综合BME和BNN法的农田土壤水分与养分分布空间插值

来源：农业工程学报杂志2015年第16期北京时间：

作者：徐英,夏冰,

摘要：掌握农田土壤水分和养分的空间分布特征是实现农田土壤精确管理及实施精确农业的重要依据。以有限的采样信息为基础，通过多种空间分析理论的融合，形成优势互补的综合方法，对提高土壤变量空间分布模拟和绘图精度具有重要意义。该文将贝叶斯最大熵法（Bayesian maximum entropy，BME）和贝叶斯人工神经网络方法（Bayesian neural networks，BNN）结合形成一种空间插值新方法，即用BNN法表达估值的不确定性，并将其结果融入现代地质统计学BME法中，用融入BNN法结果的BME法（Bayesian maximum entropy method combined with Bayesian neural networks，BMENN）模拟土壤变量的空间分布。以江苏省扬州市区北部某田块的土壤水分、有机质、全氮、碱解氮、速效钾和速效磷6种土壤特性的采样数据为例，运用交叉验证法，将BMENN法对土壤变量的估值精度与BNN法、普通克立格法（ordinary Kriging，OK）进行了比较。结果表明：与OK法和BNN法相比，BMENN法将估计方差（mean squared error，MSE）缩小2.26%～23.54%，具有最小的估计方差和接近于0的平均绝对误差（mean error，ME）；BMENN法的估计值与实测值相关系数更大（r=0.62～0.89），具有更高的相关程度；MSE的组成分析表明，BMENN法再现变量波动程度和波动大小的能力更强；从模拟的空间分布图来看，BMENN法绘制的空间分布图更连续，"牛眼"较少，更符合土壤变量的地学规律。BMENN法对于利用有限数据信息提高土壤变量空间分布模拟精度具有重要意义，并可为土壤管理、精准农业的实施以及区域环境规划等提供科学依据。

关键词：土壤, 水分, 养分, 空间分布, 贝叶斯最大熵法, 贝叶斯人工神经网络方法