摘要:為了提高農(nóng)田土壤養(yǎng)分含量空間插值精度,,準確掌握土壤養(yǎng)分的空間分布特征,,以新疆瑪納斯河流域綠洲為研究區(qū)域,,測定土壤有機質(zhì)含量、全氮含量,、有效磷含量,、速效鉀含量、pH值和鹽分含量,,協(xié)同經(jīng)度,、緯度、地形,、氣象和植被指數(shù)因子作為環(huán)境變量,,經(jīng)過皮爾遜相關(guān)系數(shù)(Person correlation coefficient,PCC),、方差膨脹系數(shù)(Variance inflation factor,,VIF)和極端梯度提升(Extreme gradient boosting,XGBoost)算法進行變量篩選,,采用決策樹(Decision tree,,DT)、隨機森林(Random forest,,RF),、徑向基函數(shù)神經(jīng)網(wǎng)絡(Radial basis function,RBF)和長短期記憶網(wǎng)絡(Long short-term memory,,LSTM)4種機器學習模型與普通克里格(Ordinary Kriging,,OK)方法,對研究區(qū)農(nóng)田土壤有機質(zhì),、全氮,、有效磷和速效鉀含量進行空間插值。結(jié)果表明:研究區(qū)土壤有機質(zhì),、全氮,、有效磷、速效鉀含量分別為0.226~32.275 g/kg,、0.117~1.272 g/kg,、3.159~53.884 mg/kg和81.510~488.422 mg/kg,變異系數(shù)為30.636%~43.648%,,均屬于中等程度變異,。PCC、VIF和XGBoost變量篩選均表明,,土壤有機質(zhì),、全氮、有效磷和速效鉀間具有一定的關(guān)聯(lián)性,,可用于目標屬性空間插值的環(huán)境變量,,但不同變量篩選方法對經(jīng)度,、緯度、地形,、氣象和植被指數(shù)因子篩選結(jié)果具有一定的差異性,。XGBoost方法可以更有效地篩選出對空間插值結(jié)果重要的環(huán)境變量,且基于此方法篩選變量后建立的模型精度明顯優(yōu)于PCC和VIF篩選變量后建立的模型精度,,而且協(xié)同環(huán)境變量的機器學習模型精度普遍優(yōu)于未加入環(huán)境變量的OK模型精度,,同一土壤養(yǎng)分含量空間插值模型精度從大到小依次為RF、LSTM,、RBF,、DT、OK,,其中基于XGBoost篩選出的變量對土壤有機質(zhì),、全氮、有效磷和速效鉀含量構(gòu)建的RF空間插值模型精度相較于未加入環(huán)境變量的OK模型有顯著提高,,決定系數(shù)分別提高43.02%,、101.00%、86.04%和137.89%,,均方根誤差分別降低27.39%,、42.78%,、13.12%和28.39%,,平均絕對誤差分別降低29.01%、43.84%,、11.20%和29.62%,。利用RF模型對研究區(qū)農(nóng)田土壤養(yǎng)分進行反演得到土壤有機質(zhì)和全氮含量具有較強的空間分布一致性,含量較高的主要集中在研究區(qū)南部和東部區(qū)域,,有效磷和速效鉀含量具有一定的空間相似性,,東南部、中北部區(qū)域含量較低,。綜上,,XGBoost變量篩選方法結(jié)合RF模型可以更好地實現(xiàn)土壤養(yǎng)分空間插值,可作為土壤養(yǎng)分空間插值的有效方法,。