基于贝叶斯最大熵的土壤连续属性空间预测研究

高精度的土壤图件是精准农业实施和土壤质量评价的基础。本研究拟在贝叶斯最大熵方法框架之内，融合经典地统计方法和土壤景观定量模型，综合利用样点数据和环境信息进行土壤连续属性空间分布预测。本项目实施时以采样数据作为硬数据，首先将普通克里格法运用于采样数据上，所得的正态分布结果作为未测位置土壤属性的先验概率分布；然后将土壤连续属性离散化为几个值域连续分布的类别，在考虑具体属性与各环境因子相关性强弱的基础上，用土壤与环境的定量关系计算各个类别相似度组成的序列，以此来表达连续属性含量的模糊分布，将其作为软数据；最后将贝叶斯条件概率公式运用于软硬数据和先验概率上，得到未测位置的土壤属性的后验概率分布，以此为基础，制作土壤属性分布预测图。预测结果既体现样点间的空间相关性，又兼顾土壤属性与环境的相关性，能提高土壤连续属性空间预测精度。研究结果为精准土壤图件制作提供理论和方法，可丰富地统计学理论与技术。

土壤属性空间插值是土壤质量评价和区域环境综合评估的基础，一直是土壤学中的热点问题，经典地统计学和土壤景观定量模型是应用与土壤属性空间预测中的两种常用方法。但它们都存在缺陷，如地统计学缺乏对环境信息的有效利用，预测结果具有一定的平滑效应等；而土壤景观定量模型忽略了样点之间的空间相关性。而现有的将两种思路结合的方法在综合利用多种不同数据类型的环境信息方面仍显不足，而贝叶斯最大熵（Bayesian maximum entropy，BME）方法提供了灵活的数据利用方式，可使多种来源、多种类型的数据有机会同时被用于空间分布预测中，提高预测精度。基于此，本项目将BME作为方法框架，在这个框架内将经典地统计方法和土壤景观定量模型所得结果融合起来，使预测结果既包含样点之间的空间相关性，又兼顾土壤属性与环境之间的关系，在一定程度上提高土壤属性预测精度。另外，对环境数据的利用方式也是对BME方法的扩展。本项目的研究内容主要包括两个方面：一是基于土壤景观定量模型的软数据获取，即使用样点数据和样点所在位置的环境信息，获取定量的土壤属性与环境要素的关系，利用这种关系，获取未采样位置土壤属性的概率分布，作为软数据；二是基于贝叶斯最大熵和软硬数据的土壤属性预测，先基于普通克里格法，利用采样数据计算未测点土壤属性先验概率分布函数，再利用软硬数据计算未测点土壤属性后验概率分布函数，最后将基于后验概率分布函数的数学期望作为基于BME方法的土壤属性空间预测结果。对多个区域多种土壤属性的研究结果表明，该方法较常用的克里格方法精度有所提高，特别是在样点较稀疏时，精度提高的幅度更大。本研究的意义在于为土壤属性空间预测提供了一种新途径，使结果体现样点相关性和环境相关性的综合，也扩展了BME方法的应用方式和领域。.；；；；