基于多源环境变量和随机森林的橡胶园土壤全氮含量预测

土壤全氮与土壤肥力和土壤氮循环紧密相关。掌握土壤全氮详细的空间分布信息对提高土壤肥力管理效率和更好地了解土壤氮循环至关重要。该文以儋州国营橡胶园为研究区域，采集2511个土壤样品，利用随机森林（random forest， RF）、逐步线性回归（stepwise linear regression，SLR）、广义加性混合模型（generalized additive mixed model，GAMM）以及分类回归树（classification and regression tree，CART）结合多源环境变量（成土母质、平均降雨量、平均气温和归一化植被指数）对研究区橡胶园土壤全氮含量进行空间...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 31; no. 5; pp. 194 - 202
Main Author 郭澎涛 李茂芬 罗微 林清火 唐群锋 刘志崴
Format Journal Article
LanguageChinese
Published 中国热带农业科学院橡胶研究所,儋州,571737%中国热带农业科学院科技信息研究所,儋州,571737%海南农垦科学院,海口,570206 2015
Subjects
区域尺度
土壤
数字土壤制图
橡胶树
氮
空间分布
肥力
降雨
橡胶树
regional scale
nitrogen
fertility
降雨
rubber tree
氮
spatial distribution
土壤
precipitation
数字土壤制图
肥力
digital soil mapping
区域尺度
soils
空间分布
Online AccessGet full text
ISSN1002-6819
DOI10.3969/j.issn.1002-6819.2015.05.028

Cover

More Information
Summary:土壤全氮与土壤肥力和土壤氮循环紧密相关。掌握土壤全氮详细的空间分布信息对提高土壤肥力管理效率和更好地了解土壤氮循环至关重要。该文以儋州国营橡胶园为研究区域，采集2511个土壤样品，利用随机森林（random forest， RF）、逐步线性回归（stepwise linear regression，SLR）、广义加性混合模型（generalized additive mixed model，GAMM）以及分类回归树（classification and regression tree，CART）结合多源环境变量（成土母质、平均降雨量、平均气温和归一化植被指数）对研究区橡胶园土壤全氮含量进行空间预测，并通过754个独立验证点比较了4种模型的预测精度。结果表明RF对土壤全氮的预测值和实测值的相关系数（0.82）明显高于SLR（0.68）、GAMM（0.70）和CART（0.69），而RF的预测平均绝对误差（0.08836 g/kg）和均方根误差（0.13090 g/kg）均低于SLR、GAMM和CART。此外，RF模型预测结果能反映更为详细的局部土壤全氮含量空间变化信息，与实际情况更为接近。可见，RF模型可作为橡胶园土壤全氮含量空间分布预测的高效方法，为其他土壤属性的空间分布预测提供了一种新的方法。
Bibliography:Soil total nitrogen （STN） plays an important role in soil fertility and N cycle. Detailed information about the spatial distribution of STN is vital to effective management of soil fertility and better understanding of the process of N cycle. To date, however, few studies have been conducted to digitally map the spatial variation of STN for rubber （Hevea brasiliensis） plantation at the regional scale in Hainan Island, China. In this study, a relatively new method, random＆amp;nbsp;forest （RF） was proposed to predict and map the spatial pattern of STN for the rubber plantation. A total of 2511 topsoil （0-20 cm） samples were collected, and their STN contents were measured. Then these soil samples were randomly divided into calibration dataset （1757 soil samples） and validation dataset （754 soil samples）. Fourteen environmental variables were also collected. They are parent materials, mean precipitation, mean temperature, mean normalized difference vegetation index, elevation, slope, aspect, horizontal curvature,
ISSN:1002-6819
DOI:10.3969/j.issn.1002-6819.2015.05.028