吉林省農田土壤速效鉀插值精度研究

于 洋，劉吉平

吉林省農田土壤速效鉀插值精度研究

于 洋，劉吉平

本文以東北典型黑土區——吉林省榆樹市弓棚鎮13號村為研究區域，研究插值方法對農田土壤速效鉀插值精度的影響。研究結果表明：在采樣點數較多的情況下，速效鉀的Kriging插值精度明顯高于BP神經網絡的插值精度。隨著采樣點數的減少，Kriging插值精度顯著下降，而BP神經網絡的插值精度相對穩定。在采樣點數較少的情況下，BP神經網絡的插值精度接近Kriging插值精度。

Kriging插值；BP神經網絡；土壤速效鉀；插值精度

一、引言

精準農業是近年來農業科學研究的熱點。在精準農業的實施過程中，需要采集大量的空間信息樣本，花費大量的人力、物力和財力。因此，研究如何用較少的樣本來反映田間信息的空間變異規律，再用科學的插值方法進行插值和預估是精準農業研究中的一個關鍵問題。本文以東北典型黑土區——吉林省榆樹市弓棚鎮13號村為研究區域，分析插值方法對插值精度的影響，為精準農業土壤養分插值方法的選取、制定優化采樣策略提供科學依據。

二、研究方法與數據處理

（一）研究方法

1.Kriging插值。首先以SPSS 15.0為平臺分析土壤速效鉀的基本統計特征，檢驗土壤樣本是否符合正態分布；然后在GS+3.0下，分析土壤堿解氮的空間變異特性，確定Kriging插值所采用的最優模型以及空間變異參數；最后以ArcGIS9.3為平臺，完成Kriging插值。

2.BP神經網絡模型。本文神經網絡插值以MATLAB為平臺，利用newff函數建立三層網絡，第1、2層傳遞函數為tansig，第3層傳遞函數為purelin；網絡訓練函數采用動量及自適應lrBP的梯度遞減訓練函數traincgf；網絡學習函數為梯度下降動量學習函數learngdm；性能函數采用均方誤差性能函數mse。

（二）插值精度的檢驗

采用均方根誤差（Root mean square error，RMSE） 和平均相對誤差（）作為插值精度的衡量指標。其計算公式如下：

（三）數據處理

采樣區選在榆樹市弓棚鎮13號村，農田作物為玉米。首先，對試驗地塊進行DGPS網格定位，共計153 hm2，并在ArcGIS軟件上對其進行網格劃分，網格大小為80 m×80 m。采用梅花五點采樣法，共采集386個樣品，采樣深度為20cm。將采集的樣品裝袋后進行標記，帶回實驗室分析。

為了比較采樣密度對模型模擬精度的影響，將研究區域的386個采樣點利用ArcGIS軟件Geostatistical Analyst模塊的Create Subsets命令隨機提取100點、150點、200點、250點、300點、350點作為訓練樣本，取樣后在SPSS下對訓練樣本做正態分布檢驗，不符合正態分布的重新取樣。在全部樣點數中隨機抽取50個作為檢驗樣本，本文將對以上六種方案進行比較研究。

三、結果與分析

（一）基于Kriging插值的農田土壤速效鉀空間變異模擬

SPSS下的正態分布檢驗結果表明，速效鉀在所有尺度下都符合正態分布。在GS+下對不同采樣尺度的速效鉀含量進行半方差分析后，根據GS+所求出的最大變異距離和選用的模型作為參數，將訓練樣本在ARCGIS下進行Kriging插值。

圖1 不同采樣點下速效鉀的Kriging插值效果圖（單位：mg/kg）

（二）基于BP神經網絡模型的農田土壤速效鉀空間變異模擬

為了方便BP網絡模型的構建和增強訓練效果及驗證網絡的泛化能力，需要對網絡的輸入和輸出進行等價的歸一化預處理。本文采用歸一化處理函數mapminmax對網絡輸入和輸出進行歸一化處理，并在得到模擬值之后使用mapminmax函數將模擬值還原到原來的量綱和量級。

利用仿真函數sim對通過訓練的神經網絡模型進行模擬，得到檢驗樣本土壤速效鉀的神經網絡模擬值，見圖2。

圖2 不同采樣點數速效鉀的BP神經網絡模擬效果（單位：mg/kg）

（三）模型比較

在全部樣本中隨機抽取50個樣本對Kriging模型和BP神經網絡模型的插值結果進行精度檢驗，通過對比采樣密度的大小對模型模擬效果的影響，來分析兩種模型受采樣密度影響時模擬精度的變化規律，結果見表1。

表1 速效鉀在不同采樣密度下的精度對比Contrast of precision of soil available K the different sampling densities

檢驗結果表明：在采樣點數較多的情況下，速效鉀的Kriging插值精度明顯高于BP神經網絡的插值精度。隨著采樣點數的減少，Kriging插值精度顯著下降，而BP神經網絡的插值精度相對穩定。在采樣點數較少的情況下，BP神經網絡的插值精度接近Kriging插值精度。

四、結論

在隨機采樣的情況下，衡量兩種模型在不同采樣點數下插值精度的變化，結果表明：Kriging模型插值精度隨采樣點數的減少顯著下降，而BP神經網絡模型的插值精度隨采樣點數的變化不大；在采樣點數較多的情況下，Kriging模型插值精度顯著高于BP神經網絡模型的插值精度，隨著采樣點數的減少，Kriging模型插值精度急劇下降，在采樣點較少的情況下，BP神經網絡模型的插值精度已經接近甚至優于Kriging模型插值精度。

[1]王建軍,王長松,殷朝珍.不同采樣密度對土壤養分空間插值結果的影響[J].江西農業學報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，路蘋，王建立.不同研究尺度下土壤有機質和全氮的空間變異特征∶以北京市平谷區為例 [J].生態學報2008，28(10)：4957-4964.

[6]陳光，賀立源，詹向雯.耕地養分空間插值技術與合理采樣密度的比較研究[J].土壤通報，2008，39(5)∶1007-1011.

[7]潘瑜春，劉巧芹，閻波杰.采樣尺度對土壤養分空間變異分析的影響[J].土壤通報，2008，41(2)：257-262.

責任編輯：姚 旺

S158

B

1671-6531（2012）04-0042-02

吉林省科技廳科技支撐計劃項目 (20080207)；國家農業科技成果轉化資金項目 (2009GB2B100095)；吉林師范大學研究生創新科研計劃項目 （201111）

于洋/吉林師范大學旅游與地理科學學院助教，碩士（吉林四平 136000）；劉吉平/吉林師范大學旅游與地理科學學院副教授（吉林四平 136000）。