土壤学报

作者：李坤，黄魏，傅佩红，陈宇昊，王子影

单位：李坤，华中农业大学资源与环境学院, 武汉 430070；,黄魏，华中农业大学资源与环境学院, 武汉 430070；ccan@mail.hzau.edu.cn,傅佩红，华中农业大学资源与环境学院, 武汉 430070；,陈宇昊，华中农业大学资源与环境学院, 武汉 430070；,王子影，华中农业大学资源与环境学院, 武汉 430070；,

关键词：环境因子;母质;机器学习;频繁项集;数字土壤制图

基金：国家自然科学基金项目（4217010868，4187070193）资助

通过数字土壤制图获取更高精度的土壤类型空间分布，对于人们合理利用土地资源具有重要意义。本研究基于实地采样点根据母质类型筛选环境因子，并使用随机森林，土壤景观推理模型方法（Soil-land Inference Model，SoLIM）、K邻近算法（K-Nearest Neighbor，KNN）等三种不同制图方法分别分区建模，得到制图结果后合并形成全域土壤类型空间分布图，继而，使用FP-Growth算法挖掘环境因子内部关联关系（频繁项集），分别将其与上述三种制图结果结合，再次推理土壤类型空间分布。制图结果显示：（1）按母质类型分开制图的效果和精度均较母质一起制图时好，且土壤类型空间分布的推理也更加合理。（2）随机森林与频繁项集结合制图在本研究中精度最高，为70.73%，且与另外两种结合方法推理的土壤类型空间分布也有一定的相似性，通过对比分析能够确定研究区土种类型的空间分布。（3）与频繁项集结合后，三种方法的制图精度和Kappa系数均有提升，提升最多的为KNN方法（分别提升9.76%，11.70%），最少的为随机森林方法（分别提升4.88%，5.85%），验证了本文设计结合方法的有效性。本研究主要进行了两方面探究，一方面探究了母质对环境因子筛选的影响，为数字土壤制图的因子筛选提供参考；另一方面通过将频繁项集与不同制图方法相结合为数字土壤制图提供了新的方法和思路，同时也为关联关系的信息化应用提供了参考。

来源：2025年第2期

《土壤学报》期刊编辑部

查看土壤学报杂志2025年第2期