之間，面積為2 352 km。該地區(qū)屬于亞熱帶季風(fēng)氣候，陽(yáng)光充足，雨量充沛，年平均氣溫為18.9 ℃，在7 月達(dá)到最大值27.2 ℃，1 月最低，為9.1 ℃，而年降水量則介于1 651 mm 到1 750 mm 之間，其中4—6 月降水量最多。尋烏東北、西北與東南部地勢(shì)高，且向西南部?jī)A斜，海拔高度介于132～1 468 m 之間，地貌類型以山地丘陵為主（圖1a）?？h內(nèi)植被覆蓋率高，主要植被類型為亞熱帶常綠闊葉林和低山針葉林。尋烏屬于南方亞熱帶紅壤區(qū)的南部，土壤肥力較高，pH 普遍呈酸性，土壤類型主要為紅壤、黃壤和水稻土；母質(zhì)類型主要有酸性結(jié)晶巖類風(fēng)化物和泥質(zhì)巖類風(fēng)化物，還有少量的石英巖類、泥質(zhì)巖類和紅砂巖類風(fēng)化物；土地利用類型則以林地、園地和耕地為主，其中林地占土地總面積的83.8%（圖1b）。

圖1 研究區(qū)DEM、土壤樣點(diǎn)分布及土地利用類型Fig.1 Digital Elevation Model，distribution of soil sampling points and land use types in the study area

1.2 樣點(diǎn)數(shù)據(jù)獲取與測(cè)定

采用公里網(wǎng)格布設(shè)土壤采樣點(diǎn)，于2018 年7 月至9 月完成采集，采樣深度為0～20 cm，共采集土壤樣品572 個(gè)（圖1a）。土壤樣品經(jīng)風(fēng)干，研磨和過(guò)篩后測(cè)定全氮（TN）、硫（S）、pH 等元素和指標(biāo)含量。其中TN 采用半微量凱氏定氮法測(cè)定；S 采用燃燒碘量法測(cè)定；pH 采用電極法測(cè)定。

1.3 環(huán)境協(xié)變量及其數(shù)據(jù)來(lái)源

初步選擇了22 種環(huán)境協(xié)變量對(duì)研究區(qū)STN 進(jìn)行預(yù)測(cè)，包括地理坐標(biāo)（、坐標(biāo)）、地形因子、距離因子、氣候因子、遙感因子和土壤理化因子。利用ArcGIS10.2 軟件平臺(tái)，將所有的協(xié)變量柵格數(shù)據(jù)重采樣為100 m 分辨率。地形因子是土壤屬性預(yù)測(cè)中使用最廣泛的環(huán)境因子之一。本研究使用數(shù)字高程模型（Digital elevation model，DEM）來(lái)得到各種地形因子。從地理空間數(shù)據(jù)云平臺(tái)下載研究區(qū)30 m 分辨率DEM 數(shù)據(jù)，使用ArcGIS 10.2 軟件平臺(tái)處理后得到高程、坡度、坡向、曲率、地形起伏度5 個(gè)地形因子，使用SAGA GIS 2.3.2 軟件平臺(tái)處理后得到地表粗糙度TRI、地形濕度指數(shù)TWI 和多尺度谷底平坦度MrVBF 這3 個(gè)地形因子。距離因子包括距河流距離（DTR）和距公路距離（DTH），利用ArcGIS 10.2 軟件平臺(tái)的距離分析工具計(jì)算得到。氣候因子使用從中國(guó)科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心下載的1 km×1 km 分辨率的年平均氣溫（MAT）和年平均降水量（MAP）柵格數(shù)據(jù)集（2006 年至2015年均值）。遙感因子從地理空間數(shù)據(jù)云平臺(tái)上下載的2017 年11 月1 日的尋烏縣Landsat 8 OLI 遙感影像中提取，利用ENVI 5.3 軟件平臺(tái)進(jìn)行輻射定標(biāo)和大氣校正后，提取歸一化植被指數(shù)（NDVI）、綠帶反射率（B3）、裸土指數(shù)（BI）、綠色葉綠素指數(shù)（CIg）、綠度指數(shù)（GI）和對(duì)波段進(jìn)行主成分分析后的第一主成分（PCA1）。其中NDVI 和綠度指數(shù)是反應(yīng)植被生長(zhǎng)和覆蓋情況的常用指標(biāo)，裸土指數(shù)體現(xiàn)了地表的裸露情況，而綠色葉綠素指數(shù)則反映了植物冠層氮的情況。土壤理化因子選擇了pH 和硫，采用普通克里格法進(jìn)行空間插值后，提取100 m 分辨率的柵格數(shù)據(jù)。為了避免預(yù)測(cè)變量之間的多重共線性影響模型預(yù)測(cè)效果，在將協(xié)變量代入模型之前，計(jì)算了各環(huán)境變量的方差膨脹因子VIF，將VIF ＞ 10的變量剔除后再代入模型進(jìn)行計(jì)算。

1.4 建模方法

隨機(jī)森林（RF）是一種基于多個(gè)決策樹的數(shù)據(jù)挖掘算法，通過(guò)在訓(xùn)練數(shù)據(jù)集中應(yīng)用bootstrap 方法隨機(jī)抽取樣本構(gòu)建單獨(dú)的樹模型，生成大量的樹后組成隨機(jī)森林，與CART 決策樹模型相比，RF 模型對(duì)過(guò)度擬合不敏感。決策樹的數(shù)量ntree 和每個(gè)分隔節(jié)點(diǎn)的預(yù)測(cè)變量數(shù)mtry 是RF 模型中的兩個(gè)關(guān)鍵參數(shù)。本研究在隨機(jī)劃分100 組訓(xùn)練集和驗(yàn)證集數(shù)據(jù)后，使用R3.6.1 中的“caret”包對(duì)每個(gè)RF 模型分別進(jìn)行五折交叉驗(yàn)證調(diào)參，之后使用“randomForest”包，代入不同訓(xùn)練集對(duì)應(yīng)的最優(yōu)參數(shù)來(lái)構(gòu)建隨機(jī)森林模型。隨機(jī)森林殘差克里格（RFRK）是RF 模型的一種拓展，利用普通克里格法，對(duì)RF 模型的預(yù)測(cè)殘差進(jìn)行空間插值后將其與RF 模型的預(yù)測(cè)結(jié)果相加，從而提高模型預(yù)測(cè)精度。RFRK 模型的公式如下：

式中，（）為RFRK 在x位置的STN 預(yù)測(cè)值，（）為RF 模型擬合的趨勢(shì)項(xiàng)，則為普通克里格法擬合的誤差項(xiàng)。

1.5 模型精度與預(yù)測(cè)不確定性評(píng)估

為了獲取穩(wěn)定的模型預(yù)測(cè)值，對(duì)RF 模型重復(fù)迭代了100 次，每次均隨機(jī)選擇70%的土壤樣點(diǎn)（400 個(gè)）作為訓(xùn)練集參與建模，其余30%的樣點(diǎn)（172個(gè)）作為驗(yàn)證集，最后取100 次迭代結(jié)果的平均值作為 RF 模型的預(yù)測(cè)結(jié)果。選取了平均相對(duì)誤差（MAE）、均方根誤差（RMSE）、決定系數(shù)（）和一致性相關(guān)系數(shù)（CCC）4 個(gè)模型精度指標(biāo)評(píng)價(jià)模型預(yù)測(cè)結(jié)果，計(jì)算公式如下：

2 結(jié) 果

2.1 土壤全氮描述性統(tǒng)計(jì)特征

尋烏縣STN 的描述性統(tǒng)計(jì)結(jié)果表明，土壤TN含量范圍為0.42～2.52 g·kg，均值為1.21 g·kg，低于全國(guó)的平均水平；標(biāo)準(zhǔn)差為0.35 g·kg，偏度系數(shù)為 1.10，峰度系數(shù)為 3.39，變異系數(shù)為26.88%，屬于中等程度的空間變異。

不同土壤類型、土地利用類型和成土母質(zhì)下樣點(diǎn)STN 含量的分布情況如圖2 所示。不同土壤類型下STN 的分布差異不大，黃壤的整體STN 含量分布要高于紅壤和水稻土，不同土地利用類型STN 含量中位數(shù)大小依次為旱地＞水田＞林地＞園地，5 種成土母質(zhì)的STN 分布有較明顯的差異，紫色巖類風(fēng)化物母質(zhì)的STN 含量要低于其他4 種母質(zhì)。

圖2 不同土壤類型、土地利用類型和成土母質(zhì)下土壤全氮含量小提琴圖Fig. 2 Violin plot of soil TN content in different soil types，land use types and parent materials

2.2 環(huán)境協(xié)變量的選擇

為避免變量共線性對(duì)模型預(yù)測(cè)精度的影響，計(jì)算了所有環(huán)境協(xié)變量的方差膨脹因子VIF，并去除了VIF＞10 的變量（坐標(biāo)、地形起伏度、年平均氣溫、歸一化植被指數(shù)、綠帶反射率和裸土指數(shù)），之后計(jì)算了STN 與剩余變量之間的Pearson 相關(guān)系數(shù)。結(jié)果表明，STN 與土壤S（=0.72）、高程（=0.32）、坡度（=0.19）、地形粗糙度（=0.17）綠色葉綠素指數(shù)（=0.12）等變量表現(xiàn)出正相關(guān)關(guān)系，與坐標(biāo)（= -0.17）、年平均降水（= -0.12）等因子則有著負(fù)相關(guān)關(guān)系。

2.3 不同模型預(yù)測(cè)精度及不確定性評(píng)價(jià)

RFRK 需要對(duì)RF 模型的預(yù)測(cè)殘差進(jìn)行普通克里格插值，因此，對(duì)STN 的RF 模型100 次預(yù)測(cè)結(jié)果的殘差分別進(jìn)行半方差分析，得到理論最優(yōu)半方差函數(shù)模型及參數(shù)后，再使用普通克里格法對(duì)其進(jìn)行空間插值，得到RF 模型100 次預(yù)測(cè)結(jié)果殘差的空間分布。

在每次隨機(jī)抽取30%的樣點(diǎn)數(shù)據(jù)作為驗(yàn)證集，并進(jìn)行100 次模型迭代后，對(duì)RF 模型和RFRK 模型的預(yù)測(cè)精度進(jìn)行了評(píng)估，結(jié)果表明RF 模型的預(yù)測(cè)精度指標(biāo)的均值（MAE=0.1570 g·kg，RMSE=0.210 8 g·kg，CCC=0.761 3，=0.629 1）均優(yōu)于RFRK 模 型（ MAE=0.168 2 g·kg， RMSE=0.226 7 g·kg，CCC=0.688 1，=0.571 9），這表明將預(yù)測(cè)殘差作為誤差項(xiàng)加入RF 模型并沒(méi)有改善其預(yù)測(cè)效果，反而使RF 模型的預(yù)測(cè)精度下降。

使用RF 模型迭代100 次的預(yù)測(cè)值標(biāo)準(zhǔn)差來(lái)評(píng)估模型預(yù)測(cè)的不確定性。RF 模型預(yù)測(cè)值標(biāo)準(zhǔn)差的范圍為0.01～0.22 g·kg，均值為0.04 g·kg，總體上模型的預(yù)測(cè)不確定性較低，僅在研究區(qū)的西北部、西南部、東部以及南部等海拔較大的區(qū)域表現(xiàn)出較大的預(yù)測(cè)不確定性，這可能是因?yàn)榄h(huán)境協(xié)變量在高海拔區(qū)域有著較強(qiáng)的空間變異性。

2.4 環(huán)境協(xié)變量重要性評(píng)估

對(duì)RF 模型中的環(huán)境協(xié)變量計(jì)算了其對(duì)STN 預(yù)測(cè)結(jié)果的相對(duì)重要性（Relative importance，RI），并將其轉(zhuǎn)化為百分比（圖3）。結(jié)果表明，土壤硫，高程，年平均降水，綠色葉綠素指數(shù)，坐標(biāo)，多尺度谷底平坦度、坡度、地形粗糙度這些因子是影響研究區(qū)STN 含量的主要協(xié)變量，占RI 的87.44%；此外，在所有類別的協(xié)變量中，土壤理化因子的解釋能力最高（占RI 的48.52%），其次為地形因子（24.06%）、遙感因子（9.76%）、氣候因子（6.88%）和地理坐標(biāo)（5.45%）。

圖3 RF 模型各變量相對(duì)重要性Fig. 3 Relative importance of variables in the random forest（RF）model

2.5 土壤全氮對(duì)各環(huán)境協(xié)變量的響應(yīng)變化

為探究STN 與環(huán)境協(xié)變量之間的響應(yīng)變化關(guān)系，隨機(jī)選擇了100 次迭代模型其中的1 個(gè)RF 模型，繪制了各環(huán)境協(xié)變量對(duì)STN 的響應(yīng)變化曲線（圖4），該曲線代表了STN 與每個(gè)環(huán)境變量之間的變化關(guān)系，可以看出STN 與各變量的響應(yīng)關(guān)系差異較大，且大致趨勢(shì)與相關(guān)性分析結(jié)果一致，其中，STN 含量隨土壤硫、高程、綠色葉綠素指數(shù)、坡度、地形粗糙度、距河流距離、pH 和波段第一主成分等因子值的增大而表現(xiàn)出非線性增加，與年平均降水則表現(xiàn)為相反趨勢(shì)的非線性變化，而與y 坐標(biāo)、多尺度谷底平坦度、距公路距離、綠度指數(shù)等因子表現(xiàn)為波動(dòng)變化趨勢(shì)。在影響STN 含量主要協(xié)變量的響應(yīng)變化曲線中，高程、坡度、地形粗糙度、多尺度谷底平坦度和pH 增大到一定值后，STN 含量不再響應(yīng)其變化。

圖4 土壤全氮含量與各環(huán)境協(xié)變量的響應(yīng)曲線Fig. 4 Response of soil total nitrogen content to the variation of each environmental predictive factor

2.6 土壤全氮空間分布特征

研究區(qū) STN 的空間分布表現(xiàn)出較強(qiáng)的空間異質(zhì)性（圖5），RF 模型和RFRK 模型兩種方法預(yù)測(cè)的STN 空間分布的總體變化趨勢(shì)基本一致，均表現(xiàn)為西北部、東北部和南部高，中部和中北部低的空間格局，且與高程的變化特征大致相符；RF 模型和RFRK 模型迭代100 次的STN 預(yù)測(cè)值均值的變化范圍分別為0.70～2.05 g·kg和0.69～2.10 g·kg，均值分別為1.23 g·kg和1.24 g·kg，從結(jié)果中可以看出，RF 模型與RFRK 模型的STN 預(yù)測(cè)值范圍基本一致，與土壤樣點(diǎn)數(shù)據(jù)的統(tǒng)計(jì)范圍較為接近。

圖5 不同模型下研究區(qū)土壤全氮空間分布圖Fig. 5 Spatial distribution of soil total nitrogen（STN）by different model

3 討 論

3.1 影響土壤全氮分布的主要變量

在所有的環(huán)境協(xié)變量中，土壤硫?qū)ρ芯繀^(qū)STN含量分布的影響最大，這是因?yàn)橥寥繱 元素和N 元素的循環(huán)有著相互耦合性，從而直接影響STN 的分布。從響應(yīng)曲線（圖5）中可以看出，土壤硫與STN 表現(xiàn)出了正向耦合性。在施氮肥時(shí)，含硫酸根離子的氮肥會(huì)使土壤中的S 含量增多，因此土壤硫和STN 的空間分布呈現(xiàn)出相互影響的變化趨勢(shì)。高程、坡度等地形因子對(duì)STN 的影響僅次于土壤理化因子，兩者與STN 含量的響應(yīng)曲線變化的大致趨勢(shì)也較為相似。有研究表明，地形因子在土壤屬性預(yù)測(cè)中有著重要的作用，其對(duì)STN 的影響主要體現(xiàn)在影響地表水熱交換和影響植被分布這兩個(gè)方面。不同地形條件下，表層土壤受到的風(fēng)化淋溶作用存在差異，從而影響STN 的含量。而植被覆蓋度較高處，表層土壤有機(jī)質(zhì)含量較高，STN 等土壤養(yǎng)分元素易積累，且地形因子中的高程變化對(duì)區(qū)域小氣候特征也會(huì)造成一定的影響。隨著海拔的上升，氣溫會(huì)呈現(xiàn)出下降的趨勢(shì)，而STN 在不同的土壤溫度下，分解速度也會(huì)存在差異，導(dǎo)致不同海拔條件下STN 含量存在差異。遙感因子對(duì)研究區(qū)STN 也有較大影響，這與其他研究一致。有研究表明，在植被覆蓋度較高的區(qū)域，植被與表層土壤中的氮含量較為相關(guān)。因此，在植被茂密地區(qū)，波段反射率和遙感指數(shù)可以作為預(yù)測(cè)STN 的有效指標(biāo)。本研究中，綠色葉綠素指數(shù)和綠度指數(shù)等遙感因子對(duì)STN 的影響較大，但與其他研究相比，影響程度較低，這可能與本研究選取的遙感指數(shù)有關(guān)。由于共線性問(wèn)題，未將歸一化植被指數(shù)和綠帶反射率等遙感指數(shù)納入到預(yù)測(cè)模型中；氣候因子中，年平均降水對(duì)STN 的影響主要體現(xiàn)為，降水量的不同會(huì)導(dǎo)致地區(qū)的水文環(huán)境和土壤水分產(chǎn)生差異，影響土壤氮素的礦化速率，從而影響STN的分布。地理坐標(biāo)對(duì)STN 也有一定的影響，表明研究區(qū) STN 的空間分布有著較強(qiáng)的空間異質(zhì)性。Pearson 相關(guān)性分析結(jié)果表明，STN 與y 坐標(biāo)有著負(fù)相關(guān)關(guān)系，響應(yīng)曲線中，STN 隨著y 坐標(biāo)的增大表現(xiàn)出先增后減的變化趨勢(shì)，這與研究區(qū)特點(diǎn)有關(guān)。尋烏縣屬山地丘陵地形，三面環(huán)山，東北、西北和東南均有高山分布，區(qū)域的高程差近1 000 m，因此研究區(qū)地理坐標(biāo)的改變會(huì)使成土母質(zhì)和植被產(chǎn)生較大的垂直性地帶變化，進(jìn)而對(duì)STN 產(chǎn)生較大的影響。

3.2 不同模型預(yù)測(cè)效果的對(duì)比

本研究中，RF 模型100 次重復(fù)迭代的模型精度指標(biāo)值（MAE、RMSE、CCC、）要優(yōu)于RFRK模型，這與其他研究結(jié)果有所不同，原因在于，雖然殘差代表了RF 模型在預(yù)測(cè)過(guò)程中無(wú)法解釋的部分，但因?yàn)楸狙芯恐羞x取的環(huán)境協(xié)變量足夠多，RF 模型的預(yù)測(cè)效果已較好，預(yù)測(cè)殘差的空間自相關(guān)性較弱，使用普通克里格法對(duì)殘差進(jìn)行空間插值后并不能代表RF 模型預(yù)測(cè)誤差的空間分布趨勢(shì)，因此將殘差的空間信息加入到RF 模型的預(yù)測(cè)結(jié)果中并沒(méi)有提高其預(yù)測(cè)精度，反而使RF 模型的預(yù)測(cè)精度有所下降。

3.3 預(yù)測(cè)精度的影響因素

在對(duì)STN 進(jìn)行建模預(yù)測(cè)時(shí)，影響預(yù)測(cè)精度的因素主要有兩點(diǎn)。第一，部分協(xié)變量數(shù)據(jù)的精細(xì)化程度不高，在使用的環(huán)境協(xié)變量中，年平均降水因子使用的是1 km×1 km 分辨率的柵格數(shù)據(jù)，而研究區(qū)為縣域尺度，該分辨率可能忽略了氣溫和降水的局部空間自相關(guān)性，從而降低了STN 的預(yù)測(cè)精度；土壤理化因子中，土壤硫和pH 的柵格數(shù)據(jù)是利用點(diǎn)位數(shù)據(jù)，采用普通克里格法進(jìn)行空間插值得到，而普通克里格法插值中的誤差和不確定性也會(huì)對(duì)STN的預(yù)測(cè)效果產(chǎn)生影響，且為了統(tǒng)一環(huán)境協(xié)變量的尺度而進(jìn)行的柵格重采樣也會(huì)導(dǎo)致協(xié)變量數(shù)據(jù)精度降低和信息丟失的問(wèn)題。第二，代表人為活動(dòng)因素的協(xié)變量考慮的不夠多，所選取的環(huán)境協(xié)變量中，除了距公路距離這個(gè)人為因素之外，其他的多為自然因素，雖然遙感植被因子能夠在一定程度上代表人為活動(dòng)，但如果將更多的人為活動(dòng)因素，比如耕作制度、施肥方式等因素作為協(xié)變量納入預(yù)測(cè)模型，可能會(huì)在一定程度上提高模型預(yù)測(cè)精度和效果。

4 結(jié) 論

RF 和RFRK 模型兩種方法對(duì)尋烏縣表層土壤的STN 預(yù)測(cè)結(jié)果表明：從空間分布來(lái)看，兩種方法預(yù)測(cè)的STN 空間分布大致相同，總體上表現(xiàn)為西北部、東北部和南部高，中部和中北部低的空間分布格局；從預(yù)測(cè)精度來(lái)看，RF 模型的決定系數(shù)均值和一致性相關(guān)系數(shù)均值均高于RFRK 模型，而平均相對(duì)誤差均值和均方根誤差均值均小于RFRK 模型，表明RF 模型的預(yù)測(cè)結(jié)果要優(yōu)于RFRK 模型；在參與預(yù)測(cè)的環(huán)境協(xié)變量中，土壤硫，高程，年平均降水，綠色葉綠素指數(shù)，坐標(biāo)，多尺度谷底平坦度、坡度、地形粗糙度等因子是影響研究區(qū)STN 分布的主要變量。