引用本文
杨煜岑, 杨联安, 任丽, 李聪莉, 朱群娥, 王天泰, 李新尧. 基于随机森林的农耕区土壤有机质空间分布预测[J]. 浙江农业学报, 2018,30(7): 1211-1217.
YANG Yucen, YANG Lian'an, REN Li, LI Congli, ZHU Qun'e, WANG Tiantai, LI Xinyao. Prediction for spatial distribution of soil organic matter based on random forest model in cultivated area[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2018,30(7): 1211-1217.  
Permissions
Copyright©2018, 《浙江农业学报》编辑部
《浙江农业学报》编辑部 所有
基于随机森林的农耕区土壤有机质空间分布预测
杨煜岑1,2, 杨联安1,2,*, 任丽1,2, 李聪莉3, 朱群娥3, 王天泰3, 李新尧1,2
1.西北大学 陕西省地表系统与环境承载力重点实验室,陕西 西安 710127
2.西北大学 城市与环境学院,陕西 西安 710127
3.陕西省周至县土壤肥料工作站,陕西 西安 710400
*通信作者,杨联安,E-mail: yanglianan@163.com

作者简介:杨煜岑(1994—),女,陕西西安人,硕士研究生,研究方向为地理信息系统在智慧农业上的应用。E-mail: yangyucen104@163.com

收稿日期: 2017-09-29
基金资助: 教育部人文社会科学研究规划(10YJA910010); 陕西省农业科技攻关项目(2011K02-11); 西安市科技计划(NC150201,NC1402); 西北大学研究生质量工程提升项目(YZZ17147,YZZ17151)
摘要

以陕西省周至县农耕区为研究区,采集192个土壤样品,通过随机森林模型(random forest, RF)对土壤有机质含量进行回归预测,通过29个(15%)独立验证点对预测结果进行精度验证,并与普通克里格(ordinary kriging,OK)和协同克里格(cokriging,COK)插值结果进行对比分析。结果表明,研究区土壤有机质含量在训练集和验证集中均属于中等变异性,含量处于中等偏低水平,大致表现为中、南部黑河东岸土壤有机质含量相对较高,东北部渭河沿岸含量较低。对变量重要性进行排序,影响研究区土壤有机质的主要因素为数字高程(DEM)和降水量。与OK、COK相比, RF对土壤有机质的预测值和实测值的相关系数(0.782)更高,而平均绝对误差(0.618 g·kg-1)和均方根误差(2.062 g·kg-1)更低,说明RF能够更精确地反映局部土壤有机质含量的空间变化信息。

关键词: 空间预测; 随机森林; 土壤有机质
中图分类号:S153.6 文献标志码:A 文章编号:1004-1524(2018)07-1211-07 doi: 10.3969/j.issn.1004-1524.2018.07.15
Prediction for spatial distribution of soil organic matter based on random forest model in cultivated area
YANG Yucen1,2, YANG Lian'an1,2,*, REN Li1,2, LI Congli3, ZHU Qun'e3, WANG Tiantai3, LI Xinyao1,2
1. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Northwest University, Xi'an 710127, China;
2. College of Urban and Environmental Science, Northwest University, Xi'an 710127, China;
3. Soil and Fertilization Station of Zhouzhi County, Xi'an 710400, China;
Abstract

In the present study, the cultivated area of Zhouzhi County in Shaanxi Province was selected as study area with 192 soil samples collected, and the soil organic matter (SOM) content and distribution were predicted based on random forest (RF) model. The prediction accuracy was verified by 29 (15%) independent verification points, and the results were compared with ordinary kriging (OK) and cokriging (COK). It was shown that SOM contents in the training set and verification set were all moderately variable, and were classified into the medium low level. The SOM content was relatively high at east coast of Heihe River in middle and southern area, whereas was relatively low at Weihe River coast in the north-eastern area. By ranking the importance of variables, it was revealed that the main factors affecting the soil organic matter in the study area were elevation and rainfall. Compared with OK and COK, the correlation coefficient of prediction value and actual value of RF (0.782) was higher, yet the mean absolute error (0.618 g·kg-1) and root mean squre error (2.062 g·kg-1) were lower, which suggested that RF model yielded a more realistic spatial distribution of SOM.

Keyword: spatial prediction; random forest; soil organic matter

土壤有机质(soil organic matter, SOM)是土壤最具代表性的属性之一, 是评价土壤肥力和土壤质量的重要指标[1]。土壤有机质的精准预测及空间制图是了解区域土壤有机质分布状况、掌握土壤质量信息的重要途径, 能够为有效管理土壤、科学规划土地、实现精准施肥等提供信息支撑与调控建议。

在数字土壤制图(digital soil mapping, DSM)领域, 多种方法和模型都被用来预测土壤属性的空间分布[2]。地统计学的克里格插值法因其原理简单、易操作而得到广泛应用。其中:普通克里格(ordinary kriging, OK)插值法对采样点数量及密度要求极高, 但不考虑环境变量的影响, 限制了其预测精度[3]; 协同克里格(cokriging, COK)插值法可以利用与目标变量具有较好相关性的辅助变量, 获取较高的插值精度[4]。多元线性回归模型结构简单, 易于计算和解释[5, 6, 7]。然而, 土壤有机质与辅助变量间并不是简单的线性关系, 因而传统预测难以达到理想效果。准确表达土壤与多种环境因素间复杂的非线性关系已成为土壤养分空间预测的关键问题。

近年来, 神经网络模型[8]、决策树[9]等机器学习方法被引入土壤养分预测领域, 虽然提高了预测精度, 但也容易产生过度拟合[10, 11, 12]。随机森林(random forest, RF)模型是一种自然的非线性建模工具, 由决策树发展而来, 计算效率高, 克服了其他人工智能模型易过度拟合和不稳定的缺陷, 能够准确刻画变量间的非线性关系[13, 14, 15], RF算法还能评价指标的重要性[16, 17]。王茵茵[18]、齐雁冰等[19]运用RF模型对陕西省土壤有机质进行预测, 并对环境变量进行重要性分析, 结果表明, RF模型准确可行。鉴于此, 以国家测土配方施肥示范县及耕地地力提升项目示范县— — 陕西省周至县为研究区域, 探索随机森林方法在土壤养分空间预测中的应用, 以期为土壤养分精准管理与测土配方施肥提供理论依据。

1 材料与方法
1.1 研究区概况

周至县地处西安市西南部, 地处107° 39'~108° 37'E、33° 42'~34° 14'N之间, 总面积2 947 km2。该县为暖温带大陆性季风气候, 年均降水量674.3 mm, 年均气温15.2 ℃, 多年平均无霜期225 d。研究区位于周至县农耕区, 从南向北地貌类型分属为黄土台塬、渭河平原, 土壤类型主要有塿土、潮土、黄土和水稻土, 主要种植猕猴桃、小麦、玉米。

1.2 数据来源及处理

1.2.1 土壤样品采集与分析

2014年9月, 利用GPS技术, 遵循土壤采样的全面性、均衡性、客观性、可比性原则, 根据NY/T 1118— 2006《测土配方施肥技术规范》, 分别在小麦-玉米种植区和猕猴桃果园选取0~20 cm和0~40 cm的耕层采样, 根据土壤类型及地貌类型等实际情况调整采样点位置。选取每一土样具有代表性的田块, 采用“ S” 法均匀随机采取8点混匀, 用四分法留取1 kg土样装袋以备分析, 采用重铬酸钾加热法测定土壤有机质[6]。

将测得的土壤养分数据通过编号匹配地理位置与其他属性, 利用ArcGIS 10.3数字化后保存到样点Geodatabase中。为保证研究结果的精确性和可靠性, 采用域值识别法剔除离群值, 最终取得研究区192个有效土壤采样点数据(图1)。

图1 研究区采样点分布Fig.1 Distribution of sampling points in study area

1.2.2 地形因子

在地理空间数据云平台(http://www.gscloud.cn)获取30 m分辨率的ASTER GDEM数据。基于数字高程模型(digital elevation model, DEM), 在ArcGIS 10.3软件中计算获取研究区7个地形因子:坡度(slope), 坡向(aspect), 地形起伏度(relief), 坡面曲率(slope curvature, SLOC), 剖面曲率(profile curvature, PROC), 径流强度指数(stream power index, SPI), 地形湿度指数(topographic wetness index, TWI)。

1.2.3 气候因子

从中国气象数据网(http://data.cma.cn)下载中国地面气象资料月值数据集, 获取西安市地面气象观测站数据, 在ArcGIS 10.3平台上进行线性插值, 得到研究区月平均降水量和月平均气温数据。

1.3 变量筛选

影响土壤有机质的因素众多, 在RF预测过程中并非参与预测的辅助变量越多、结果越精确, 而是与辅助变量对土壤有机质的重要性和影响程度有关。选取地形、气候、土壤类型等因子, 通过袋外误差(out of bag error, OOB error)对参与预测的因子进行筛选。RF模型的袋外误差是对预测误差的无偏估计, 是残差的平方[20], 依据逐次剔除掉因子后袋外误差的增减判断该因子是否保留, 袋外误差增加则删掉该因子, 反之则保留[19], 从而实现RF模型的因子筛选。通过试验, 剔除土壤类型和坡向因子, 最后参与RF预测的辅助变量包括:年均气温、年均降水量、DEM、坡度、地形起伏度、SLOC、PROC、SPI、TWI等9个因子。

1.4 研究方法

RF模型是由树结构的集合组成的分类器, 由多棵决策树构成, 是用随机的方式建立一个森林, 每棵决策树之间没有关联。基本思想是通过bootstrap重采样方法, 从原始训练样本集中有放回地重复随机抽取多个样本生成新的训练样本集合, 对每一个bootstrap进行决策树建模, 然后采用bagging(bootstrap aggregating)方法组成随机森林进行预测。该算法调解参量少、运算效率高, 而且能够处理高维(特征变量多)数据, 训练速度快, 且不会过度拟合。RF算法对特征选取具有较好的稳健性, 对异常值和噪声具有较高的容忍度, 且可对数据进行推广和范化。

1.5 精度检验

为了验证RF算法的预测精度, 从原始192个土壤样点中随机选取29个采样点(15%)作为抽样验证数据集。求取验证集土壤有机质的实测值和预测值的平均误差 (ME)、绝对平均误差 (MAE)、均方根误差(RMSE)和相关系数(r), 作为判断依据。

2 结果与分析
2.1 土壤有机质描述性统计分析

研究区土壤有机质值域范围11.16~30.10 g· kg-1, 训练集平均值为19.47 g· kg-1, 验证集平均值19.54 g· kg-1。根据《陕西省第二次土壤普查养分分级标准》, 研究区土壤有机质平均含量处于第四等级(15~20 g· kg-1), 属于中等水平。从变异程度来看, 训练集和验证集的变异系数均属于[10%, 100%], 表现为中等程度变异性。数据正态性检验结果表明, 土壤有机质为偏态分布, 通过对数变换后可转换为近似正态分布(表1)。

表1 研究区土壤有机质描述性统计 Table 1 Descriptive statistics of SOM in study area
2.2 模型构建

2.2.1 随机森林预测

利用R 3.3.2软件中的random forest软件包对RF模型进行拟合。在对RF模型拟合前, 需要对模型中的2个参数进行设定, 分别是ntree和mtry。ntree为决策树的数量, 即用boot-strap重抽样的次数; mtry为每次树模型重建时节点分裂的次数[18, 21]。这2个参数的设定依据RF模型运算时产生的袋外误差的大小具体调整, 可通过plot( )函数查看参数设定对误差的影响。在试验中(图2)发现, 当ntree达到600之后, 误差趋于稳定, 经过调整, 本研究设定ntree为800、mtry为2。

图2 决策树数量与袋外误差关系图Fig.2 Relation between number of decision tree and OOB error

从原始样点中随机抽取163个(85%)采样点作为训练集样点, 利用筛选出的9个影响因子, 在R 3.3.2软件中用训练集样点对模型进行训练。将拟合的RF模型以30 m分辨率预测农耕区土壤有机质含量空间分布, 并将预测结果以文本格式保存, 在ArcGIS 10.3中转换为栅格格式文件(图3), 分析研究区土壤有机质的空间分布特征。

图3 不同模型的插值结果
a, 随机森林; b, 普通克里格; c, 协同克里格。Fig.3 Spatial distribution of different models
a, Random forest; b, OK; c, COK.

2.2.2 kriging预测

为了验证RF模型的预测与制图效果, 基于相同训练集利用OK和COK插值方法对采样点有机质进行空间插值预测, 与RF土壤有机质空间预测结果进行对比分析。在GS+7.0得出插值时的最优半方差模型是球状模型。进行COK插值时, 选取2种土壤养分指标作为协变量, 根据相关性控制协变量进入模型的顺序, 在SPSS 22.0软件进行Pearson相关分析, 有机质与碱解氮、有效磷、速效钾的相关系数分别是0.324、0.331、0.210, 因此依次进入的协变量分别是碱解氮和有效磷。插值结果如图3所示。

2.2.3 土壤有机质含量空间分布预测

由图3可知, RF、OK、COK模型预测的土壤有机质含量空间分布趋势基本相似, 但RF预测结果对局部的刻画更细致, 克服了克里格插值结果的不合理突变问题。研究区中、南部的黑河东岸区, 即猕猴桃主产区土壤有机质含量相对较高, 东北部渭河沿岸含量较低, 大致以楼观镇为中心, 由内向外呈2个半环状分布, 在空间上南北差异明显, 整体呈现出由南向北逐渐递减的趋势。高值区域主要分布在楼观镇、马召镇、广济镇, 以及终南镇、司竹镇的部分地区, 可能与当地自然条件、作物类型、施肥习惯有关。该区域位于河流沿岸, 土壤含水量高, 更易于有机质累积和土壤固碳, 且主要种植作物为猕猴桃, 与小麦、玉米等大田作物相比需肥量较大, 在果园管理中也比较注重增加有机肥投入, 加之果园种草, 有利于土壤保墒, 故有机质含量偏高。低值区域主要分布在北部渭河沿岸地区, 密集种植农作物, 农户施肥行为不合理, 偏重氮磷钾等化肥投入, 少施农家肥、有机肥, 易造成土壤板结, 仅靠作物根茬、根系分泌物等作物归还难以维持土壤原有的有机质水平, 造成土壤养分比例失衡, 有机质含量偏低。

根据赵业婷等[22]对周至县农耕区的现状分析及实地调研, 研究区主要种植物猕猴桃是多年生果树, 枝梢年生长量远大于一般果树, 需要从土壤中吸收大量营养, 而土壤中可供养分有限, 要通过施肥补充树体所需营养[23], 且我国无公害果树技术规程要求土壤有机质含量达15 g· kg-1以上, 最好能达到30 g· kg-1[24], 故在今后的施肥管理中, 应大力增加有机肥投入量和施用比例, 以满足其养分需求。总的来说, 周至县北部农耕区的土壤有机质平均含量为19.47 g· kg-1, 属于中等及偏下水平, 有机肥施用不足。研究结果与雷宝佳等[25]和张彬等[26]的研究结果相吻合, 说明了RF对农耕区土壤有机质预测的准确性与适应性。

2.3 预测模型精度验证

通过29个(15%)独立验证点对预测结果进行精度验证。结果表明, 引入辅助变量进行土壤有机质预测的方法(RF和COK)明显优于仅基于样点值进行空间内插的预测方法(OK), 其中又以引入环境变量的随机森林模型(RF)对土壤有机质的预测精度最高(表2)。RF预测结果的ME、MAE、RMSE较OK分别降低了26.6%、27.1%和10.3%, 与COK相比, 分别降低了7.4%、26.5%和6.9%, 预测精度显著提高, 具有较好的回归预测效果。

表2 OK、COK、RF方法土壤有机质预测精度对比 Table 2 Comparison of prediction accuracy of SOM by OK, COK and RF methods
2.4 变量重要性评价

变量重要性评价是RF算法的一个突出优点, 基本依据是当某解释变量加入噪声后, RF预测准确率降低的程度。选择importance( )函数提供的节点纯度(IncNodePurity)指数来评价各解释变量的重要性, 它通过计算所有树变量分割的节点不纯性减少值来比较变量的重要性, 该值越大表示该变量越重要[27]。计算可知, 影响研究区土壤有机质的变量按重要性大小排序依次为DEM> 年均降水量> 年均气温> TWI> 坡度> 地形起伏度> SPI> SLOC> PROC。周至县北部农耕区对土壤有机质含量影响程度最大的因素是DEM, 这与雷宝佳等[25]研究结果相吻合。

3 结论与讨论

本研究表明, 周至县农耕区土壤有机质含量处于中等偏低水平, 中、南部的黑河东岸区土壤有机质含量相对较高, 北部渭河沿岸含量较低。高值区出现在楼观镇、马召镇、广济镇, 以及终南镇、司竹镇的部分地区; 而低值区主要出现在尚村镇、竹峪镇等的局部地区。根据实际情况, 农户应更加重视耕地培肥和改良, 尤其是要增施有机肥。

DEM和年均降水量是影响该区域农耕区土壤有机质含量空间分布的主要环境因素。DEM主要通过不同高程土壤受到的不同外力侵蚀影响土壤有机质的积累, 降水量主要通过影响土壤含水率来影响土壤有机质的空间分布。RF方法准确地揭示了土壤养分与多元环境因子间复杂的非线性关系, 与实际情况吻合最佳, 且不需要顾虑一般回归分析面临的多元共线性的问题, 因此, 可以应用在农业用地土壤养分回归预测上, 实现土壤养分的空间预测、综合肥力评价及施肥建议。

采用RF模型对周至县农耕区土壤有机质含量进行空间预测, 分析结果与前人研究一致且与实际情况相符合, 表明RF模型在土壤养分空间预测上的应用具有一定的科学性和可靠性。从预测精度来看, RF模型的ME、MAE、RMSE均小于OK、COK, 预测精度显著优于OK模型和COK模型, 说明RF模型可以较好地预测农耕区土壤有机质含量的空间分布, 可为农耕区的土壤有机质预测提供一种新思路和新途径。

(责任编辑 高 峻)

The authors have declared that no competing interests exist.

参考文献
[1] 鲁如坤. 土壤农业化学分析方法[M]. 北京: 中国农业科技出版社, 2000. [本文引用:1]
[2] 郭澎涛, 李茂芬, 罗微, 等. 基于多源环境变量和随机森林的橡胶园土壤全氮含量预测[J]. 农业工程学报, 2015, 31(5): 194-202.
GUO P T, LI M F, LUO W, et al. Prediction of soil total nitrogen for rubber plantation at regional scale based on environmental variables and rand om forest approach[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(5): 194-202. (in Chinese with English abstract) [本文引用:1]
[3] 曹祥会, 龙怀玉, 周脚根, 等. 河北省表层土壤有机碳和全氮空间变异特征性及影响因子分析[J]. 植物营养与肥料学报, 2016, 22(4): 937-948.
CAO X H, LONG H Y, ZHOU J G, et al. Analysis of spatial variability and influencing factors of topsoil organic carbon and total nitrogen in Hebei Province[J]. Journal of Plant Nutrition and Fertilizer, 2016, 22(4): 937-948. (in Chinese with English abstract) [本文引用:1]
[4] 李楠, 徐东瑞, 吴杨洁. 土壤养分含量的协同克里格法插值研究[J]. 浙江农业学报, 2011, 23(5): 1001-1006.
LI N, XU D R, WU Y J. Spatial distribution with different sampling numbers of soil nutrient using Cokriging[J]. Acta Agriculturae Zhejiangensis, 2011, 23(5): 1001-1006. (in Chinese with English abstract) [本文引用:1]
[5] THOMPSON J A, PENA-YEWTUKHIW E M, GROVE J H. Soil-land scape modeling across a physiographic region: topographic patterns and model transportability[J]. Geoderma, 2006, 133(1): 57-70. [本文引用:1]
[6] 黄安, 杨联安, 杜挺, 等. 基于多元成土因素的土壤有机质空间分布分析[J]. 干旱区地理, 2015, 38(5): 994-1003.
HUANG A, YANG L A, DU T, et al. Spatial distribution of the soil organic matter based on multiple soil factors[J]. Arid Land Geography, 2015, 38(5): 994-1003. (in Chinese with English abstract) [本文引用:2]
[7] 黄安. 农耕区土壤养分空间分布的影响因素分析与制图[D]. 西安: 西北大学, 2016.
HUANG A. The analysis of influenced factors and mapping to spatial distribution of soil nutrient in farming area[D]. Xi'an: Northwest University, 2016. (in Chinese with English abstract) [本文引用:1]
[8] 李启权, 王昌全, 张文江, 等. 基于神经网络模型和地统计学方法的土壤养分空间分布预测[J]. 应用生态学报, 2013, 24(2): 459-466.
LI Q Q, WANG C Q, ZHANG W J, et al. Prediction of soil nutrients spatial distribution based on neural network model combined with goestatistics[J]. Chinese Journal of Applied Ecology, 2013, 24(2): 459-466. [本文引用:1]
[9] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees[M]. Belmont: Wadsworth International Group, 1984. [本文引用:1]
[10] ITO E, ONO K, ITO Y M, et al. A neural network approach to simple prediction of soil nitrification potential: a case study in Japanese temperate forests[J]. Ecological Modelling, 2008, 219(1): 200-211. [本文引用:1]
[11] GUO P T, WU W, SHENG Q K, et al. Prediction of soil organic matter using artificial neural network and topographic indicators in hilly areas[J]. Nutrient Cycling in Agroecosystems, 2013, 95(3): 333-344. [本文引用:1]
[12] LI Q Q, YUE T X, WANG C Q, et al. Spatially distributed modeling of soil organic matter across China: an application of artificial neural network approach[J]. Catena, 2013, 104: 210-218. [本文引用:1]
[13] GRIMM R, BEHRENS T, MÄRKER M, et al. Soil organic carbon concentrations and stocks on Barro Colorado Island : digital soil mapping using Rand om Forests analysis[J]. Geoderma, 2008, 146(1): 102-113. [本文引用:1]
[14] WIESMEIER M, BARTHOLD F, BLANK B, et al. Digital mapping of soil organic matter stocks using Rand om Forest modeling in a semi-arid steppe ecosystem[J]. Plant & Soil, 2011, 340(1/2): 7-24. [本文引用:1]
[15] GUO P T, LI M F, LUO W, et al. Digital mapping of soil organic matter for rubber plantation at regional scale: an application of rand om forest plus residuals kriging approach[J]. Geoderma, 2015, 237/238: 49-59. [本文引用:1]
[16] YANG R M, ZHANG G L, LIU F, et al. Comparison of boosted regression tree and rand om forest models for mapping topsoil organic carbon concentration in an alpine ecosystem[J]. Ecological Indicators, 2016, 60: 870-878. [本文引用:1]
[17] WIESMEIER M, BARTHOLD F, SPÖRLEIN P, et al. Estimation of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany)[J]. Geoderma Regional, 2014, 1(6): 67-68. [本文引用:1]
[18] 王茵茵. 基于RS数据与RF算法的陕西省土壤有机质预测研究[D]. 杨凌: 西北农林科技大学, 2016.
WANG Y Y. Soil organic matter prediction based on RS data and RF model in Shaanxi Province[D]. Yangling: Northwest A&F University, 2016. [本文引用:2]
[19] 齐雁冰, 王茵茵, 陈洋, 等. 基于遥感与随机森林算法的陕西省土壤有机质空间预测[J]. 自然资源学报, 2017, 32(6): 1074-1086.
QI Y B, WANG Y Y, CHEN Y, et al. Soil organic matter prediction based on remote sensing data and Rand om Forest model in Shaanxi Province[J]. Journal of Natural Resources, 2017, 32(6): 1074-1086. (in Chinese with English abstract) [本文引用:2]
[20] BREIMAN L. Rand om forests[J]. Machine Learning, 2001, 45(1): 5-32. [本文引用:1]
[21] 王茵茵, 齐雁冰, 陈洋, 等. 基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 土壤学报, 2016, 53(2): 342-354.
WANG Y Y, QI Y B, CHEN Y, et al. Prediction of soil organic matter based on multi-resolution remote sensing data and rand om forest algorithm[J]. Acta Pedologica Sinica, 2016, 53(2): 342-354. (in Chinese with English abstract) [本文引用:1]
[22] 赵业婷, 常庆瑞, 李志鹏, 等. 1983—2009 年西安市郊区耕地土壤有机质空间特征与变化[J]. 农业工程学报, 2013, 29(2): 132-140.
ZHAO Y T, CHANG Q R, LI Z P, et al. Spatial characteristics and changes of soil organic matter for cultivated land in suburban area of Xi'an from 1983 to 2009[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(2): 132-140. (in Chinese with English abstract) [本文引用:1]
[23] 全国农业技术推广服务中心. 北方果树测土配方施肥技术[M]. 北京: 中国农业出版社, 2009. [本文引用:1]
[24] 李百云, 刘旭峰, 金会翠, 等. 陕西眉县部分猕猴桃果园土壤主要养分状况分析[J]. 西北农业学报, 2008, 17(3): 215-218.
LI B Y, LIU X F, JIN H C, et al. Analysis on soil nutrition of kiwifruit orchards in Meixian County of Shaanxi Province[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2008, 17(3): 215-218. (in Chinese with English abstract) [本文引用:1]
[25] 雷宝佳, 杨联安, 张林森, 等. 猕猴桃果园土壤养分空间变异性分析: 以陕西周至县为例[J]. 西北大学学报(自然科学版), 2015, 45(2): 323-326.
LEI B J, YANG L A, ZHANG L S, et al. Analysis on spatial variability of soil nutrition of kiwifruit orchards: taking Zhouzhi County of Shaanxi Province as a case[J]. Journal of Northwest University( Natural Science Edition), 2015, 45(2): 323-326. (in Chinese with English abstract) [本文引用:2]
[26] 张彬, 杨联安, 冯武焕, 等. 基于改进TOPSIS和COK的土壤养分综合评价[J]. 干旱区资源与环境, 2016, 30(7): 180-185.
ZHANG B, YANG L A, FENG W H, et al. Comprehensive evaluation of soil nutrients based on improved TOPSIS and COK[J]. Journal of Arid Land Resources and Environment, 2016, 30(7): 180-185. (in Chinese with English abstract) [本文引用:1]
[27] 余胜男, 陈元芳, 顾圣华, 等. 随机森林在降水量长期预报中的应用[J]. 南水北调与水利科技, 2016, 14(1): 78-83.
YU S N, CHEN Y F, GU S H, et al. Long-term rainfall forecasting based on rand om forest[J]. South-to-North Water Transfers and Water Science & Technology, 2016, 14(1): 78-83. (in Chinese with English abstract) [本文引用:1]