基于地形因子和隨機(jī)森林的丘陵區(qū)農(nóng)田土壤有效鐵空間分布預(yù)測*

楊其坡, 武 偉, 劉洪斌**

?

基于地形因子和隨機(jī)森林的丘陵區(qū)農(nóng)田土壤有效鐵空間分布預(yù)測*

楊其坡1,3, 武 偉2,3, 劉洪斌1,3**

(1. 西南大學(xué)資源環(huán)境學(xué)院 重慶 400716; 2. 西南大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院 重慶 400715; 3. 重慶市數(shù)字農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室 重慶 400716)

為了掌握丘陵地區(qū)農(nóng)田土壤有效鐵含量及其空間分布, 本文以重慶市江津區(qū)永興鎮(zhèn)內(nèi)同源成土母質(zhì)的典型丘陵(2 km2)為研究區(qū), 采集309個土壤樣點(diǎn), 利用普通克里格(Ordinary Kriging, OK)、多元線性回歸(Multiple Linear Regression, MLR)、隨機(jī)森林(Random Forest, RF)模型, 結(jié)合高程、坡度、坡向、谷深、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)、地形濕度指數(shù)等地形因子對土壤有效鐵進(jìn)行空間分布預(yù)測, 并通過85個驗(yàn)證點(diǎn)評價、篩選預(yù)測模型。結(jié)果表明: 1)土壤有效鐵與谷深、地形濕度指數(shù)存在極顯著水平正相關(guān)關(guān)系,與坡度、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)存在極顯著水平負(fù)相關(guān)關(guān)系。2)隨機(jī)森林模型的預(yù)測精度明顯高于多元線性回歸和普通克里格插值, 其平均絕對誤差為22.33 mg·kg-1、均方根誤差為27.98 mg·kg-1、決定系數(shù)為0.76, 是研究區(qū)土壤有效鐵含量空間分布的最適預(yù)測模型。3)地形濕度指數(shù)和坡度是影響該區(qū)域土壤有效鐵含量空間分布的主要地形因子。土壤有效鐵與坡度、谷深、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)、地形濕度指數(shù)均達(dá)到極顯著水平相關(guān)關(guān)系。4)研究區(qū)土壤有效鐵含量范圍為3.00~276.97 mg×kg-1, 水田有效鐵含量大于旱地; 土壤有效鐵具有較強(qiáng)的空間相關(guān)性, 土壤有效鐵含量空間變異主要受到結(jié)構(gòu)性因素的影響?？梢? 基于地形因子的隨機(jī)森林預(yù)測模型可以較好地解釋丘陵區(qū)農(nóng)田土壤有效鐵含量的空間變異, 研究結(jié)果為丘陵區(qū)土壤中、微量元素含量及空間分布預(yù)測提供方法借鑒和理論依據(jù)。

地形因子; 隨機(jī)森林模型; 土壤有效鐵; 空間分布; 丘陵區(qū)農(nóng)田

鐵是植物體內(nèi)細(xì)胞色素和酶的重要組成部分, 在植物光合、呼吸等代謝過程中發(fā)揮著重要作用, 進(jìn)而影響作物的產(chǎn)量與品質(zhì)[1-3]。土壤有效鐵可以被植物直接吸收利用, 是土壤對植物供鐵能力的重要參考依據(jù)[4]。土壤有效鐵含量及其空間分布受到成土母質(zhì)、氣候、地形、土壤養(yǎng)分和土壤耕作方式等很多因素的影響[5-7], 造成了區(qū)域土壤有效鐵含量變化幅度較大, 影響植物的正常生長。丘陵是一種分布比較廣泛的地貌類型, 精準(zhǔn)預(yù)測丘陵區(qū)土壤有效鐵含量和空間分布, 了解土壤有效鐵含量空間變異特征及其與地形之間的關(guān)系, 對土壤地力評價和農(nóng)用地利用規(guī)劃具有極大的指導(dǎo)意義。然而, 當(dāng)前對于丘陵區(qū)土壤有機(jī)質(zhì)和大量元素的空間分布預(yù)測研究較多[8-9], 針對土壤有效鐵的相關(guān)研究主要集中于空間特征分析。例如, 廖琴等[10]研究了農(nóng)田耕層區(qū)土壤有效鐵的空間變異特征及分布規(guī)律, 杜鵑等[11]對耕層土壤有效鐵的豐缺狀況和空間變異特征進(jìn)行了研究, 劉永紅等[12]綜合評價了土壤有效鐵的空間格局變異特征。

至今, 土壤屬性空間預(yù)測的方法已經(jīng)由傳統(tǒng)土壤制圖發(fā)展到數(shù)字化土壤制圖, 主要包括: 地統(tǒng)計(jì)方法[13]、線性回歸模型[14-15]和機(jī)器語言算法[16-18]。地統(tǒng)計(jì)學(xué)方法[19]在土壤屬性空間預(yù)測中是以區(qū)域化變量為基礎(chǔ), 空間相關(guān)和變異函數(shù)為工具的數(shù)學(xué)地質(zhì)方法[20]。但是有時實(shí)際情況不符合二階平穩(wěn)或內(nèi)蘊(yùn)假設(shè)條件, 造成不能可靠地應(yīng)用地統(tǒng)計(jì)學(xué)來研究土壤屬性空間預(yù)測的問題[21]; 構(gòu)建線性回歸模型的前提條件是土壤屬性與預(yù)測變量之間的關(guān)系是線性的, 然而實(shí)際情況中兩者的關(guān)系往往是非線性且復(fù)雜的[22]; 機(jī)器語言算法: 例如, 決策樹(Decision Trees, DT)[23]、支持向量機(jī)(Support Vector Machine, SVM)[24]、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks, BPNN)[25]等, 近年來也被應(yīng)用于土壤屬性制圖。然而這些模型易出現(xiàn)過度擬合[26-27]等缺陷。隨機(jī)森林模型也屬于機(jī)器語言算法的一種, 它的出現(xiàn)在一定程度上克服了上述缺陷, 提高了預(yù)測精度, 是對土壤屬性空間預(yù)測方法的有效改進(jìn)和及時補(bǔ)充。郭澎濤等[28]利用隨機(jī)森林模型結(jié)合環(huán)境變量對土壤全氮進(jìn)行空間預(yù)測, 其預(yù)測精度顯著高于逐步線性回歸模型、廣義加性混合模型以及分類回歸樹模型。王茵茵等[29]利用遙感數(shù)據(jù)提取輔助環(huán)境因子結(jié)合隨機(jī)森林算法對丘陵區(qū)表層土壤有機(jī)質(zhì)進(jìn)行空間預(yù)測, 結(jié)果顯示隨機(jī)森林模型在復(fù)雜地貌區(qū)的預(yù)測更有效。

在一定區(qū)域尺度內(nèi), 氣候、成土母質(zhì)等結(jié)構(gòu)因素相對一致, 地形對水熱條件起到重分配作用并影響土壤發(fā)育[30], 是引起土壤屬性空間變異的主要影響因素[31-32]。因此, 近年來, 很多關(guān)于土壤屬性預(yù)測的研究都會考慮地形因子作為重要預(yù)測變量。連綱等[33]應(yīng)用地形因子和遙感指數(shù), 分析土壤屬性與環(huán)境的關(guān)系并進(jìn)行空間預(yù)測; Grimm等[34]以地形因子和成土母質(zhì)等環(huán)境因子為輔助變量對土壤有機(jī)碳進(jìn)行了預(yù)測; 張素梅等[35]利用地形因子和植被指數(shù)建立了土壤養(yǎng)分空間分布預(yù)測模型。

本研究旨在僅以地形因子為預(yù)測變量, 利用隨機(jī)森林模型對丘陵區(qū)土壤有效鐵含量進(jìn)行空間分布預(yù)測, 為丘陵區(qū)土壤中、微量元素的空間分布預(yù)測提供方法借鑒和理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本文以重慶市江津區(qū)永興鎮(zhèn)內(nèi)一個典型丘陵地帶為研究區(qū), 經(jīng)緯度區(qū)間為106°10′09″~106°09′27″E, 29°00′09″~29°00′10″N, 面積約為2 km2。研究區(qū)屬于亞熱帶季風(fēng)氣候區(qū), 年平均氣溫18 ℃, 年日照時數(shù)1 253 h, 年降水量900 mm, 無霜期335 d。研究區(qū)為丘陵地貌, 海拔238~328 m。研究區(qū)成土母質(zhì)為侏羅系沙溪廟組紫色砂頁巖, 土地利用類型70%以上為耕地, 主要是旱地和水田。按照土壤發(fā)生分類, 旱地的土壤類型是紫色土類、中性紫色土亞類、灰棕紫泥土屬; 水田土壤類型是水稻土類、潛育水稻土亞類、潛育紫泥田土屬。

1.2 土壤樣品采集與化學(xué)分析

結(jié)合地形圖和1∶1 000土地利用現(xiàn)狀圖, 依據(jù)均勻性、代表性原則, 按照全國耕地地力調(diào)查與質(zhì)量評價技術(shù)規(guī)程在研究區(qū)農(nóng)田進(jìn)行布點(diǎn), 在不同地形部位和坡向均要布設(shè)采樣點(diǎn), 土壤樣點(diǎn)共309個(旱地258個, 水田51個), 樣點(diǎn)分布如圖1所示。2014年11月進(jìn)行土樣采集, 并記錄土壤采樣點(diǎn)坐標(biāo)等信息, 每個樣點(diǎn)在同一樣地中按照“S”形線路采樣, 取10鉆(0~20 cm)耕作層土樣用四分法混勻成約1 kg樣品。將樣品帶回實(shí)驗(yàn)室風(fēng)干、研磨、過篩, 采用DTPA溶液浸提-原子吸收光譜法測定樣品有效鐵的含量[36]。

圖1 研究區(qū)DEM、土地利用及樣點(diǎn)分布圖

1.3 地形因子的提取

根據(jù)研究區(qū)尺度、地貌等信息, 實(shí)地測量獲得研究區(qū)6 373個高程點(diǎn)和等高距為1 m的地形圖。在ArcGIS中, 使用3D Analyst模塊, 以高程點(diǎn)、等高線為輸入變量創(chuàng)建TIN表面, 依據(jù)TIN表面生成2 m分辨率的數(shù)字高程模型(Digital Elevation Model, DEM)。借鑒地形與土壤養(yǎng)分的相關(guān)研究[37], 本文選擇9個地形因子: 高程(elevation, Ele)、坡度(slope, Slo)、坡向(aspect, Asp)、谷深(valley depth, Vd)、平面曲率(horizontal curvature, Hc)、剖面曲率(profile curvature, Pc)、匯聚指數(shù)(convergence index, Ci)、相對坡位指數(shù)(relation position index, Rpi)、地形濕度指數(shù)(topographic wetness index, Twi)。各地形因子含義見文獻(xiàn)[38]。運(yùn)用SimDTA軟件[39]提取地形因子。參考DEM空間分辨率與地形信息之間關(guān)系[40-41]的相關(guān)研究, 對原始DEM進(jìn)行重采樣, 對比不同DEM分辨率(2 m、5 m、10 m、15 m、30 m)提取的地形因子對預(yù)測結(jié)果的影響, 當(dāng)DEM空間分辨率為2 m時, 模型的預(yù)測精度最高, 所以本文選擇2 m空間分辨率的DEM。

1.4 預(yù)測模型

1.4.1 普通克里格

普通克里格(Ordinary Kriging, OK)是地統(tǒng)計(jì)學(xué)的主要內(nèi)容之一, 以變異函數(shù)理論及結(jié)構(gòu)分析為基礎(chǔ), 根據(jù)已知采樣點(diǎn)數(shù)據(jù)的線性組合, 在一定區(qū)域內(nèi)進(jìn)行區(qū)域化變量取值的無偏最優(yōu)估計(jì)[42]。

式中:*(0)表示待估點(diǎn)0的值,(x)表示第個有效觀測值(=1, 2, 3, …,),λ是通過半變異函數(shù)生成的權(quán)重且=1。

1.4.2 多元線性回歸

多元線性回歸(Multiple Linear Regression, MLR)是基于普通最小二乘法, 以多個解釋變量的給定數(shù)據(jù)值為條件, 研究一個因變量與多個自變量之間的線性關(guān)系[43], 普遍應(yīng)用于土壤養(yǎng)分空間分布預(yù)測, 其表達(dá)式為:

(2)

1.4.3 隨機(jī)森林模型

隨機(jī)森林(Random Forest, RF)是一種基于分類樹的多功能機(jī)器語言學(xué)習(xí)算法, 運(yùn)用bootstrap重抽樣法從原始樣本中隨機(jī)抽取多個樣本進(jìn)行決策樹模型的構(gòu)建, 通過對多棵決策樹的預(yù)測進(jìn)行投票得到最終結(jié)果。隨機(jī)森林回歸時對數(shù)據(jù)分布、數(shù)據(jù)類型、數(shù)據(jù)結(jié)構(gòu)沒有要求, 并對噪聲和異常值有良好的容忍度, 并且不容易有過度擬合的狀況[44]。

1.5 半方差函數(shù)

半方差函數(shù)是研究土壤屬性變異性的函數(shù), 可以確定土壤屬性的空間相關(guān)性[45], 其表達(dá)式為:

(3)

式中:()表示間距為的點(diǎn)對之間的平均半方差,()表示距離為時的點(diǎn)對數(shù)量,(x)則表示點(diǎn)x的觀測值。

1.6 預(yù)測模型構(gòu)建及精度評價

本研究隨機(jī)選擇224個采樣點(diǎn)(旱地190個, 水田34個)作為訓(xùn)練集用于預(yù)測模型的構(gòu)建, 余下85個樣點(diǎn)(旱地68個, 水田17個)作為驗(yàn)證集用來評價模型的預(yù)測精度。普通克里格方法根據(jù)已知點(diǎn)數(shù)據(jù)估計(jì)待測點(diǎn), 不需要加入預(yù)測變量。根據(jù)半方差分析得到的指數(shù)模型, 在ArcGIS軟件中進(jìn)行插值。多元線性回歸通過SPSS軟件計(jì)算, 隨機(jī)森林模型使用R軟件中RandomForest包[46]進(jìn)行模擬, 隨機(jī)森林中參數(shù)ntree(決策樹的數(shù)量)和mtry(每次樹重建時節(jié)點(diǎn)分裂的次數(shù))最終設(shè)定分別為150、3。

模型預(yù)測精度的評價指標(biāo)包括: 平均絕對誤差(mean absolute error, MAE)、均方根誤差(root mean square error, RMSE)和決定系數(shù)(coefficient of determination,2)。MAE、RMSE越小,2越大, 表明模型預(yù)測精度越高。相關(guān)計(jì)算公式如下:

(4)

(5)

2 結(jié)果與分析

2.1 土壤有效鐵描述性統(tǒng)計(jì)

研究區(qū)土壤有效鐵含量統(tǒng)計(jì)結(jié)果見表1。訓(xùn)練集土壤有效鐵含量范圍(3.00~276.97 mg·kg-1)稍大于驗(yàn)證集(4.20~208.38mg·kg-1), 訓(xùn)練集土壤有效鐵含量的標(biāo)準(zhǔn)差(57.35 mg·kg-1)偏高于驗(yàn)證集(53.85 mg·kg-1)。方差分析結(jié)果表明訓(xùn)練集與驗(yàn)證集土壤有效鐵含量差異不顯著, 表明訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)對研究區(qū)土壤有效鐵含量都具有較好的代表性。訓(xùn)練集和驗(yàn)證集的土壤有效鐵變異系數(shù)均大于1, 說明各采樣點(diǎn)之間土壤有效鐵含量存在明顯差異, 屬于強(qiáng)變異性, 與徐小遜等[47]采用地統(tǒng)計(jì)學(xué)方法研究沱江中游耕層土壤有效鐵的空間分布時結(jié)果類似。訓(xùn)練集和驗(yàn)證集土壤有效鐵含量的偏度都大于1, K-S檢驗(yàn)結(jié)果值小于0.05, 表明研究區(qū)土壤有效鐵含量不服從正態(tài)分布, 對數(shù)轉(zhuǎn)換后的土壤有效鐵服從正態(tài)分布, 可用于多重線性回歸模擬和普通克里格插值。

表1 研究區(qū)采樣點(diǎn)土壤有效鐵含量描述性統(tǒng)計(jì)

2.2 土壤有效鐵的半方差分析

本研究中根據(jù)土壤有效鐵含量的統(tǒng)計(jì)結(jié)果, 應(yīng)用GS+軟件進(jìn)行半方差計(jì)算, 得到半方差最優(yōu)擬合模型及特征參數(shù)見表2。表中塊基比即基底效應(yīng), 表示數(shù)據(jù)的空間相關(guān)性強(qiáng)弱。該值小于25%為較強(qiáng)的空間相關(guān)性, 大于75%為較弱的空間相關(guān)性, 介于25%~75%表示中等空間自相關(guān)。土壤有效鐵的基底效應(yīng)為14.5%, 說明具有較強(qiáng)的空間相關(guān)性, 表明采樣點(diǎn)之間土壤有效鐵含量的差異主要受到結(jié)構(gòu)性因素的影響, 如氣候、成土母質(zhì)、地形等。因?yàn)樵撗芯繀^(qū)屬小尺度丘陵區(qū)域, 成土母質(zhì)相同、氣候條件一致, 所以表明地形是影響土壤有效鐵空間分布的主要因素。

表2 研究區(qū)土壤有效鐵的半方差模型參數(shù)

2.3 土壤有效鐵含量與地形因子的相關(guān)性

表3為土壤有效鐵與地形因子之間的相關(guān)性。土壤有效鐵與坡度、谷深、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)、地形濕度指數(shù)均達(dá)到極顯著水平相關(guān)關(guān)系, 表明在研究區(qū)土壤有效鐵受地形因素的影響明顯。土壤有效鐵與谷深、地形濕度指數(shù)存在極顯著水平正相關(guān)關(guān)系, 相關(guān)系數(shù)分別是0.298、0.592, 表明在地勢低、土壤含水量大的區(qū)域有利于土壤有效鐵的積累; 土壤有效鐵與坡度、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)存在極顯著水平負(fù)相關(guān)關(guān)系, 相關(guān)系數(shù)分別是-0.371、-0.327、-0.228、-0.174、-0.428, 表明在地勢高、起伏大的區(qū)域, 土壤有效鐵的含量較低。

表3 研究區(qū)土壤有效鐵含量與地形因子的相關(guān)性

表中數(shù)據(jù)為訓(xùn)練集統(tǒng)計(jì)分析結(jié)果。*和**表明地形因子與土壤有效鐵含量的相關(guān)性達(dá)顯著(<0.05)和極顯著(<0.01)水平。Data in the table are the results calculated based on the data of calibration samples. * and ** stand for that the relationships between terrain attributes and soil available iron content are significant at< 0.05 and< 0.01, respectively.

2.4 土壤有效鐵含量在不同土地利用類型的對比

表4為土壤有效鐵在研究區(qū)不同土地利用類型的對比。由表可知, 旱地樣本數(shù)(190個)遠(yuǎn)遠(yuǎn)大于水田(34個), 這是因?yàn)楹档嘏c水田相比地形較復(fù)雜, 地塊小且破碎, 旱地土壤有效鐵含量的變化可能更易受地形的影響。經(jīng)方差分析, 土壤有效鐵在水田中含量(151.04 mg·kg-1)明顯大于旱地(31.85 mg·kg-1), 且差異顯著。同時旱地土壤有效鐵的變異系數(shù)(0.95)大于水田(0.45), 但都屬于中等變異性(變異系數(shù)在0.1~1之間為中等變異), 說明在同一土地類型中各采樣點(diǎn)之間土壤有效鐵含量存在一定差異。

表4 研究區(qū)旱地和水田土壤有效鐵含量的比較

表中的數(shù)據(jù)為訓(xùn)練集統(tǒng)計(jì)分析結(jié)果。Data in the table are the results calculated based on the data of training of set.

2.5 土壤有效鐵含量模型預(yù)測精度比較

研究區(qū)土壤有效鐵含量模型預(yù)測精度通過85個采樣點(diǎn)(旱地68個, 水田17個)進(jìn)行驗(yàn)證, 結(jié)果見表5。隨機(jī)森林(RF)模型的平均絕對誤差MAE(22.33 mg·kg-1)、均方根誤差RMSE(27.98 mg·kg-1)都明顯低于普通克里格(OK)、多元線性回歸(MLR), 決定系數(shù)2(0.76)明顯高于普通克里格(OK)、多元線性回歸(MLR)。這是因?yàn)槎嘣€性回歸(MLR)模型只能擬合土壤有效鐵與地形因子之間的基本線性關(guān)系, 而對非線性關(guān)系難以預(yù)測, 制約了模型預(yù)測精度的提高; 普通克里格(OK)模型預(yù)測精度較低, 原因在于插值方法僅利用了土壤有效鐵的空間自相關(guān)性, 不能顧全研究區(qū)地形等環(huán)境的影響。隨機(jī)森林(RF)模型充分考慮了地形對土壤有效鐵的影響, 并且捕捉到了它們之間除線性之外的復(fù)雜關(guān)系, 預(yù)測精度較高。研究區(qū)土壤有效鐵含量模型預(yù)測精度結(jié)果進(jìn)一步表明了隨機(jī)森林(RF)模型自身的優(yōu)越性和利用地形因子預(yù)測小區(qū)域尺度丘陵農(nóng)田土壤有效鐵含量空間分布的可行性。

由土壤有效鐵在旱地和水田的比較可知, 不同土地利用類型(旱地、水田)的土壤有效鐵含量差異顯著, 所以構(gòu)建預(yù)測模型時需要考慮土地利用類型的影響。因?yàn)橥恋乩妙愋蛯儆诙ㄐ宰兞? 隨機(jī)森林模型相比多元線性回歸模型對定性變量具有更好的包容性, 可以較多地捕捉土地利用類型與土壤有效鐵之間的有效信息。同時通過表5的土壤有效鐵含量預(yù)測模型精度比較可知, 隨機(jī)森林模型相比多元線性回歸模型展現(xiàn)出較好的預(yù)測能力。于是挑選出具有較好預(yù)測精度的隨機(jī)森林模型, 在其預(yù)測變量中加入土地利用類型(旱地、水田)重新構(gòu)建模型, 檢驗(yàn)土地利用類型是否可以進(jìn)一步提高隨機(jī)森林模型的預(yù)測精度。基于地形和土地利用的隨機(jī)森林預(yù)測模型的平均絕對誤差(MAE)為23.77 mg·kg-1、均方根誤差(RMSE)為32.95 mg·kg-1、決定系數(shù)(2)為0.66。結(jié)果顯示隨著預(yù)測變量中土地利用類型(旱地、水田)的加入, 隨機(jī)森林模型預(yù)測精度下降。這是因?yàn)樗?、旱地的分布與地形密切相關(guān)[48-50]。土地利用類型是地形的一種綜合、整體、定性表現(xiàn)形式, 水田、旱地對其他地形因子造成了干擾、遮蓋及共線性影響, 使得各個地形因子對模型的貢獻(xiàn)無法全部體現(xiàn), 導(dǎo)致模型預(yù)測誤差增大, 從而降低了模型的預(yù)測精度。綜合模型精度評價指標(biāo), 該研究區(qū)土壤有效鐵含量的最適模型是基于地形因子的隨機(jī)森林模型。

表5 研究區(qū)土壤有效鐵含量模型預(yù)測精度

2.6 地形因子對土壤有效鐵含量空間變異的影響

圖2展示了研究區(qū)地形因子對隨機(jī)森林土壤有效鐵含量預(yù)測模型的影響。地形作為五大成土因素之一, 影響土壤與環(huán)境之間的物質(zhì)、能量交換, 引起土壤的理化性質(zhì)和養(yǎng)分變化[51-52]。由圖可知, 影響研究區(qū)土壤有效鐵含量空間分布的主要地形因子是地形濕度指數(shù)和坡度。坡度通過影響區(qū)域降雨及入滲時間、表層土壤顆粒運(yùn)動、徑流挾沙能力和侵蝕方式等來間接影響土壤肥力特征[53-55]。地形濕度指數(shù)可定量模擬土壤水分含量狀況和徑流產(chǎn)生潛在能力, 其值越大, 代表土壤含水量越大[56-58]。由土壤有效鐵含量與地形因子的相關(guān)性分析可知, 土壤有效鐵含量與地形濕度指數(shù)呈極顯著正相關(guān)(0.592); 與坡度呈極顯著負(fù)相關(guān)(-0.371)。表明隨著坡度增加, 地表陡峭程度增加, 降雨對土壤的侵蝕程度加重, 通過淋溶作用造成土壤養(yǎng)分(土壤有效鐵、全量鐵、有機(jī)質(zhì)等)的流失嚴(yán)重。土壤全量鐵含量過低會直接導(dǎo)致有效鐵含量的不足, 同時土壤中有機(jī)質(zhì)的缺乏也會引起土壤有效鐵的缺失。隨著地形濕度指數(shù)的增加, 土壤含水量增加, 導(dǎo)致土壤空氣相對不足。在這種通氣不良的條件下, 土壤的還原性增強(qiáng), Fe3+易于轉(zhuǎn)換成Fe2+, 促進(jìn)了土壤有效鐵的增加[59-60]。

圖2 研究區(qū)土壤有效鐵含量的隨機(jī)森林自變量影響力評價

圖中IncMSE為均方誤差增加量; Slo為坡度; Twi為地形濕度指數(shù); Hc為平面曲率; Rpi為相對坡位指數(shù); Pc為剖面曲率; Ci為匯聚指數(shù); Ele為高程; Vd為谷深; Asp為坡向。In the graph, IncMSE is increase in mean squared error; Slo is the slope; Twi is the topographic wetness index; Hc is the horizontal curvature; Rpi is the relation position index; Pc is the profile curvature; Ci is the Convergence index; Ele is the elevation; Vd is the valley depth; Asp is the aspect.

2.7 土壤有效鐵空間分布預(yù)測

應(yīng)用以地形因子為自變量的隨機(jī)森林預(yù)測模型, 在ArcGIS中得到土壤有效鐵含量空間分布圖(圖3)。由圖可知, 土壤有效鐵含量分布趨勢與研究區(qū)地形密切相關(guān)。地勢陡峭的區(qū)域, 土壤有效鐵含量較低, 這是由于降雨引起的土壤侵蝕、淋溶加重, 造成土壤有效鐵和其他土壤養(yǎng)分的流失, 進(jìn)而引起土壤有效鐵含量的降低。地形低洼的區(qū)域, 土壤有效鐵含量較高, 這是因?yàn)榱魇У耐寥鲤B(yǎng)分會在低洼處聚集, 進(jìn)一步積累。同時地形低洼處, 土壤含水量大, 土壤的還原性較強(qiáng), 更有利于土壤有效鐵含量的增加。

圖3 研究區(qū)土壤有效鐵含量空間分布預(yù)測圖

3 結(jié)論

本文首先以地形因子為預(yù)測變量, 通過普通克里格、多元線性回歸、隨機(jī)森林等模型對研究區(qū)土壤有效鐵的空間分布進(jìn)行預(yù)測, 篩選出結(jié)果較好的隨機(jī)森林模型。然后通過對比基于地形-土地利用的隨機(jī)森林模型, 最終得出該研究區(qū)土壤有效鐵含量的最適預(yù)測模型是基于地形因子的隨機(jī)森林模型。

1)研究區(qū)地形與土壤有效鐵含量空間分布密切相關(guān), 土壤有效鐵與坡度、谷深、平面曲率、剖面曲率、匯聚指數(shù)、相對坡位指數(shù)、地形濕度指數(shù)均達(dá)到極顯著水平相關(guān)關(guān)系。土壤有效鐵含量空間變異主要受到結(jié)構(gòu)性因素的影響。

2)利用以地形因子為自變量的土壤有效鐵含量隨機(jī)森林模型, 平均絕對誤差MAE為22.33 mg×kg-1、均方根誤差RMSE為27.98 mg×kg-1、決定系數(shù)2為0.76, 顯著優(yōu)于其他預(yù)測模型, 可以作為一種新的模型, 利用地形因子對土壤的中微量元素含量進(jìn)行空間分布預(yù)測。

3)地形濕度指數(shù)和坡度是影響該區(qū)域土壤有效鐵含量空間分布的主要地形因子。

4)隨機(jī)森林模型能較好捕捉該研究區(qū)地形因子和土壤有效鐵含量之間的關(guān)系, 可以利用地形因子解釋土壤有效鐵含量空間變異的76%, 但是預(yù)測精度有待進(jìn)一步提高。在未來的研究中, 應(yīng)該考慮加入其他環(huán)境變量并篩選預(yù)測變量進(jìn)行隨機(jī)森林模型的建模, 提高其在土壤中、微量元素空間分布的預(yù)測精度。

[1] 汪李平. 植物的鐵素營養(yǎng)及缺鐵癥的防治(綜述)[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報, 1995, 22(1): 17–22 WANG L P. Review on iron nutrition and control of iron deficiency in plants[J]. Journal of Anhui Agricultural University, 1995, 22(1): 17–22

[2] 申紅蕓, 熊宏春, 郭笑彤, 等. 植物吸收和轉(zhuǎn)運(yùn)鐵的分子生理機(jī)制研究進(jìn)展[J]. 植物營養(yǎng)與肥料學(xué)報, 2011, 17(6): 1522–1530 SHEN H Y, XIONG H C, GUO X T, et al. Progress of molecular and physiological mechanism of iron uptake and translocation in plants[J]. Plant Nutrition and Fertilizer Science, 2011, 17(6): 1522–1530

[3] 李俊成, 于慧, 楊素欣, 等. 植物對鐵元素吸收的分子調(diào)控機(jī)制研究進(jìn)展[J]. 植物生理學(xué)報, 2016, 52(6): 835–842 LI J C, YU H, YANG S X, et al. Research progress of molecular regulation of iron uptake in plants[J]. Plant Physiology Journal, 2016, 52(6): 835–842

[4] 張春梅. 古浪灌區(qū)土壤耕層有效鋅、錳、銅、鐵含量分析與評價[J]. 草業(yè)科學(xué), 2011, 28(6): 1221–1225 ZHANG C M. Analysis and evaluation of available Zn, Mn, Cu and Fe contents of topsoil in Gulang Irrigation Region[J]. Pratacultural Science, 2011, 28(6): 1221–1225

[5] 李強(qiáng), 周冀衡, 楊榮生, 等. 曲靖植煙土壤養(yǎng)分空間變異及土壤肥力適宜性評價[J]. 應(yīng)用生態(tài)學(xué)報, 2011, 22(4): 950–956 LI Q, ZHOU J H, YANG R S, et al. Soil nutrients spatial variability and soil fertility suitability in Qujing tobacco-planting area[J]. Chinese Journal of Applied Ecology, 2011, 22(4): 950–956

[6] 武婕, 李玉環(huán), 李增兵, 等. 南四湖區(qū)農(nóng)田土壤有機(jī)質(zhì)和微量元素空間分布特征及影響因素[J]. 生態(tài)學(xué)報, 2014, 34(6): 1596–1605 WU J, LI Y H, LI Z B, et al. Spatial distribution and influencing factors of farmland soil organic matter and trace elements in the Nansihu Region[J]. Acta Ecologica Sinica, 2014, 34(6): 1596–1605

[7] Jenny H. The soil resource. Origin and behavior[J]. Vegetatio, 1984, 57(2/3): 102

[8] 黃安, 楊聯(lián)安, 杜挺, 等. 基于多元成土因素的土壤有機(jī)質(zhì)空間分布分析[J]. 干旱區(qū)地理, 2015, 38(5): 994–1003 HUANG A, YANG L A, DU T, et al. Spatial distribution of the soil organic matter based on multiple soil factors[J]. Arid Land Geography, 2015, 38(5): 994–1003

[9] 李啟權(quán), 王昌全, 張文江, 等. 基于神經(jīng)網(wǎng)絡(luò)模型和地統(tǒng)計(jì)學(xué)方法的土壤養(yǎng)分空間分布預(yù)測[J]. 應(yīng)用生態(tài)學(xué)報, 2013, 24(2): 459–466 LI Q Q, WANG C Q, ZHANG W J, et al. Prediction of soil nutrients spatial distribution based on neural network model combined with goestatistics[J]. Chinese Journal of Applied Ecology, 2013, 24(2): 459–466

[10] 廖琴, 南忠仁, 王勝利, 等. 干旱區(qū)綠洲農(nóng)田土壤微量元素有效態(tài)含量空間分布特征[J]. 環(huán)境科學(xué)研究, 2011, 24(3): 273–280 LIAO Q, NAN Z R, WANG S L, et al. Spatial distribution characteristics of available microelement contents in oasis cropland soils of arid areas[J]. Research of Environmental Sciences, 2011, 24(3): 273–280

[11] 杜娟, 張永清, 周進(jìn)財(cái), 等. 堯都區(qū)耕層土壤微量元素有效態(tài)含量空間分布特征[J]. 中國農(nóng)學(xué)通報, 2014, 30(3): 162–167 DU J, ZHANG Y Q, ZHOU J C, et al. Spatial distribution characteristics of available microelements contents in irrigation-silted soil in Yaodu District[J]. Chinese Agricultural Science Bulletin, 2014, 30(3): 162–167

[12] 劉永紅, 倪中應(yīng), 謝國雄, 等. 浙西北丘陵區(qū)農(nóng)田土壤微量元素空間變異特征及影響因子[J]. 植物營養(yǎng)與肥料學(xué)報, 2016, 22(6): 1710–1718 LIU Y H, NI Z Y, XIE G X, et al. Spatial variability and impacting factors of trace elements in hilly region of cropland in northwestern Zhejiang Province[J]. Journal of Plant Nutrition and Fertilizer, 2016, 22(6): 1710–1718

[13] 史文嬌, 岳天祥, 石曉麗, 等. 土壤連續(xù)屬性空間插值方法及其精度的研究進(jìn)展[J]. 自然資源學(xué)報, 2012, 27(1): 163–175 SHI W J, YUE T X, SHI X L, et al. Research progress in soil property interpolators and their accuracy[J]. Journal of Natural Resources, 2012, 27(1): 163–175

[14] 張國平, 郭澎濤, 王正銀, 等. 紫色土丘陵地區(qū)農(nóng)田土壤養(yǎng)分空間分布預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(6): 113–120 ZHANG G P, GUO P T, WANG Z Y, et al. Prediction of spatial distribution of hilly farmland with purple soil nutrient[J]. Transactions of the CSAE, 2013, 29(6): 113–120

[15] WANG J J, CUI L J, GAO W X, et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J]. Geoderma, 2014, 216: 1–9

[16] 徐劍波, 宋立生, 夏振, 等. 基于GARBF神經(jīng)網(wǎng)絡(luò)的耕地土壤有效磷空間變異分析[J]. 農(nóng)業(yè)工程學(xué)報, 2012, 28(16): 158–165 XU J B, SONG L S, XIA Z, et al. Spatial variability of available phosphorus for cultivated soil based on GARBF neural network[J]. Transactions of the CSAE, 2012, 28(16): 158–165

[17] 石偉, 南卓銅, 李韌, 等. 基于支持向量機(jī)的典型凍土區(qū)土壤制圖研究[J]. 土壤學(xué)報, 2011, 48(3): 461–469 SHI W, NAN Z T, LI R, et al. Support vector machine based soil mapping of a typical permafrost area in the Qinghai-Tibet Plateau[J]. Acta Pedologica Sinica, 2011, 48(3): 461–469

[18] 蘆園園, 張甘霖, 趙玉國, 等. 復(fù)雜景觀環(huán)境下土壤厚度分布規(guī)則提取與制圖[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(18): 132–141 LU Y Y, ZHANG G L, ZHAO Y G, et al. Extracting and mapping of soil depth distribution rules in complex landscape environment[J]. Transactions of the CSAE, 2014, 30(18): 132–141

[19] LARK R M. Towards soil geostatistics[J]. Spatial Statistics, 2012, 1: 92–99

[20] COBURN T C. Geostatistics for natural resources evaluation[J]. Technometrics, 2000, 42(4): 437–438

[21] 徐劍波, 宋立生, 彭磊, 等. 土壤養(yǎng)分空間估測方法研究綜述[J]. 生態(tài)環(huán)境學(xué)報, 2011, 20(8/9): 1379–1386 XU J B, SONG L S, PENG L, et al. Research review on methods of spatial prediction of soil nutrients[J]. Ecology and Environmental Sciences, 2011, 20(8/9): 1379–1386

[22] 丁建麗, 王飛. 干旱區(qū)大尺度土壤鹽度信息環(huán)境建?！孕陆焐侥媳敝械秃０螞_積平原為例[J]. 地理學(xué)報, 2017, 72(1): 64–78 DING J L, WANG F. Environmental modeling of large-scale soil salinity information in an arid region: A case study of the low and middle altitude alluvial plain north and south of the Tianshan Mountains, Xinjiang[J]. Acta Geographica Sinica, 2017, 72(1): 64–78

[23] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees (CART)[J]. Biometrics, 1984, 40(3): 358

[24] BESALATPOUR A, HAJABBASI M, AYOUBI S, et al. Prediction of soil physical properties by optimized support vector machines[J]. International Agrophysics, 2012, 26(2): 109–115

[25] KOLEY S. Machine learning for soil fertility and plant nutrient management using back propagation neural networks[J]. Social Science Electronic Publishing, 2014, 2(2): 292–297

[26] DIETTERICH T. Overfitting and undercomputing in machine learning[J]. ACM Computing Surveys, 1995, 27(3): 326–327

[27] HAWKINS D M. The problem of overfitting[J]. Journal of Chemical Information and Computer Sciences, 2004, 44(1): 1–12

[28] 郭澎濤, 李茂芬, 羅微, 等. 基于多源環(huán)境變量和隨機(jī)森林的橡膠園土壤全氮含量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(5): 194–202 GUO P T, LI M F, LUO W, et al. Prediction of soil total nitrogen for rubber plantation at regional scale based on environmental variables and random forest approach[J]. Transactions of the CSAE, 2015, 31(5): 194–202

[29] 王茵茵, 齊雁冰, 陳洋, 等. 基于多分辨率遙感數(shù)據(jù)與隨機(jī)森林算法的土壤有機(jī)質(zhì)預(yù)測研究[J]. 土壤學(xué)報, 2016, 53(2): 342–354 WANG Y Y, QI Y B, CHEN Y, et al. Prediction of soil organic matter based on multi-resolution remote sensing data and random forest algorithm[J]. Acta Pedologica Sinica, 2016, 53(2): 342–354

[30] 黃昌勇. 土壤學(xué)[M]. 北京: 中國農(nóng)業(yè)出版社, 1999: 141–142 HUANG C Y. Soil Science[M]. Beijing: China Agriculture Press, 1999: 141–142

[31] 秦松, 樊燕, 劉洪斌, 等. 地形因子與土壤養(yǎng)分空間分布的相關(guān)性研究[J]. 水土保持研究, 2008, 15(1): 46–49 QIN S, FAN Y, LIU H B, et al. Study on the relations between topographical factors and the spatial distributions of soil nutrients[J]. Research of Soil and Water Conservation, 2008, 15(1): 46–49

[32] 宋軒, 李立東, 寇長林, 等. 黃水河小流域土壤養(yǎng)分分布及其與地形的關(guān)系[J]. 應(yīng)用生態(tài)學(xué)報, 2011, 22(12): 3163–3168 SONG X, LI L D, KOU C L, et al. Soil nutrient distribution and its relations with topography in Huangshui River drainage basin[J]. Chinese Journal of Applied Ecology, 2011, 22(12): 3163–3168

[33] 連綱, 郭旭東, 傅伯杰, 等. 基于環(huán)境相關(guān)法和地統(tǒng)計(jì)學(xué)的土壤屬性空間分布預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2009, 25(7): 237–242 LIAN G, GUO X D, FU B J, et al. Prediction of the spatial distribution of soil properties based on environmental correlation and geostatistics[J]. Transactions of the CSAE, 2009, 25(7): 237–242

[34] GRIMM R, BEHRENS T, M?RKER M, et al. Soil organic carbon concentrations and stocks on Barro Colorado Island-Digital soil mapping using Random Forests analysis[J]. Geoderma, 2008, 146(1/2): 102–113

[35] 張素梅, 王宗明, 張柏, 等. 利用地形和遙感數(shù)據(jù)預(yù)測土壤養(yǎng)分空間分布[J]. 農(nóng)業(yè)工程學(xué)報, 2010, 26(5): 188–194 ZHANG S M, WANG Z M, ZHANG B, et al. Prediction of spatial distribution of soil nutrients using terrain attributes and remote sensing data[J]. Transactions of the CSAE, 2010, 26(5): 188–194

[36] 鮑士旦. 土壤農(nóng)化分析[M]. 第3版. 北京: 中國農(nóng)業(yè)出版社, 2002: 47–56 BAO S D. Soil and Agricultural Chemistry Analysis[M]. 3rd ed. Beijing: China Agriculture Press, 2002: 47–56

[37] 鄧歐平, 周稀, 黃萍萍, 等. 川中紫色丘區(qū)土壤養(yǎng)分空間分異與地形因子相關(guān)性研究[J]. 資源科學(xué), 2013, 35(12): 2434–2443 DENG O P, ZHOU X, HUANG P P, et al. Correlations between spatial variability of soil nutrients and topographic factors in the purple hilly region of Sichuan[J]. Resources Science, 2013, 35(12): 2434–2443

[38] MOORE I D, GESSLER P E, NIELSEN G A, et al. Soil attribute prediction using terrain analysis[J]. Soil Science Society of America Journal, 1993, 57(2): 443–452

[39] 秦承志, 盧巖君, 包黎莉, 等. 簡化數(shù)字地形分析軟件(SimDTA)及其應(yīng)用——以嫩江流域鶴山農(nóng)場區(qū)的坡位模糊分類為例[J]. 地球信息科學(xué)學(xué)報, 2009, 11(6): 737–743 QIN C Z, LU Y J, BAO L L, et al. Simple digital terrain analysis software (SimDTA 1.0) and its application in fuzzy classification of slope positions[J]. Journal of Geo-information Science, 2009, 11(6): 737–743

[40] 呼雪梅, 秦承志. 地形信息對確定DEM適宜分辨率的影響[J]. 地理科學(xué)進(jìn)展, 2014, 33(1): 50–56 HU X M, QIN C Z. Effects of different topographic attributes on determining appropriate DEM resolution[J]. Progress in Geography, 2014, 33(1): 50–56

[41] 黃驍力, 湯國安, 劉凱. DEM分辨率對地形紋理特征提取的影響[J]. 地球信息科學(xué)學(xué)報, 2015, 17(7): 822–829 HUANG X L, TANG G A, LIU K. The influence of DEM resolution on the extraction of terrain texture feature[J]. Journal of Geo-information Science, 2015, 17(7): 822–829

[42] ZIMMERMAN D L, ZIMMERMAN M B. A comparison of spatial semivariogram estimators and corresponding ordinary kriging predictors[J]. Technometrics, 1991, 33(1): 77–91

[43] FEDOTOVA O, TEIXEIRA L, ALVELOS H. Software effort estimation with multiple linear regression: Review and practical application[J]. Journal of Information Science and Engineering, 2013, 29(5): 925–945

[44] LINDNER C, BROMILEY P A, IONITA M C, et al. Robust and accurate shape model matching using random forest regression-voting[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1862–1874

[45] GOOVAERTS P. Geostatistical tools for characterizing the spatial variability of microbiological and physico-chemical soil properties[J]. Biology and Fertility of Soils, 1998, 27(4): 315–334

[46] LIAW A, WIENER M. Breiman and Cutler’s random forests for classification and regression. R Package Version 4.6–7[R]. 2013

[47] 徐小遜, 張世熔, 余妮娜, 等. 沱江中游土壤有效鐵空間分布及其影響因素分析[J]. 西南農(nóng)業(yè)學(xué)報, 2012, 25(3): 977–981 XU X X, ZHANG S R, YU N N, et al. Soil available iron spatial distribution and influencing factors analysis based on GIS in middle reaches of Tuojiang[J]. Southwest China Journal of Agricultural Sciences, 2012, 25(3): 977–981

[48] 韓建平, 賈寧鳳. 土地利用與地形因子關(guān)系研究——以磚窯溝流域?yàn)槔齕J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2010, 18(5): 1071–1075 HAN J P, JIA N F. Relationship between topographic factor and land use — A case study of Zhuanyaogou watershed[J]. Chinese Journal of Eco-Agriculture, 2010, 18(5): 1071–1075

[49] 哈凱, 丁慶龍, 門明新, 等. 山地丘陵區(qū)土地利用分布及其與地形因子關(guān)系——以河北省懷來縣為例[J]. 地理研究, 2015, 34(5): 909–921 HA K, DING Q L, MEN M X, et al. Spatial distribution of land use and its relationship with terrain factors in hilly area[J]. Geographical Research, 2015, 34(5): 909–921

[50] 武愛彬, 劉欣, 趙艷霞. 地形因子對淺山丘陵區(qū)土地利用類型分布與轉(zhuǎn)換的影響——以燕山淺山丘陵區(qū)為例[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2014, 35(1): 103–107 WU A B, LIU X, ZHAO Y X. Influences of topographic on distribution and change of land use types in hilly region — Taking Yanshan hilly region as an example[J]. Research of Agricultural Modernization, 2014, 35(1): 103–107

[51] 張麗萍, 王小云, 張赫斯. 沙蓋黃土丘陵坡地土壤理化特性隨地形變化規(guī)律研究[J]. 地理科學(xué), 2011, 31(2): 178–183 ZHANG L P, WANG X Y, ZHANG H S. Evolution of physical and chemical characteristics of loess with different landforms in slope field under sand cover[J]. Scientia Geographica Sinica, 2011, 31(2): 178–183

[52] 徐國策, 李占斌, 李鵬, 等. 丹江鸚鵡溝小流域土壤侵蝕和養(yǎng)分損失定量分析[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(10): 160–167 XU G C, LI Z B, LI P, et al. Quantitative analysis of soil erosion and nutrient loss in Yingwugou watershed of the Dan River[J]. Transactions of the CSAES, 2013, 29(10): 160–167

[53] 吳昊. 秦嶺山地松櫟混交林土壤養(yǎng)分空間變異及其與地形因子的關(guān)系[J]. 自然資源學(xué)報, 2015, 30(5): 858–869 WU H. The relationship between terrain factors and spatial variability of soil nutrients for pine-oak mixed forest in Qinling Mountains[J]. Journal of Natural Resources, 2015, 30(5): 858–869

[54] 王麗, 王力, 王全九. 不同坡度坡耕地土壤氮磷的流失與遷移過程[J]. 水土保持學(xué)報, 2015, 29(2): 69–75 WANG L, WANG L, WANG Q J. The processes of nitrogen and phosphorus loss and migration in slope cropland under different slopes[J]. Journal of Soil and Water Conservation, 2015, 29(2): 69–75

[55] 鄭子成, 秦鳳, 李廷軒. 不同坡度下紫色土地表微地形變化及其對土壤侵蝕的影響[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(8): 168–175 ZHENG Z C, QIN F, LI T X. Changes in soil surface microrelief of purple soil under different slope gradients and its effects on soil erosion[J]. Transactions of the CSAE, 2015, 31(8): 168–175

[56] 張彩霞, 楊勤科, 李銳. 基于DEM的地形濕度指數(shù)及其應(yīng)用研究進(jìn)展[J]. 地理科學(xué)進(jìn)展, 2005, 24(6): 116–123 ZHANG C X, YANG Q K, LI R. Advancement in topographic wetness index and its application[J]. Progress in Geography, 2005, 24(6): 116–123

[57] LEWIS G L, HOLDEN N M. The modification of soil moisture deficit calculation using topographic wetness index to account for the effect of slope and landscape position[R]//Dallas, Texas: American Society of Agricultural and Biological Engineers, St. Joseph, 2012

[58] MADUAKO I N, NDUKWU R I, IFEANYICHUKWU C, et al. Multi-index soil moisture estimation from satellite earth observations: Comparative evaluation of the topographic wetness index (TWI), the temperature vegetation dryness index (TVDI) and the improved TVDI (iTVDI)[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(4): 631–642

[59] ZHU H F, HU W, BI R T, et al. Scale- and location-specific relationships between soil available micronutrients and environmental factors in the Fen River basin on the Chinese Loess Plateau[J]. Catena, 2016, 147: 764–772

[60] ZHU H F, ZHAO Y, NAN F, et al. Relative influence of soil chemistry and topography on soil available micronutrients by structural equation modeling[J]. Journal of Soil Science and Plant Nutrition, 2016, 16(4): 1038–1051

Prediction of spatial distribution of soil available iron in a typical hilly farmland using terrain attributes and random forest model*

YANG Qipo1,3, WU Wei2,3, LIU Hongbin1,3**

(1. College of Resources and Environment, Southwest University, Chongqing 400716, China; 2. College of Computer and Information Science, Southwest University, Chongqing 400715, China; 3. Chongqing Key Laboratory of Digital Agriculture, Chongqing 400716, China)

Soil available iron is essential for plant growth. Detailed information onthe spatial distribution of soil available iron is critical for effective management of soil fertility. To date, published works on soil available iron have mainly focused on the spatial variability and little has been done on predicting the spatial distribution of soil available iron. To understand the spatial distribution of soil available iron in hilly areas of Southwest China, we conducted a study in 2014 at a 2-km2typical hilly region with uniform soil parent materials in Yongxing Town, Jiangjin County, Chongqing City. A total of 309 soil samples were collected from cultivated lands at the depth of 0-20 cm. The samples were randomly divided into calibration (224) and validation (85) samples. Nine terrain attributes (including elevation, slope, aspect, valley depth, horizontal curvature, profile curvature, convergence index, relation position index and topographic wetness index) were extracted from a digital elevation model of spatial resolution of 2.0 m. Ordinary Kriging (OK), Multiple Linear Regression (MLR) and Random Forest (RF) analyses were used to predict the content of soil available iron based on the terrain attributes. Accuracy indicators, including mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (2), were used to evaluate model performance based on validation data. Correlation analysis showed thattopographic wetness index and valley depth were significantly positively correlated with soil available iron content. Slope, horizontal curvature, profile curvature, convergence index and relative position index were on the other hand significantly negatively correlated with soil available iron content. Compared with OK and MLR, RF model performed best, with MAE = 22.33 mg·kg-1, RMSE = 27.98 mg·kg-1and2= 0.76. Additionally, RF analysis indicated that topographic wetness and slope were the main factors controlling the spatial distribution of soil available iron. Soil available iron content in the study area was 3.00-276.97 mg×kg-1, which was higher for paddy field than for dryland. Semivariance model showed strong spatial autocorrelation of soil available iron, indicating that structural factors were the main driving force of spatial variation of soil available iron. Therefore it was concluded that the RF model together with terrain attributes well explained the spatial variability of soil available iron in the area. The result of the study provided valuable information for studies on predicting the spatial distribution of trace elements in soils in hilly areas.

Terrain attribute; Random forest model; Soil available iron; Spatial distribution; Hilly farmland

, E-mail: lhbin@swu.edu.cn

10.13930/j.cnki.cjea.170461

S158.9

A

1671-3990(2018)03-0422-10

劉洪斌, 主要從事土壤調(diào)查與信息管理方面的研究。E-mail: lhbin@swu.edu.cn 楊其坡, 主要從事土壤資源環(huán)境遙感與信息技術(shù)的研究。E-mail: Qipoyang@163.com

2017-05-17

2017-12-05

* This study was supported by the Fundamental Research Funds for the Central Universities of China (XDJK2016D041).

* 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)(XDJK2016D041)資助

May 17, 2017; accepted Dec. 5, 2017

楊其坡, 武偉, 劉洪斌. 基于地形因子和隨機(jī)森林的丘陵區(qū)農(nóng)田土壤有效鐵空間分布預(yù)測[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2018, 26(3): 422-431

YANG Q P, WU W, LIU H B. Prediction of spatial distribution of soil available iron in a typical hilly farmland using terrain attributes and random forest model[J]. Chinese Journal of Eco-Agriculture, 2018, 26(3): 422-431