全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全...全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。展开更多
【目的】以江西省泰和县为研究区域,揭示县域尺度耕地土壤有机质(SOM)的空间分布规律。【方法】设计覆盖整个泰和县耕地的采样网络,采集361个表层(0~20 cm)土壤样品。使用普通克里格插值法探究研究区耕地土壤有机质含量的空间分布特征,...【目的】以江西省泰和县为研究区域,揭示县域尺度耕地土壤有机质(SOM)的空间分布规律。【方法】设计覆盖整个泰和县耕地的采样网络,采集361个表层(0~20 cm)土壤样品。使用普通克里格插值法探究研究区耕地土壤有机质含量的空间分布特征,利用随机森林模型结合经典统计方法探究泰和县耕地土壤有机质空间分异的主要影响因素。【结果】研究区耕地土壤有机质含量均值为31.05 g kg^(-1),处于较丰富水平,表明泰和县耕地土壤肥力水平较好。泰和县耕地土壤有机质具有中等程度的空间自相关性,具有中部低、东西高的空间分布特征。秸秆还田和海拔是耕地土壤有机质含量的主要影响因子,解释率为56.37%和18.73%。土壤pH、成土母质、施肥量和灌溉能力对土壤有机质含量也具有显著影响,解释率分别为9.66%、9.47%、6.76%和5.45%。【结论】采取秸秆还田、合理施用石灰和完善排水设施等田间管理措施可以有效提高耕地土壤有机质含量,改善土壤保肥固碳能力,对促进农业可持续发展,助力实施国家“碳达峰”和“碳中和”战略具有重要价值和意义。展开更多
文摘全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。
文摘【目的】以江西省泰和县为研究区域,揭示县域尺度耕地土壤有机质(SOM)的空间分布规律。【方法】设计覆盖整个泰和县耕地的采样网络,采集361个表层(0~20 cm)土壤样品。使用普通克里格插值法探究研究区耕地土壤有机质含量的空间分布特征,利用随机森林模型结合经典统计方法探究泰和县耕地土壤有机质空间分异的主要影响因素。【结果】研究区耕地土壤有机质含量均值为31.05 g kg^(-1),处于较丰富水平,表明泰和县耕地土壤肥力水平较好。泰和县耕地土壤有机质具有中等程度的空间自相关性,具有中部低、东西高的空间分布特征。秸秆还田和海拔是耕地土壤有机质含量的主要影响因子,解释率为56.37%和18.73%。土壤pH、成土母质、施肥量和灌溉能力对土壤有机质含量也具有显著影响,解释率分别为9.66%、9.47%、6.76%和5.45%。【结论】采取秸秆还田、合理施用石灰和完善排水设施等田间管理措施可以有效提高耕地土壤有机质含量,改善土壤保肥固碳能力,对促进农业可持续发展,助力实施国家“碳达峰”和“碳中和”战略具有重要价值和意义。
