旬邑县冬小麦氮磷钾肥料利用率试验初报

通过冬小麦氮磷钾肥料利用率试验,研究探索陕西省旬邑县冬小麦测土配方施肥情况下施用氮、磷、钾肥料利用率效果。试验结果表明,冬小麦栽培技术采用测土配方施肥方案,氮肥利用率提高2.94个百分点,磷肥利用率提高4.38个百分点,钾肥利用率提高3.11个百分点。

基于投影寻踪的土壤养分综合评价及影响因素研究

客观、精准研究土壤综合养分及影响因素,可为农作物科学施肥提供参考依据。以陕西省旬邑县苹果种植区为研究区,选取有机质、碱解氮、速效钾和有效磷为评价指标,将投影寻踪综合评价法运用到土壤养分评价中,根据最佳投影方向,计算土壤养分综合投影指数(comprehensive projection index,CPI),并依据经验等级对应投影值,从而评价土壤养分等级,基于普通克里格和GIS绘制土壤养分综合指数等级分布图,并利用随机森林的importance()函数分析影响因素对养分含量的重要性。结果表明:研究区CPI的变幅为0.653~1.516,平均值1.022,变异系数为14.746%,呈中等程度变异,同时CPI属于Ⅲ级和Ⅳ级;基于80%训练集和20%验证集的精度交叉验证,球面函数为最优理论模型;土壤综合养分的总体空间分布格局:除土桥、职田和湫坡头镇东部的养分等级高,土壤养分等级从西部向东部递减,从高到低的面积比例为:14.415︰28.522︰35.450︰20.115︰1.498,土壤综合养分属于中等及偏下水平,且主要分布在东部;高程、气温和坡度等因子是影响区域土壤养分的主导因子,且每项影响因子对土壤养分含量的影响度差异大。研究结果与当地实际相吻合,可为当地果园提高土壤肥力提供科学依据,也为区域土壤养分评价提供了新思路。

基于主成分和机器学习的土壤有机质含量空间预测建模

协同环境变量与机器学习回归模型构建土壤有机质空间预测组合模型对养分精准管理具有重要意义,而多维变量间的信息冗余和相关性会导致模型训练时间过长、预测精度降低等问题。以陕西省咸阳市农耕区为例,选取高程、坡向、坡度、剖面曲率、平面曲率、地形起伏度、地形湿度指数、年均降水量、年均气温、归一化植被指数共10个环境变量,在主成分分析(Principal compo⁃nent analysis,PCA)、核主成分分析(Kernel principal component analysis,KPCA)方法特征提取基础上,组合随机森林(Random forest,RF)、支持向量回归机(Support vector regression,SVR)、K最近邻(K-nearest neighbor,KNN)机器学习模型进行土壤有机质含量空间预测。以单一模型作为对照,通过计算模型决定系数(Coefficient of determination,R^(2))、均方根误差(Root mean square error,RMSE)和相对绝对误差(Relative absolute error,RAE),对不同模型的预测结果进行精度评价。结果表明:利用主成分提取方法和机器学习算法构建组合模型能消除变量间相关性,一定程度上提高土壤有机质含量预测模型精度。KPCA-RF模型对SOM含量预测精度高于其他模型,R2、RMSE、RAE分别为0.791、1.970 g·kg^(-1)、50.100%,该模型良好的预测能力可以为土壤有机质含量的空间预测与制图提供科学依据。

冬小麦氮磷钾肥料效应试验研究初报

采用"3414"田间肥效试验,对陕西省旬邑县冬小麦栽培施用的氮、磷、钾肥肥效进行了研究。试验结果表明,冬小麦最佳经济效益施肥量为纯氮14.1kg/667m2、五氧化二磷11kg/667m2、氧化钾3.3kg/667m2,可获得产量322.1kg/667m2。

基于随机森林的苹果区土壤有机质空间预测

准确预测土壤有机质空间分布有利于测土配方施肥的推进和精准农业的发展。选取陕西省旬邑县苹果区为研究区,以地理位置(经纬度)、土壤类型、气候因子和地形因子作为辅助变量,运用随机森林模型进行土壤有机质空间分布预测,以普通克里格法和回归克里格法为对照,通过计算验证集的平均误差(ME)、平均绝对误差(MAE)和均方根误差(RMSE),对不同方法的预测结果进行精度评价。结果表明:研究区土壤有机质含量在6.8~18.2g·kg^(-1)之间,平均值为12.4g·kg^(-1),整体处于中等水平,土壤有机质含量空间分布不均匀,呈东高西低的分布趋势,具有中等程度空间变异性;精度评价结果表明随机森林的预测精度最高,其ME、MAE和RMSE均为最小,对局部细节的刻画也较其他两种方法精细,预测结果图中无明显块状区域,与真实情况更为相符;通过对辅助因子重要性进行排序,发现高程和地理位置是影响研究区土壤有机质空间分布的主要因子。