样点规模与采样方法对表层土壤pH空间预测精度的影响

土壤空间预测与数字化制图的精度受土壤样点规模、采样策略、预测模型选择、目标区域地貌与成土环境复杂程度、协变量数据质量等多种因素共同制约。选择河南省为研究区,基于9种土壤样点规模、5种采样方法,应用5种最具代表性的机器学习(Machine learning,ML)算法对耕地表层土壤pH实施空间预测与数字化制图,用以对比分析不同样点规模与采样方法对ML模型的性能表现及土壤pH预测精度的影响。结果表明:(1)当研究区土壤样点规模从200个经由400个、800个、1200个、1600上升至2000个时,无论使用何种采样方法,所有ML模型的性能表现与预测精度均呈快速上升的总体趋势;当样点规模达到并超过2000个时,大多数ML性能表现及预测精度趋于稳定,表明2000个土壤样点可能是这些ML模型预测研究区耕地表层土壤pH的样点规模阈值。(2)5种ML模型性能表现及其土壤pH预测精度存在明显差距,基于树结构的随机森林(Randomforests,RF)和Cubist表现最好,无论使用哪种采样方法,这两种模型预测结果的决定系数(R2)均可稳定在0.75~0.80之间、RMSE保持在0.50以下。(3)当土壤样点规模足够大时,采样方法对ML模型性能和土壤pH预测精度的影响很小,五种采样方法的效果相差不大。当土壤样点规模小于2000个时,采样方法的影响逐渐凸显。比较而言,条件拉丁超立方采样在样点规模较小时具备优势。当样点规模为1000个时,条件拉丁超立方采样仍可使随机森林和Cubist预测的R2维持在0.80左右;在样点规模小至200个时,条件拉丁超立方采样方法下5种ML模型预测的R2均在0.55以上。(4)不确定性分析结果显示,平均73.9%的验证样点表层土壤pH观测值落入随机森林模型90%预测区间,表明该模型的可靠性被轻微高估,但处于可接受范畴。此外,数据显示模型预测的不确定性与样点规模无明显关联。