基于隨機(jī)森林模型的旺業(yè)甸實(shí)驗(yàn)林場(chǎng)土壤全氮數(shù)字制圖

關(guān)鍵詞 土壤全氮； 隨機(jī)森林模型； 空間分布； 土層深度； 數(shù)字土壤制圖

中圖分類號(hào) S714 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1000-2421（2024）03-0249-09

氮是生物地球化學(xué)循環(huán)的關(guān)鍵元素之一，影響土壤質(zhì)量和其他土壤性質(zhì)［1-2］，同時(shí)氮素缺乏對(duì)植物生長(zhǎng)發(fā)育的影響很大，科學(xué)評(píng)價(jià)土壤氮素狀況對(duì)土壤肥力管理和植物營(yíng)養(yǎng)尤其重要。土壤氮庫(kù)是生態(tài)系統(tǒng)中氮循環(huán)的重要組成部分，深層土壤氮庫(kù)擁有巨大的氮儲(chǔ)量，因此，了解土壤全氮（total nitrogen，TN）在垂直梯度上的分布及其控制因素的可靠估計(jì)對(duì)于研究土壤氮儲(chǔ)量和氮循環(huán)極為必要［3］。

基于土壤調(diào)查的傳統(tǒng)土壤制圖方法既耗時(shí)又昂貴，導(dǎo)致土壤地圖很難更新。近年來(lái)，隨著高精度數(shù)字森林土壤數(shù)據(jù)庫(kù)的建立和科學(xué)利用土地的要求日益提高，數(shù)字土壤制圖（digital soil mapping，DSM）技術(shù)作為一種為土壤評(píng)估框架提供數(shù)據(jù)和信息的新方法被用來(lái)描述世界各地土壤屬性的空間分布，此法方便、經(jīng)濟(jì)高效［4］。DSM 基于土壤屬性和預(yù)測(cè)變量之間的數(shù)字關(guān)系，使用空間分析和數(shù)學(xué)方法來(lái)理解土壤屬性的空間格局［5］，也可以結(jié)合實(shí)驗(yàn)室土壤分析和遙感光譜指數(shù)等環(huán)境變量，建立高分辨率、高精度的土壤屬性預(yù)測(cè)模型。

基于McBratney 提出的數(shù)字土壤制圖框架，許多機(jī)器學(xué)習(xí)算法已被成功用于預(yù)測(cè)土壤屬性［4］。隨機(jī)森林（random forest，RF）模型具有不易過(guò)擬合的優(yōu)勢(shì)，相比于其他機(jī)器學(xué)習(xí)方法更加有效穩(wěn)定。如，姜賽平等［6］運(yùn)用3 種空間預(yù)測(cè)模型對(duì)海南島不同土層深度土壤有機(jī)質(zhì)（soil organic matter，SOM）空間分布進(jìn)行了預(yù)測(cè)，結(jié)果表明0～5、0～20、20～40 cm 土層深度RF 模型表現(xiàn)優(yōu)于其他模型（決定系數(shù)R²為0.21～0.37），40～60 cm 土層深度普通克里格方法最優(yōu)，但該方法圖斑較大，無(wú)法詳細(xì)描述SOM 空間變異的細(xì)節(jié)信息。龐龍輝等［7］使用RF 模型對(duì)青海省表層土壤TN、粉粒、SOM 和pH 的空間分布格局進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)RF 模型預(yù)測(cè)土壤屬性空間格局效果優(yōu)異，R²分別為0.611、0.474、0.532 和0.542。Keskin 等［8］使用8種模型預(yù)測(cè)佛羅里達(dá)州土壤碳組分空間格局，結(jié)果表明RF 模型的預(yù)測(cè)效果最好，R2 達(dá)到0.72，遠(yuǎn)高于其他模型。Cubist 模型具有學(xué)習(xí)數(shù)據(jù)中的非線性關(guān)系的能力［9-10］。Shahbazi 等［11］在伊朗東阿塞拜疆省使用RF 模型和Cubist 模型對(duì)4 個(gè)標(biāo)準(zhǔn)化深度（0～15、15～30、30～60、60～100 cm）氮、磷和硼的空間分布進(jìn)行建模和預(yù)測(cè)，結(jié)果表明Cubist 模型預(yù)測(cè)效果優(yōu)于RF 模型?？梢钥闯觯煌Ｐ驮谕谎芯繀^(qū)域內(nèi)效果不同，同一模型在不同研究區(qū)域內(nèi)效果也并不相同，具有不確定性，且國(guó)內(nèi)缺乏森林經(jīng)營(yíng)單位（如林場(chǎng)）層次的相關(guān)研究，需要更多的驗(yàn)證。

本研究以內(nèi)蒙古赤峰市旺業(yè)甸實(shí)驗(yàn)林場(chǎng)為對(duì)象，基于土壤實(shí)測(cè)數(shù)據(jù)，結(jié)合多源數(shù)據(jù)集作為環(huán)境協(xié)變量，使用RF 模型和Cubist 模型探索影響土壤TN 含量的環(huán)境協(xié)變量，對(duì)該林場(chǎng)不同土層深度土壤TN 含量進(jìn)行空間預(yù)測(cè)，形成林場(chǎng)TN 數(shù)字地圖，以期為林場(chǎng)尺度森林土壤養(yǎng)分管理和可持續(xù)利用提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

旺業(yè)甸實(shí)驗(yàn)林場(chǎng)（41°33′～41°49′N，118°07′～118°30′E）位于內(nèi)蒙古自治區(qū)赤峰市喀喇沁旗西南部，處于草原向森林的過(guò)渡地帶。地貌類型為中山山地，海拔高度877～1 890 m。屬暖溫帶半干旱地區(qū)，為明顯的大陸性季風(fēng)氣候。年平均降水量430～560 mm，年平均氣溫1.8～6.2 ℃，無(wú)霜期117 d。林場(chǎng)經(jīng)營(yíng)面積281 km²，有林面積約235 km²，其中人工林約118 km²，天然林約117 km²。土壤類型以典型棕壤為主，還包括暗棕壤、褐土和草甸土等。成土母巖主要有巖漿巖和沉積巖等，少數(shù)發(fā)育在黃土母質(zhì)上。

1.2 土壤樣品采集與測(cè)定

2021 年9 月，綜合考慮林場(chǎng)地形地貌和林分類型等因素，采用典型取樣方法，在該林場(chǎng)設(shè)置了147 個(gè)采樣點(diǎn)（圖1），其中人工林71 個(gè)，天然林76 個(gè)，在每個(gè)樣點(diǎn)設(shè)置一塊20 m×30 m 的樣地，在樣地內(nèi)多點(diǎn)采集0～10、10～30、30～50 cm 3 個(gè)土層深度的土壤，分層混勻后帶回實(shí)驗(yàn)室。同時(shí)記錄樣點(diǎn)經(jīng)緯度、海拔、坡度、坡向和林分類型等信息?；旌贤翗咏?jīng)風(fēng)干、去除雜質(zhì)、研磨，通過(guò)孔徑0.25 mm 篩，采用凱氏定氮法測(cè)定土壤TN 含量［12］。

1.3 環(huán)境協(xié)變量數(shù)據(jù)來(lái)源及處理

本研究初步選擇使用12 個(gè)環(huán)境協(xié)變量作為預(yù)測(cè)土壤TN 的因子（表1），包括x 坐標(biāo)、y 坐標(biāo)、地形、氣候和生物變量數(shù)據(jù)。使用ArcGIS 10.5 生成環(huán)境變量并將其傳輸?shù)綎鸥駥?。地形屬性是?shù)字土壤制圖中使用最廣泛的環(huán)境預(yù)測(cè)因子［11］。本研究中使用6個(gè)地形變量，包括海拔（elevation）、坡度（slope）、坡向（aspect）、剖面曲率（profile curvature）、地形粗糙指數(shù)（topographic roughness index，TRI）和地形濕度指數(shù)（topographic wetness index，TWI）。數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云（https：//www. gscloud. cn/search）GDEMV3 數(shù)字高程數(shù)據(jù)。TRI 和TWI 使用SAGAGIS 生成，其他4 個(gè)變量使用ArcGIS 10.5 生成。濕度和溫度影響土壤氮的積累速度，被廣泛應(yīng)用于TN預(yù)測(cè)［13］。采用研究區(qū)1970?2000 年30 a 的年平均氣溫（mean annual temperature，MAT）和年平均降水量（mean annual precipitation，MAP）作為氣候變量，數(shù)據(jù)來(lái)源于世界氣象數(shù)據(jù)庫(kù)網(wǎng)站（https：//worldclim.org/），在ArcGIS 10.5 軟件中使用最臨近法將MAT和MAP 數(shù)據(jù)重采樣到30 m 分辨率。生物變量使用歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和紅邊葉綠素植被指數(shù)（red edge chlorophyllindex，RECI）進(jìn)行表征［14］。數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云（https：//www.gscloud.cn/search）Landsat8 OLI 圖像，圖像采集于2020 年10 月15 日。使用ENVI 5.6 對(duì)圖像進(jìn)行輻射定界和大氣校正，采集近紅外波段5（B5，0.85～0.89 μm）和紅外波段4（B4，0.63～0.68 μm）用于計(jì)算NDVI 和RECI，構(gòu)建模型。

1.4 建模方法

隨機(jī)森林（RF）是Breiman 提出的一種基于樹(shù)的集成學(xué)習(xí)技術(shù)［15］，RF 模型中的節(jié)點(diǎn)純度（Inc‐NodePurity）可表征各環(huán)境因子對(duì)目標(biāo)變量的貢獻(xiàn)率，該值越大表示該變量的重要性越大［16］。本研究中RF 模型的2 個(gè)重要參數(shù)mtry 和ntree 通過(guò)網(wǎng)格搜索確定為2 和800，用于預(yù)測(cè)林場(chǎng)土壤TN 含量分布。

Cubist 模型是一種先進(jìn)的基于樹(shù)的回歸算法［11］。本研究中Cubist 模型的2 個(gè)重要參數(shù)committees 和neighbours 分別設(shè)置為10 和9，用于預(yù)測(cè)林場(chǎng)TN 含量分布。

1.5 模型驗(yàn)證與預(yù)測(cè)不確定性評(píng)估

使用交叉驗(yàn)證來(lái)評(píng)估模型的預(yù)測(cè)性能，該方法的優(yōu)點(diǎn)是在較小的數(shù)據(jù)集上執(zhí)行，可靠且無(wú)偏倚［17］。本研究使用十折交叉驗(yàn)證，重復(fù)10 次，用平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和R² 3 個(gè)統(tǒng)計(jì)指標(biāo)來(lái)評(píng)估模型在預(yù)測(cè)土壤TN 方面的性能。使用模型迭代100 次預(yù)測(cè)的土壤全氮含量的標(biāo)準(zhǔn)差繪制模型預(yù)測(cè)的不確定性分布圖。

2 結(jié)果與分析

2.1 土壤全氮的描述性統(tǒng)計(jì)分析

研究區(qū)147 個(gè)樣點(diǎn)0～10、10～30 和30～50 cm³ 個(gè)土層深度土壤TN 的描述性統(tǒng)計(jì)信息見(jiàn)表2。土壤TN 含量的均值和標(biāo)準(zhǔn)差隨著土層深度的增加而降低，均值分別為3.20、2.02、1.47 g/kg。3 個(gè)土層深度TN 含量的變異系數(shù)為51.86%～56.36%，均屬于中等變異［18］。土壤TN 經(jīng)對(duì)數(shù)轉(zhuǎn)換后符合正態(tài)分布。

不同林分類型土壤TN 含量的分布情況如圖2所示。從整體看，不同土層深度天然林土壤TN 含量高于人工林土壤TN 含量。

2.2 環(huán)境協(xié)變量的選擇

采用Pearson 相關(guān)系數(shù)法進(jìn)行環(huán)境協(xié)變量的選擇。不同土層深度TN 含量與環(huán)境協(xié)變量之間的Pearson 相關(guān)分析結(jié)果表明（表3），0～10 cm土層TN含量與海拔（r=0.533）、坡向（r=0.178）和年平均降水量（r=0.553）呈正相關(guān)，與y坐標(biāo)（r=?0.205）、年平均氣溫（r=?0.501）和歸一化植被指數(shù)（r=?0.265）表現(xiàn)出負(fù)相關(guān)關(guān)系。x 坐標(biāo)、坡度、剖面曲率、地形粗糙指數(shù)、地形濕度指數(shù)和紅邊葉綠素植被指數(shù)與TN 含量相關(guān)性不顯著，給予剔除。

除y 坐標(biāo)和坡向與30～50 cm 土層TN 含量相關(guān)性不顯著，10～30 和30～50 cm 土層TN 含量與環(huán)境協(xié)變量的關(guān)系與0～10 cm 土層基本一致。因此，土壤TN 含量最終使用海拔、坡向、年平均降水量、y 坐標(biāo)、年平均氣溫和歸一化植被指數(shù)作為環(huán)境協(xié)變量進(jìn)行建模預(yù)測(cè)。

2.3 不同土層深度土壤全氮含量預(yù)測(cè)模型結(jié)果

利用樣地?cái)?shù)據(jù)訓(xùn)練的RF 模型和Cubist 模型的交叉驗(yàn)證結(jié)果如表4 所示，在不同土層深度下，RF 模型的預(yù)測(cè)效果均優(yōu)于Cubist 模型，可以解釋不同土層TN 含量的空間變化范圍（39%～59%），且具有較高的R2 和較低的RMSE 和MAE。因此選用該RF 模型對(duì)林場(chǎng)土壤TN 的分布格局進(jìn)行預(yù)測(cè)并制圖。對(duì)于0～10 cm 土層TN，RF 模型的解釋率超過(guò)50%，而對(duì)30～50 cm 土層TN 則表現(xiàn)出較低的預(yù)測(cè)性能（R²=0.39），RMSE 和MAE 也隨土層深度的增加而增大，這可能是因?yàn)橛糜诮⑴c土壤屬性關(guān)系的環(huán)境協(xié)變量多采集于地表，環(huán)境協(xié)變量的解釋能力隨著土層深度的增加而降低所致。

2.4 林場(chǎng)土壤全氮制圖及不確定性分布圖

由圖3 可知，0～10 cm 土層TN 含量預(yù)測(cè)值變化范圍為1.08～5.89 g/kg，均值2.87 g/kg；10～30 cm土層TN 預(yù)測(cè)值變化范圍為0.64～4.37 g/kg，均值1.84 g/kg；30～50 cm 土層TN 預(yù)測(cè)值變化范圍為0.58～3.74 g/kg，均值1.28 g/kg。土壤全氮的平均含量隨土層深度的不斷增加而降低。預(yù)測(cè)的3 個(gè)土層深度TN 含量空間分布的總體變化趨勢(shì)基本一致，均表現(xiàn)為西部、北部和中部低，西南、東南和東部高的空間格局，且與海拔的變化特征大致相符。

由圖4 可知，RF 模型預(yù)測(cè)土壤TN 的標(biāo)準(zhǔn)差的平均值隨土層深度的增加不斷提高，依次為0.013、0.018 和0.019 g/kg，即使是標(biāo)準(zhǔn)差的最大值（0.032、0.035 和0.036 g/kg）仍較低，總體上RF 模型的預(yù)測(cè)不確定性很低。

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

基于研究區(qū)土壤TN 的預(yù)測(cè)數(shù)據(jù)和提取的環(huán)境協(xié)變量數(shù)據(jù)，使用RF 模型繪制了土壤TN 對(duì)各環(huán)境協(xié)變量的響應(yīng)曲線（圖5），用于表征土壤TN 與各環(huán)境協(xié)變量之間的關(guān)系。由圖5 可知，土壤TN 與各環(huán)境協(xié)變量呈差異較大的非線性關(guān)系，不同土層深度土壤TN 與各變量之間的響應(yīng)曲線在趨勢(shì)上大體相同。總體來(lái)看，土壤TN 含量隨海拔和年平均降水量的增大而增加，隨年平均氣溫的增大而減小，這與Pearson 相關(guān)分析結(jié)果基本一致。土壤TN 與坡向和y 坐標(biāo)表現(xiàn)為波動(dòng)變化趨勢(shì)。土壤TN 與歸一化植被指數(shù)之間的響應(yīng)曲線較為特殊，隨著歸一化植被指數(shù)的增大，土壤TN 先升高達(dá)到第一個(gè)峰值后迅速下降，再逐步上升到第二個(gè)峰值后遞減，這可能是由于人工林和天然林2 種林分類型的差異造成土壤TN與歸一化植被指數(shù)之間呈復(fù)雜的響應(yīng)關(guān)系。

2.6 環(huán)境協(xié)變量對(duì)土壤全氮影響的重要性

使用RF 算法中環(huán)境協(xié)變量的節(jié)點(diǎn)純度表征對(duì)應(yīng)環(huán)境協(xié)變量的相對(duì)重要性。由圖6 可知，3 個(gè)土層深度TN 含量的分布格局基本一致。海拔對(duì)林場(chǎng)土壤TN 含量影響最大，其他依次為：歸一化植被指數(shù)gt;年平均降水量gt;年平均氣溫gt;y 坐標(biāo)gt;坡向。旺業(yè)甸實(shí)驗(yàn)林場(chǎng)海拔877～1 890 m，四周向中部逐漸遞減，西南、東南和東部土壤在海拔高度的影響下人為干擾較少且水熱條件較好［19］，分解和轉(zhuǎn)化有機(jī)質(zhì)的細(xì)菌的活性和種類在低溫下受到限制［20］，土壤氮素得到累積；中部和北部主要為居民區(qū)，處于低海拔地區(qū)，同時(shí)植被覆蓋較差，不利于土壤氮素的累積。

3 討論

本研究在地形復(fù)雜的林場(chǎng)尺度下，對(duì)旺業(yè)甸實(shí)驗(yàn)林場(chǎng)147 個(gè)樣點(diǎn)，結(jié)合海拔、歸一化植被指數(shù)、年平均氣溫、年平均降水量、坡向和y 坐標(biāo)等環(huán)境變量，利用RF 模型和Cubist 模型對(duì)0～10、10～30 和30～50cm 3 個(gè)土層深度土壤TN 含量的空間分布進(jìn)行預(yù)測(cè)，并使用十折交叉驗(yàn)證方法進(jìn)行驗(yàn)證，同時(shí)探究影響土壤全氮空間分布的主要變量。結(jié)果顯示：①0～10、10～30 和30～50 cm 土層實(shí)測(cè)TN 含量隨著土層深度的增加逐漸減??；②相較于Cubist 模型，RF 模型能更好地預(yù)測(cè)3 個(gè)土層深度土壤TN 含量的空間分布，能解釋39%～59% 的土壤TN 空間變異；③用RF 模型預(yù)測(cè)土壤TN 含量，不同土層深度TN 含量均呈現(xiàn)西部、北部和中部低，西南、東南和東部高的空間格局；④土壤TN 受到多種環(huán)境變量的綜合影響，海拔是影響該林場(chǎng)土壤TN 含量空間分布格局的最主要因素，其他依次為：歸一化植被指數(shù)gt;年平均降水量gt;年平均氣溫gt;y 坐標(biāo)gt;坡向。環(huán)境變量對(duì)土壤TN 的影響隨土層深度增加而減小。

在所有環(huán)境協(xié)變量中，地形變量對(duì)研究區(qū)內(nèi)土壤TN 含量空間分布的影響最大。這是因?yàn)閷?duì)于小尺度數(shù)字土壤制圖研究，地形變量不僅可以描述地形屬性和地貌部位信息，也可以反映主要由地形地貌變化引起的局部小氣候差異對(duì)土壤形成的影響，通常是小尺度下土壤屬性空間變異的主導(dǎo)因素［21］。地形是土壤形成的五大自然因素之一，對(duì)土壤TN 的影響主要體現(xiàn)在影響地表植被分布和水熱交換這2個(gè)方面［22-23］。本研究發(fā)現(xiàn)，在所有地形變量中，海拔在預(yù)測(cè)旺業(yè)甸實(shí)驗(yàn)林場(chǎng)土壤TN 空間分布的過(guò)程中發(fā)揮最重要的作用，旺業(yè)甸實(shí)驗(yàn)林場(chǎng)屬中山山地地形，海拔高度差近1000 m，地理坐標(biāo)的改變會(huì)使森林組成產(chǎn)生較大的垂直地帶性變化，進(jìn)而影響土壤TN含量，與前人的研究結(jié)果一致［24-26］。氣溫隨海拔下降而上升，直接導(dǎo)致土壤溫度升高，促進(jìn)土壤微生物的活性，Yu 等［27］研究表明森林土壤反硝化作用產(chǎn)生氣態(tài)氮損失隨溫度的升高而增加，減少了土壤TN 的積累，導(dǎo)致不同海拔條件下TN 含量存在差異。降水量隨海拔的升高而上升，致使土壤水分含量增加，厭氧條件下微生物分解能力降低，有利于氮素積累。坡向主要制約土壤水熱條件，進(jìn)而對(duì)TN 含量產(chǎn)生影響［28］。在北半球，南坡比北坡受到更多的太陽(yáng)輻射，植被蒸騰作用強(qiáng)烈，因此南坡水分蒸發(fā)快，土壤水分少，植被覆蓋性差，土壤氮素積累較少，同時(shí)南坡的強(qiáng)烈光照使土壤溫度較高，土壤TN 的礦化速率加快，不利于氮素積累。響應(yīng)曲線顯示，旺業(yè)甸實(shí)驗(yàn)林場(chǎng)土壤TN 隨坡向的增加呈現(xiàn)出先減小后增加的變化趨勢(shì)，這是因?yàn)殡S著坡向值的增加，坡向由正北方向沿順時(shí)針再次返回到正北方向。

地理坐標(biāo)對(duì)土壤TN 也有一定的影響，y 坐標(biāo)與土壤TN 呈負(fù)相關(guān)，表明研究區(qū)南部的土壤TN 含量比研究區(qū)北部的要高。響應(yīng)曲線則表現(xiàn)出隨y 坐標(biāo)的增大，土壤TN 先迅速下降，再表現(xiàn)出有波動(dòng)的緩慢下降趨勢(shì)，這與該地區(qū)復(fù)雜的地形有關(guān)。研究區(qū)南部為高海拔地區(qū)，基本不含居民區(qū)，而隨著緯度的增加，地域逐漸開(kāi)闊，密集的居民區(qū)也增加了人為因素對(duì)土壤TN 的影響，土壤TN 的變化范圍也隨之?dāng)U大。

一般情況下，在小尺度上，大生物氣候因素對(duì)土壤屬性空間變異的影響基本一致，但由于研究區(qū)內(nèi)海拔梯度陡峭，在短距離內(nèi)形成了溫度和濕度等非生物因素梯度導(dǎo)致研究區(qū)生態(tài)系統(tǒng)更容易受到氣候因素的影響［29］。年平均降水量對(duì)土壤TN 的空間分布具有較強(qiáng)的影響，本研究區(qū)年平均降水量的極差高達(dá)105 mm，差異明顯，降水豐富將有效增加土壤含水量，進(jìn)而增加土壤TN 的積累。研究區(qū)年平均氣溫的極差為3.9 ℃，差異較小，對(duì)于土壤TN 含量的空間分布的影響較弱。

在本研究中，生物變量對(duì)土壤TN 的影響僅次于地形變量。NDVI 數(shù)據(jù)表征植被生長(zhǎng)狀況和植被覆蓋度等植被活動(dòng)［30-31］。Pearson 相關(guān)分析結(jié)果表示，土壤TN 與NDVI 呈顯著的負(fù)相關(guān)關(guān)系，這與前人的研究結(jié)果不一致［32］，究其原因可能是研究區(qū)為小尺度的林場(chǎng)，有林地面積超過(guò)83%，人工林和天然林面積相近，而人工林林分密度大，郁閉度大，因此具有較高的NDVI。Chen 等［33］研究指出樹(shù)木多樣性與土壤N 積累具有正相關(guān)關(guān)系。以自然更新為主的天然林群落結(jié)構(gòu)復(fù)雜，具有豐富的枯落物，枯落物直接歸還的有機(jī)質(zhì)多，有利于土壤氮素積累，因此，天然林土壤TN 含量高于人工林，NDVI 高的地區(qū)土壤TN 低。

RF 模型在0～10 cm 土層深度精度指標(biāo)值均優(yōu)于10～30、30～50 cm 土層深度。模型對(duì)土壤屬性空間分布的預(yù)測(cè)精度主要受環(huán)境的復(fù)雜性、土壤屬性的空間變異性和模型的預(yù)測(cè)性能的影響［34］。人為活動(dòng)會(huì)在土壤表層產(chǎn)生相對(duì)均勻的環(huán)境，同時(shí)本研究最終選定的用于與土壤TN 建立關(guān)系的環(huán)境協(xié)變量大多數(shù)是從地表收集的，這些因素有助于提高模型在0～10 cm 土層深度的預(yù)測(cè)精度。在一般情況下，深層土壤環(huán)境復(fù)雜，模型的預(yù)測(cè)性能較低。土壤屬性在垂直梯度上的分布及環(huán)境因素對(duì)其控制性影響仍是土壤學(xué)研究的重點(diǎn)，故應(yīng)加強(qiáng)對(duì)深層土壤環(huán)境的研究并提高深層土壤屬性的預(yù)測(cè)精度。

本研究在構(gòu)建土壤TN 含量的預(yù)測(cè)模型時(shí)，在環(huán)境協(xié)變量的選擇上未包含對(duì)土壤TN 含量影響較強(qiáng)的土壤其他屬性（pH、有機(jī)質(zhì)、速效鉀等），土壤數(shù)據(jù)多是通過(guò)不同制圖方法獲取，本身存在誤差和不確定性，進(jìn)而可能影響土壤TN 含量預(yù)測(cè)的準(zhǔn)確性；在土壤TN 制圖時(shí)未考慮人為因素的影響，林場(chǎng)的業(yè)務(wù)涉及森林經(jīng)營(yíng)、種苗培育、木材生產(chǎn)和旅游開(kāi)發(fā)等人類活動(dòng)，而本研究選取的環(huán)境協(xié)變量多為自然因素，缺乏能很好表征人為因素的變量，未來(lái)若可以將林場(chǎng)經(jīng)營(yíng)模式、采伐強(qiáng)度等因素納入模型中，可進(jìn)一步完善林場(chǎng)土壤屬性預(yù)測(cè)模型；研究區(qū)內(nèi)天然林土壤TN 明顯高于人工林，若后期能獲取該林場(chǎng)林分類型數(shù)據(jù)，設(shè)置啞變量結(jié)合其他環(huán)境變量數(shù)據(jù)進(jìn)行模型建模，可能會(huì)在一定程度上提高模型預(yù)測(cè)效果和精度。

（責(zé)任編輯：葛曉霞）