吉林省农田土壤速效钾插值精度研究

于 洋，刘吉平

吉林省农田土壤速效钾插值精度研究

于 洋，刘吉平

本文以东北典型黑土区——吉林省榆树市弓棚镇13号村为研究区域，研究插值方法对农田土壤速效钾插值精度的影响。研究结果表明：在采样点数较多的情况下，速效钾的Kriging插值精度明显高于BP神经网络的插值精度。随着采样点数的减少，Kriging插值精度显著下降，而BP神经网络的插值精度相对稳定。在采样点数较少的情况下，BP神经网络的插值精度接近Kriging插值精度。

Kriging插值；BP神经网络；土壤速效钾；插值精度

一、引言

精准农业是近年来农业科学研究的热点。在精准农业的实施过程中，需要采集大量的空间信息样本，花费大量的人力、物力和财力。因此，研究如何用较少的样本来反映田间信息的空间变异规律，再用科学的插值方法进行插值和预估是精准农业研究中的一个关键问题。本文以东北典型黑土区——吉林省榆树市弓棚镇13号村为研究区域，分析插值方法对插值精度的影响，为精准农业土壤养分插值方法的选取、制定优化采样策略提供科学依据。

二、研究方法与数据处理

（一）研究方法

1.Kriging插值。首先以SPSS 15.0为平台分析土壤速效钾的基本统计特征，检验土壤样本是否符合正态分布；然后在GS+3.0下，分析土壤碱解氮的空间变异特性，确定Kriging插值所采用的最优模型以及空间变异参数；最后以ArcGIS9.3为平台，完成Kriging插值。

2.BP神经网络模型。本文神经网络插值以MATLAB为平台，利用newff函数建立三层网络，第1、2层传递函数为tansig，第3层传递函数为purelin；网络训练函数采用动量及自适应lrBP的梯度递减训练函数traincgf；网络学习函数为梯度下降动量学习函数learngdm；性能函数采用均方误差性能函数mse。

（二）插值精度的检验

采用均方根误差（Root mean square error，RMSE） 和平均相对误差（）作为插值精度的衡量指标。其计算公式如下：

（三）数据处理

采样区选在榆树市弓棚镇13号村，农田作物为玉米。首先，对试验地块进行DGPS网格定位，共计153 hm2，并在ArcGIS软件上对其进行网格划分，网格大小为80 m×80 m。采用梅花五点采样法，共采集386个样品，采样深度为20cm。将采集的样品装袋后进行标记，带回实验室分析。

为了比较采样密度对模型模拟精度的影响，将研究区域的386个采样点利用ArcGIS软件Geostatistical Analyst模块的Create Subsets命令随机提取100点、150点、200点、250点、300点、350点作为训练样本，取样后在SPSS下对训练样本做正态分布检验，不符合正态分布的重新取样。在全部样点数中随机抽取50个作为检验样本，本文将对以上六种方案进行比较研究。

三、结果与分析

（一）基于Kriging插值的农田土壤速效钾空间变异模拟

SPSS下的正态分布检验结果表明，速效钾在所有尺度下都符合正态分布。在GS+下对不同采样尺度的速效钾含量进行半方差分析后，根据GS+所求出的最大变异距离和选用的模型作为参数，将训练样本在ARCGIS下进行Kriging插值。

图1 不同采样点下速效钾的Kriging插值效果图（单位：mg/kg）

（二）基于BP神经网络模型的农田土壤速效钾空间变异模拟

为了方便BP网络模型的构建和增强训练效果及验证网络的泛化能力，需要对网络的输入和输出进行等价的归一化预处理。本文采用归一化处理函数mapminmax对网络输入和输出进行归一化处理，并在得到模拟值之后使用mapminmax函数将模拟值还原到原来的量纲和量级。

利用仿真函数sim对通过训练的神经网络模型进行模拟，得到检验样本土壤速效钾的神经网络模拟值，见图2。

图2 不同采样点数速效钾的BP神经网络模拟效果（单位：mg/kg）

（三）模型比较

在全部样本中随机抽取50个样本对Kriging模型和BP神经网络模型的插值结果进行精度检验，通过对比采样密度的大小对模型模拟效果的影响，来分析两种模型受采样密度影响时模拟精度的变化规律，结果见表1。

表1 速效钾在不同采样密度下的精度对比Contrast of precision of soil available K the different sampling densities

检验结果表明：在采样点数较多的情况下，速效钾的Kriging插值精度明显高于BP神经网络的插值精度。随着采样点数的减少，Kriging插值精度显著下降，而BP神经网络的插值精度相对稳定。在采样点数较少的情况下，BP神经网络的插值精度接近Kriging插值精度。

四、结论

在随机采样的情况下，衡量两种模型在不同采样点数下插值精度的变化，结果表明：Kriging模型插值精度随采样点数的减少显著下降，而BP神经网络模型的插值精度随采样点数的变化不大；在采样点数较多的情况下，Kriging模型插值精度显著高于BP神经网络模型的插值精度，随着采样点数的减少，Kriging模型插值精度急剧下降，在采样点较少的情况下，BP神经网络模型的插值精度已经接近甚至优于Kriging模型插值精度。

[1]王建军,王长松,殷朝珍.不同采样密度对土壤养分空间插值结果的影响[J].江西农业学报2010,22(7)∶87-90.

[2]MARTIN Y,ROSSITER D G,NJOMGANG R.Multi-scale characterization of soil variability within an agricultural landscape mosaic system in southern Cameroon[J].Geoderma,2005,12(5)∶117-143.

[3]YUAN X Y，CHAI X R，GAO R T，et al.Temporaland spatialvariability of soil organic matter in a county scale agricultural ecosystem[J].New Zealand JournalofAgriculturalResearch，2007，50(5)：1157-1168.

[4]LIU X M，ZHAO KL，XU J M，et al.Spatial variability of soil organic matter and nutrients in paddy fields at various scales in southeast China[J].Environmental Geology，2008，53(5)∶1139-1147.

[5]王淑英，路苹，王建立.不同研究尺度下土壤有机质和全氮的空间变异特征∶以北京市平谷区为例 [J].生态学报2008，28(10)：4957-4964.

[6]陈光，贺立源，詹向雯.耕地养分空间插值技术与合理采样密度的比较研究[J].土壤通报，2008，39(5)∶1007-1011.

[7]潘瑜春，刘巧芹，阎波杰.采样尺度对土壤养分空间变异分析的影响[J].土壤通报，2008，41(2)：257-262.

责任编辑：姚 旺

S158

B

1671-6531（2012）04-0042-02

吉林省科技厅科技支撑计划项目 (20080207)；国家农业科技成果转化资金项目 (2009GB2B100095)；吉林师范大学研究生创新科研计划项目 （201111）

于洋/吉林师范大学旅游与地理科学学院助教，硕士（吉林四平 136000）；刘吉平/吉林师范大学旅游与地理科学学院副教授（吉林四平 136000）。