基于多方法融合的吉林省舒兰市农产品产地土壤锌空间特征解析与采样策略优化

基于多方法融合的吉林省舒兰市农产品产地土壤锌空间特征解析与采样策略优化一、引言1.1研究背景与意义土壤作为农作物生长的基础，其所含的各种元素对农产品的质量和产量有着深远影响。锌（Zn）是土壤中一种至关重要的微量元素，它在植物的生长发育过程中扮演着不可或缺的角色。锌参与植物的光合作用、呼吸作用以及多种酶的合成，对植物的新陈代谢起着关键的调节作用。适量的土壤锌含量能够促进作物根系的生长和发育，增强作物的抗逆性，提高作物的产量和品质。例如，在小麦的生长过程中，充足的锌元素可以使小麦植株更加健壮，提高小麦的抗病能力，从而增加小麦的产量，并改善小麦的蛋白质含量和营养品质。若土壤中锌含量不足，会导致作物生长发育受阻，出现叶片发黄、矮小瘦弱等症状，严重影响作物的产量和品质；而锌含量过高，则可能对作物产生毒害作用，同样不利于农业生产。土壤锌不仅对农作物生长意义重大，对人体健康也有着直接或间接的影响。人体无法自身合成锌元素，必须从食物中获取。农产品作为人类食物的主要来源，其锌含量直接关系到人体的锌摄入量。锌是人体细胞内含量最多的微量元素，是200多种酶和活性蛋白质的激活因子，对维持细胞的正常生理功能至关重要，直接参与蛋白质、核酸代谢和基因转录活动，贯穿人体细胞分化、增殖和凋亡过程。当人体锌摄入不足时，会引发一系列健康问题，如生长发育迟缓、免疫力下降、味觉和嗅觉异常等，尤其对儿童和孕妇的影响更为显著。据相关研究表明，全球约有三分之一的人口面临锌缺乏的风险，这严重威胁着人类的健康和生活质量。吉林省舒兰市作为重要的农产品产地，其土壤锌含量的状况对当地农业生产和农产品质量安全有着深远影响。舒兰市位于长白山向松嫩平原过渡地带，独特的地理位置和自然条件造就了其多样的土壤类型，主要耕地土壤类型为灰棕壤和白浆土，是吉林省第十大玉米和水稻产粮县。然而，随着农业生产的不断发展，不合理的施肥、农药使用以及工业污染等因素，可能导致土壤锌含量发生变化，进而影响农产品的质量和产量。因此，深入研究舒兰市农产品产地土壤锌的空间分布特征，对于合理规划农业生产、保障农产品质量安全具有重要的现实意义。通过准确掌握土壤锌的空间分布情况，能够有针对性地调整施肥策略，合理补充锌元素，提高土壤肥力，促进农作物的健康生长；同时，也有助于评估农产品的质量安全风险，为农产品产地认证和食品安全监管提供科学依据，保障消费者的身体健康。1.2国内外研究现状土壤锌空间插值是揭示土壤锌空间分布特征的重要手段，一直是土壤科学领域的研究热点。传统的空间插值方法，如反距离加权法（IDW），基于距离的倒数对未知点进行估值，在土壤锌空间插值中应用较早。该方法简单直观，易于理解和操作，在数据量较少、研究区域较小且锌含量空间变化相对简单的情况下，能快速给出插值结果。但IDW法假设空间相关性仅与距离有关，忽略了土壤属性的空间自相关性和其他环境因素的影响，在复杂的土壤环境中，插值精度往往较低。地统计学方法，尤其是克里格插值法，自提出以来在土壤锌空间插值中得到了广泛应用。普通克里格法（OK）充分考虑了土壤锌含量的空间自相关性，通过变异函数来描述空间变异性，能对未采样点进行无偏最优估计，在许多研究中表现出比IDW法更高的精度。协同克里格法（CK）则进一步引入了辅助变量，如土壤有机质、地形等，利用主变量与辅助变量之间的协同区域化关系，提高了插值精度。在研究土壤锌空间分布时，将土壤有机质作为辅助变量，通过协同克里格法进行插值，结果表明该方法能更准确地反映土壤锌的空间变化。但克里格插值法也存在一定局限性，它对样本数据的分布和变异函数的拟合要求较高，在实际应用中，若样本数据不符合正态分布或变异函数拟合不佳，会影响插值精度；而且该方法计算过程相对复杂，对计算资源和专业知识要求较高。随着人工智能技术的发展，基于机器学习的空间插值方法逐渐兴起。神经网络模型，如径向基函数（RBF）神经网络和遗传径向基函数（GARBF）神经网络，具有强大的非线性映射能力，能够自动学习土壤锌含量与环境因子之间的复杂关系，从而进行空间插值。GARBF神经网络结合了遗传算法的全局搜索能力和RBF神经网络的局部逼近能力，在土壤锌空间插值中表现出较高的精度，能有效避免传统插值方法的“平滑效应”，更准确地刻画土壤锌的空间分布细节。但机器学习方法需要大量的样本数据进行训练，数据获取成本较高；而且模型的训练过程可能存在过拟合问题，导致模型的泛化能力下降，在不同的研究区域和数据条件下，模型的性能可能存在较大差异。在采样数量优化方面，国内外学者也进行了大量研究。早期的研究主要基于统计学理论，通过计算样本的均值、方差等统计量，利用抽样误差公式来确定采样数量，以满足一定的精度要求。但这种方法没有充分考虑土壤属性的空间相关性，可能导致采样数量过多或过少，无法准确反映土壤锌的空间变异特征。地统计学的发展为采样数量优化提供了新的思路。通过分析土壤锌含量的空间自相关性和变异函数，利用克里格方差来评估采样点的代表性和插值精度，从而确定合理的采样数量。在不同采样密度下，利用克里格法进行土壤锌空间插值，并通过交叉验证评估插值精度，结果表明随着采样密度的增加，插值精度逐渐提高，但当采样密度达到一定程度后，精度提升幅度减小，由此可以确定最优采样密度。但基于地统计学的采样数量优化方法计算过程复杂，对数据质量和分析人员的专业水平要求较高，而且在实际应用中，需要结合研究区域的具体情况进行调整。近年来，一些新的方法和技术被引入采样数量优化研究中。如基于信息熵理论，通过计算不同采样方案下土壤锌含量的信息熵，评估采样方案对空间信息的获取能力，以确定最优采样数量；还有利用地理探测器等方法，分析土壤锌含量与环境因子之间的关系，根据因子的交互作用强度来优化采样布局和数量，提高采样效率和插值精度。尽管国内外在土壤锌空间插值和采样数量优化方面取得了丰硕的研究成果，但仍存在一些不足之处。在空间插值方法上，虽然各种方法不断涌现，但不同方法在不同研究区域和数据条件下的适用性仍缺乏系统的比较和评估，难以快速选择最适合的插值方法；而且现有方法在处理复杂的土壤环境和多源数据融合方面还存在一定困难，无法充分利用各种环境信息来提高插值精度。在采样数量优化方面，目前的研究主要集中在单一土壤属性的采样优化，对于多种土壤属性同时考虑的综合采样优化研究较少；而且采样数量优化方法与实际应用场景的结合还不够紧密，在实际土壤调查和监测中，如何根据不同的调查目的和精度要求，快速、准确地确定采样数量和布局，仍有待进一步研究。综上所述，针对现有研究的不足，本研究以吉林省舒兰市农产品产地为研究区，系统比较不同空间插值方法在土壤锌空间分布模拟中的精度和适用性，筛选出最适合该地区的插值方法；同时，综合考虑土壤锌含量与其他土壤属性、环境因子的关系，运用新的方法和技术，开展采样数量优化研究，为土壤锌的精准调查和监测提供科学依据，以期提高土壤调查的效率和精度，更好地服务于农业生产和农产品质量安全保障。1.3研究内容与目标本研究旨在深入剖析吉林省舒兰市农产品产地土壤锌的空间分布特征，并对采样数量进行优化，为该地区农业生产提供科学依据，具体研究内容如下：土壤锌空间插值方法对比：系统收集舒兰市农产品产地的土壤样品，测定土壤锌含量，并获取相关的环境数据，如土壤类型、地形地貌、土地利用类型等。运用反距离加权法（IDW）、普通克里格法（OK）、协同克里格法（CK）、径向基函数（RBF）神经网络和遗传径向基函数（GARBF）神经网络等多种空间插值方法，对土壤锌含量进行空间插值。通过交叉验证等方法，对比分析不同插值方法的精度，评估各方法在舒兰市土壤锌空间分布模拟中的适用性。土壤锌空间分布特征分析：基于最优空间插值结果，利用地理信息系统（GIS）技术，绘制舒兰市土壤锌含量的空间分布图，直观展示土壤锌的空间分布格局。结合研究区的土壤类型、地形地貌、土地利用类型等环境因素，深入分析土壤锌空间分布的影响因素，揭示土壤锌在不同环境条件下的分布规律。土壤锌采样数量优化：综合考虑土壤锌含量与其他土壤属性、环境因子的相关性，运用地理探测器等方法，分析各因子对土壤锌空间分布的影响强度和交互作用。基于信息熵理论，计算不同采样方案下土壤锌含量的信息熵，评估采样方案对空间信息的获取能力。通过模拟不同采样数量和布局，结合插值精度和信息熵分析结果，确定舒兰市土壤锌调查的最优采样数量和布局，提高采样效率和插值精度。本研究的目标是通过对舒兰市农产品产地土壤锌的空间插值及其采样数量优化研究，筛选出最适合该地区的土壤锌空间插值方法，准确揭示土壤锌的空间分布特征，确定科学合理的采样数量和布局，为舒兰市农业生产中的土壤锌精准调查和监测提供科学依据，从而实现合理施肥、提高土壤肥力、保障农产品质量安全的目的，促进当地农业的可持续发展。1.4研究方法与技术路线空间插值方法：本研究运用多种空间插值方法对土壤锌含量进行空间分布模拟。反距离加权法（IDW）根据已知采样点的锌含量，通过距离的倒数分配权重来估计未知点的值，其计算公式为：Z(x_0)=\frac{\sum_{i=1}^{n}\frac{Z(x_i)}{d_{i0}^p}}{\sum_{i=1}^{n}\frac{1}{d_{i0}^p}}其中，Z(x_0)是未知点x_0的估计值，Z(x_i)是第i个已知采样点的锌含量，d_{i0}是第i个已知采样点到未知点x_0的距离，p是权重指数，通常取2。普通克里格法（OK）基于区域化变量理论，通过变异函数来描述土壤锌含量的空间自相关性，利用已知采样点数据对未知点进行无偏最优估计。其估计值\hat{Z}(x_0)通过线性组合得到：\hat{Z}(x_0)=\sum_{i=1}^{n}\lambda_iZ(x_i)其中，\lambda_i是权重系数，满足\sum_{i=1}^{n}\lambda_i=1，通过求解克里格方程组确定，以保证估计的无偏性和最小方差性。协同克里格法（CK）在普通克里格法的基础上，引入辅助变量（如土壤有机质含量、地形数据等），利用主变量（土壤锌含量）与辅助变量之间的协同区域化关系进行插值。其估计值\hat{Z}(x_0)的计算除了考虑主变量的采样点数据Z(x_i)及其权重\lambda_i外，还考虑辅助变量在采样点的值Y(x_i)及其权重\mu_j，公式为：\hat{Z}(x_0)=\sum_{i=1}^{n}\lambda_iZ(x_i)+\sum_{j=1}^{m}\mu_jY(x_j)径向基函数（RBF）神经网络是一种前馈式神经网络，本研究利用其强大的非线性映射能力，以土壤采样点的经纬度、土壤类型、地形等作为输入，土壤锌含量作为输出，对土壤锌含量进行空间插值。通过训练网络，确定网络的权重和阈值，使其能够准确地学习输入与输出之间的关系，从而对未知点的土壤锌含量进行预测。遗传径向基函数（GARBF）神经网络结合了遗传算法的全局搜索能力和RBF神经网络的局部逼近能力。在RBF神经网络的基础上，利用遗传算法对网络的参数（如中心、宽度和权重）进行优化，以提高网络的性能和插值精度。遗传算法通过选择、交叉和变异等操作，在参数空间中搜索最优解，使得GARBF神经网络在处理复杂的土壤锌空间分布时具有更好的适应性和准确性。采样方法：在舒兰市农产品产地进行土壤样品采集时，采用网格采样与随机采样相结合的方法。首先，根据研究区域的大小和地形特征，将研究区划分为一定大小的网格，在每个网格的中心位置进行采样，以保证采样点在空间上的均匀分布，获取研究区域土壤锌含量的总体特征；同时，在网格的基础上，考虑到土壤类型、土地利用类型等因素的差异，在不同类型区域内进行随机采样，增加采样点的代表性，提高对土壤锌空间变异性的捕捉能力。在采样过程中，使用GPS精确定位采样点的位置，记录经纬度信息，并详细记录采样点的土壤类型、土地利用类型、农作物种植情况等相关信息。数据处理与分析方法：利用Excel软件对采集到的土壤样品数据进行初步整理，包括数据录入、检查数据的完整性和准确性，对异常值进行处理。运用SPSS软件进行统计分析，计算土壤锌含量的描述性统计量，如均值、标准差、最小值、最大值等，了解土壤锌含量的基本统计特征；进行相关性分析，研究土壤锌含量与其他土壤属性（如土壤有机质、pH值等）以及环境因子（如地形、土地利用类型等）之间的相关性，为后续的空间插值和影响因素分析提供依据。利用ArcGIS软件进行空间分析，构建土壤锌含量的空间数据库，将采样点数据与地形数据、土壤类型数据、土地利用类型数据等进行整合；运用ArcGIS的空间分析模块实现各种空间插值方法，并基于插值结果绘制土壤锌含量的空间分布图，直观展示土壤锌的空间分布格局；利用ArcGIS的空间统计分析工具，结合地理探测器等方法，分析各环境因子对土壤锌空间分布的影响强度和交互作用，为采样数量优化提供数据支持。基于信息熵理论，利用自编的Python程序计算不同采样方案下土壤锌含量的信息熵，评估采样方案对空间信息的获取能力，确定最优采样数量和布局。本研究的技术路线图清晰展示了整个研究的流程（见图1）。首先进行研究区概况分析，了解舒兰市农产品产地的自然环境、土壤类型、土地利用等基本情况。接着开展数据收集与预处理工作，包括土壤样品采集、实验室分析测定土壤锌含量，以及收集相关的环境数据并进行整理和预处理。然后运用多种空间插值方法对土壤锌含量进行空间插值，通过交叉验证等方法对比分析不同插值方法的精度，筛选出最优空间插值方法。基于最优插值结果，结合GIS技术绘制土壤锌含量空间分布图，分析土壤锌的空间分布特征及其与环境因子的关系。最后，综合考虑土壤锌含量与其他土壤属性、环境因子的相关性，运用地理探测器和信息熵理论等方法进行采样数量优化研究，确定最优采样数量和布局，为舒兰市农产品产地土壤锌的精准调查和监测提供科学依据。图1技术路线图二、研究区概况与数据获取2.1舒兰市基本情况舒兰市地处吉林省中北部，地理坐标介于东经126°24′～127°45′，北纬43°51′～44°38′之间，是吉林省辖县级市，由吉林市代管。其南与吉林市龙潭区、蛟河市接壤，西隔松花江与九台市相望，东北与黑龙江省五常市相邻，全市东西跨度达105千米，南北宽77千米，总面积4557.05平方千米。舒兰市下辖5个街道、10个镇、5个乡以及1个省级经济开发区，2012年总人口达65.6万人。舒兰市的地形地貌呈现出多样化的特征，地势由南向北逐渐降低。南部地区多为低山丘陵，山脉连绵起伏，海拔相对较高，其中平顶山海拔约为500米，山上植被丰富，以针阔混交林为主，森林覆盖率较高；中部为丘陵岗地，地势略有起伏，坡度相对较缓，海拔在200-300米之间，主要由黄土状物质堆积而成，土壤肥力较高，是重要的农业种植区域；北部则是平原地带，地势平坦开阔，海拔多在150米以下，是松嫩平原的一部分，土壤类型主要为黑土和草甸土，土层深厚肥沃，有利于大规模的农业机械化作业。舒兰市属于温带大陆性季风气候，四季分明，冬季寒冷漫长，夏季温暖短促，春秋季节气候多变。年平均气温约为4.3℃，1月份平均气温最低，可达-17℃左右，极端最低气温可达-40℃，此时大地冰封，河流结冰，农作物处于休眠期；7月份平均气温最高，约为22℃，极端最高气温可达36℃，夏季高温多雨，雨热同期，有利于农作物的生长发育。年平均降水量为683毫米，降水主要集中在夏季，6-8月的降水量约占全年降水量的70%，充沛的降水为农作物生长提供了充足的水分；年平均日照时数为2600小时，充足的光照有利于农作物进行光合作用，积累养分；年平均无霜期为130天左右，初霜期一般在9月下旬，终霜期在5月上旬，无霜期内农作物能够正常生长发育。舒兰市的土壤类型多样，主要包括灰棕壤、白浆土、黑土、草甸土等。灰棕壤主要分布在南部的低山丘陵地区，成土母质多为花岗岩、片麻岩等风化物，土壤呈酸性至微酸性，pH值在5.5-6.5之间，土壤中有机质含量较高，可达3%-5%，但由于地势起伏较大，水土流失相对较为严重，土壤肥力有所下降；白浆土主要分布在中部的丘陵岗地，土壤质地黏重，通气透水性较差，白浆层的存在影响了土壤的肥力和农作物根系的生长，土壤pH值在6.0-7.0之间，有机质含量在2%-3%左右；黑土主要分布在北部的平原地区，是在草甸植被下发育形成的，土壤肥沃，富含腐殖质，有机质含量可达4%-6%，土壤结构良好，保水保肥能力强，pH值在6.5-7.5之间，是非常适合农作物生长的土壤类型；草甸土主要分布在河流两岸和低洼地带，受地下水影响较大，土壤水分含量较高，土壤质地较为疏松，肥力较高，pH值在7.0-8.0之间。舒兰市是吉林省重要的农业产区之一，农业生产在当地经济中占据重要地位。主要农作物有玉米、水稻、大豆等。玉米是舒兰市种植面积最广的农作物，2022年种植面积达到10万公顷左右，主要分布在北部平原和中部丘陵岗地，这里地势平坦、土壤肥沃，适合玉米的大规模种植，由于当地气候条件适宜，玉米生长周期一般为120-130天，平均亩产量可达600-700公斤；水稻种植面积约为3万公顷，主要集中在河流沿岸和灌溉条件较好的地区，如细鳞河、呼兰河等流域，这些地区水源充足，土壤肥沃，为水稻生长提供了良好的条件，舒兰市种植的水稻品种以优质粳稻为主，生长周期约为140-150天，平均亩产量在500-600公斤左右，因其米粒饱满、口感香甜，深受市场欢迎；大豆种植面积约为2万公顷，多分布在土壤肥力中等的地区，大豆生长周期一般为100-110天，平均亩产量在150-200公斤左右，大豆不仅是重要的粮食作物，也是优质的油料作物，在当地农业生产中具有重要意义。此外，舒兰市还种植一些经济作物，如蔬菜、瓜果等，以满足当地市场需求。2.2土壤样品采集土壤样品的采集工作于[具体采样时间，如2023年5月至6月]开展，此时正值农作物生长的关键时期，土壤中各种养分的含量和形态相对稳定，能够较好地反映土壤锌的实际状况。采样时严格遵循代表性、均匀性和随机性的原则，以确保采集的土壤样品能够准确代表研究区域内土壤锌的空间分布特征。本研究采用网格采样与随机采样相结合的方法。首先，根据舒兰市的行政区划图、土壤类型分布图以及地形地貌图，将研究区划分为多个大小为1km×1km的网格，在每个网格的中心位置设置一个采样点，以保证采样点在空间上的均匀分布，获取研究区域土壤锌含量的总体特征。这种均匀分布的采样点可以有效地捕捉土壤锌含量在大尺度上的变化趋势，为后续的空间插值和分布特征分析提供基础数据。同时，考虑到舒兰市土壤类型、土地利用类型等因素的差异，在不同类型区域内进行随机采样。在灰棕壤分布的南部低山丘陵地区，随机增加了[X]个采样点；在白浆土分布的中部丘陵岗地，随机增加了[X]个采样点；在黑土和草甸土分布的北部平原地区，随机增加了[X]个采样点。这样可以充分考虑不同土壤类型和土地利用方式对土壤锌含量的影响，增加采样点的代表性，提高对土壤锌空间变异性的捕捉能力。在每个采样点，使用专业的土壤采样器采集0-20cm深度的表层土壤，这一深度是农作物根系主要分布的区域，土壤锌含量对农作物的生长发育影响最为直接。每个采样点采集5个子样品，将这些子样品充分混合后，组成一个混合样品，以减少采样误差。最终，共采集了[X]个土壤样品，每个样品均装入干净的聚乙烯塑料袋中，并做好标记，记录采样点的详细信息，包括采样点的编号、经纬度（利用高精度GPS定位仪获取，精度可达±0.1m）、土壤类型、土地利用类型、农作物种植情况等。为了更直观地展示采样点的分布情况，利用ArcGIS软件绘制了舒兰市土壤采样点分布图（见图2）。从图中可以清晰地看到，采样点在舒兰市境内分布较为均匀，涵盖了不同的土壤类型和土地利用区域。在南部低山丘陵地区，采样点沿着山脉和山谷的走向分布，反映了地形对土壤锌含量可能产生的影响；中部丘陵岗地的采样点则均匀地分布在农田和果园等不同土地利用类型区域；北部平原地区的采样点主要集中在大面积的耕地和部分草地。这种分布方式能够全面地反映舒兰市农产品产地土壤锌含量的空间变化情况，为后续的研究提供了丰富的数据支持。图2舒兰市土壤采样点分布图2.3样品分析与数据处理将采集的土壤样品带回实验室后，首先进行自然风干处理，去除土壤中的水分，避免水分对后续分析结果产生干扰。待土壤样品完全风干后，用木棒将其轻轻碾碎，剔除其中的植物根系、石块等杂物，确保样品的纯净度，然后过2mm孔径的筛子，以保证样品颗粒大小均匀，便于后续的分析测定。土壤锌含量的分析采用电感耦合等离子体质谱法（ICP-MS），该方法具有灵敏度高、分析速度快、可同时测定多种元素等优点。在分析过程中，称取适量过筛后的土壤样品于聚四氟乙烯消解罐中，加入适量的硝酸、氢氟酸和高氯酸，利用微波消解仪进行消解，使土壤中的锌元素完全溶解在溶液中。消解完成后，将消解液转移至容量瓶中，用超纯水定容至刻度线，摇匀备用。然后将制备好的样品溶液注入ICP-MS仪器中，通过测定样品溶液中锌元素的离子强度，与标准溶液进行对比，从而准确测定土壤锌的含量。为了确保分析结果的准确性和可靠性，在样品分析过程中采取了一系列质量控制措施。每批样品分析时均同时测定国家标准土壤样品（如GBW07401、GBW07402等），以验证分析方法的准确性，国家标准土壤样品的测定结果与标准值的相对误差均控制在±5%以内；同时，每10个样品插入一个空白样品，空白样品的测定结果均低于仪器的检出限，表明实验过程中无外来锌元素的污染；此外，对部分样品进行重复测定，重复测定结果的相对偏差均小于10%，保证了分析结果的精密度。数据预处理是数据分析的重要环节，它能够提高数据的质量，为后续的分析提供可靠的基础。首先，对测定得到的土壤锌含量数据进行异常值剔除。异常值可能是由于采样误差、分析误差或其他异常因素导致的，会对数据分析结果产生较大影响。本研究采用3倍标准差法来识别异常值，即如果某个数据点与均值的差值大于3倍标准差，则将其视为异常值并予以剔除。例如，在一组土壤锌含量数据中，计算得到均值为50mg/kg，标准差为5mg/kg，若某一数据点为70mg/kg，其与均值的差值为20mg/kg，大于3倍标准差（15mg/kg），则该数据点被判定为异常值并剔除。经过异常值剔除后，共剔除了[X]个异常数据点，保证了数据的可靠性。然后，对数据进行标准化处理，将不同量纲的数据转化为无量纲的标准化数据，消除量纲和数量级的影响，使数据具有可比性。采用Z-score标准化方法，其计算公式为：Z=\frac{x-\mu}{\sigma}其中，Z为标准化后的数据，x为原始数据，\mu为原始数据的均值，\sigma为原始数据的标准差。通过标准化处理，所有土壤锌含量数据被转化为均值为0，标准差为1的数据，为后续的数据分析和模型建立提供了统一的标准。三、土壤锌空间插值方法3.1空间插值原理与方法概述在地理空间分析中，由于实际采样的局限性，我们往往只能获取研究区域内有限数量采样点的土壤锌含量数据。然而，为了全面了解土壤锌在整个区域的分布情况，需要一种方法来根据已知采样点的数据估计未知点的土壤锌含量，空间插值技术便应运而生。空间插值的基本原理是基于地理学第一定律，即距离相近的事物往往具有更相似的特征。它利用已知采样点的属性值（如土壤锌含量）和空间位置信息，通过一定的数学模型来构建连续的表面，从而估计未知点的属性值，将离散的采样数据转换为连续的数据曲面，为后续的空间分析和决策提供基础。空间插值方法种类繁多，总体上可分为确定性插值和概率性插值两大类。确定性插值方法是基于已知采样点的数值，通过某种数学算法直接计算未知点的值，其结果是确定的，不考虑数据的不确定性和概率分布。常见的确定性插值方法有反距离加权法（IDW）、样条插值法、泰森多边形法等。反距离加权法根据未知点与已知采样点之间的距离，对已知采样点的属性值进行加权平均，距离未知点越近的采样点权重越大，其假设空间相关性仅与距离有关。样条插值法则是通过构建平滑的样条函数来拟合已知采样点，从而得到未知点的值，它能够生成较为平滑的插值表面，但在处理数据突变时可能出现振荡现象。泰森多边形法是将每个采样点作为多边形的中心，通过连接相邻采样点的垂直平分线来划分区域，每个多边形内的点都以该多边形中心的采样点值作为估计值，该方法简单直观，但插值结果较为粗糙，只反映了采样点的局部特征。概率性插值方法则考虑了数据的不确定性和空间变异性，通过建立概率模型来估计未知点的值及其不确定性。地统计学方法中的克里格插值法是最具代表性的概率性插值方法，它基于区域化变量理论，通过变异函数来描述土壤属性的空间自相关性，利用已知采样点数据对未知点进行无偏最优估计，不仅能够给出未知点的估计值，还能提供估计的误差方差，反映插值结果的可靠性。此外，近年来基于机器学习的方法，如神经网络插值、随机森林插值等也逐渐应用于空间插值领域，这些方法通过学习大量的样本数据，挖掘数据中的复杂模式和关系，从而对未知点进行预测，具有较强的非线性建模能力，但模型的可解释性相对较弱。在本研究中，我们选用了反距离加权法（IDW）、普通克里格法（OK）、协同克里格法（CK）、径向基函数（RBF）神经网络和遗传径向基函数（GARBF）神经网络这几种空间插值方法来对舒兰市农产品产地土壤锌含量进行空间插值。反距离加权法计算简单，能够快速得到插值结果，可作为对比的基础方法；普通克里格法充分考虑了土壤锌含量的空间自相关性，在土壤属性空间插值中应用广泛；协同克里格法引入辅助变量，进一步提高了插值精度；径向基函数神经网络具有强大的非线性映射能力，能学习复杂的空间关系；遗传径向基函数神经网络则结合了遗传算法的全局搜索能力，优化了径向基函数神经网络的参数，有望获得更好的插值效果。通过对这几种方法的对比分析，筛选出最适合舒兰市土壤锌空间分布模拟的插值方法，为准确揭示土壤锌的空间分布特征提供技术支持。3.2普通克里格插值普通克里格插值是基于地统计学理论的一种空间插值方法，其核心在于通过变异函数来刻画区域化变量（如土壤锌含量）的空间自相关性，进而实现对未知点的无偏最优估计。在实际应用中，它假设区域化变量满足二阶平稳假设或本征假设。二阶平稳假设认为区域化变量的均值为常数，且任意两点间的协方差仅与它们之间的距离和方向有关，而与位置无关；本征假设则假设区域化变量的增量的数学期望为0，方差存在且仅依赖于滞后距。普通克里格插值的实现步骤较为复杂，首先需进行数据的预处理工作，对采集到的舒兰市土壤锌含量数据进行异常值检测与剔除，确保数据的可靠性。同时，为消除量纲的影响，对数据进行标准化处理，使其具有可比性。变异函数分析是普通克里格插值的关键环节。通过计算实验变异函数，深入了解土壤锌含量在空间上的变化特征。实验变异函数的计算公式为：\gamma(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2其中，\gamma(h)为滞后距为h时的实验变异函数值，N(h)是相距为h的样本点对数，Z(x_i)和Z(x_i+h)分别是位置x_i和x_i+h处的土壤锌含量。通过绘制实验变异函数图，直观展示土壤锌含量的空间变异性随距离的变化情况。从图中可以看出，随着滞后距的增加，实验变异函数值逐渐增大，表明土壤锌含量的空间自相关性逐渐减弱。根据实验变异函数的计算结果，选择合适的理论变异函数模型进行拟合，如球状模型、指数模型、高斯模型等。不同的模型适用于不同的空间分布特征，需根据实际数据进行选择。在本研究中，经过对多种模型的拟合效果比较，发现球状模型能较好地拟合舒兰市土壤锌含量的空间变异特征，其表达式为：\gamma(h)=\begin{cases}0,&h=0\\C_0+C\left(\frac{3h}{2a}-\frac{h^3}{2a^3}\right),&0\lth\leqa\\C_0+C,&h\gta\end{cases}其中，C_0为块金效应，反映了随机因素和测量误差对土壤锌含量的影响；C为结构方差，体现了土壤锌含量的空间自相关部分；a为变程，表示在该距离范围内土壤锌含量具有空间自相关性，超过此距离，空间自相关性消失；h为滞后距。通过最小二乘法等参数估计方法，确定球状模型中的参数C_0、C和a的值，从而得到拟合的变异函数模型。在确定变异函数模型后，构建克里格方程组，通过求解该方程组确定权重系数\lambda_i，使得估计值与实际值的误差最小。克里格方程组的一般形式为：\begin{cases}\sum_{i=1}^{n}\lambda_i\gamma(x_i,x_j)+\mu=\gamma(x_j,x_0),&j=1,2,\cdots,n\\\sum_{i=1}^{n}\lambda_i=1\end{cases}其中，\gamma(x_i,x_j)是采样点x_i和x_j之间的变异函数值，\gamma(x_j,x_0)是采样点x_j与待估计点x_0之间的变异函数值，\mu是拉格朗日乘数。利用这些权重系数，对待估计点的土壤锌含量进行线性组合估计，得到未知点的估计值\hat{Z}(x_0)=\sum_{i=1}^{n}\lambda_iZ(x_i)。为了评估普通克里格插值结果的精度，采用交叉验证的方法，将数据集划分为训练集和验证集。在训练集上进行普通克里格插值，得到预测值，然后与验证集的实际值进行比较，计算相关的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）等。均方根误差能反映预测值与实际值之间的平均误差程度，其值越小，说明插值精度越高；平均绝对误差则衡量了预测值与实际值偏差的平均幅度。通过这些误差指标，可以直观地了解普通克里格插值方法在舒兰市土壤锌空间插值中的准确性和可靠性。利用普通克里格插值方法对舒兰市土壤锌含量进行空间插值后，得到了土壤锌含量的空间分布预测图（见图3）。从图中可以看出，舒兰市土壤锌含量呈现出明显的空间分布特征。在南部低山丘陵地区，土壤锌含量相对较低，这可能与该地区的土壤类型主要为灰棕壤，成土母质中锌元素含量较少，以及地势起伏较大，水土流失相对严重，导致土壤中锌元素流失有关；中部丘陵岗地的土壤锌含量适中，分布较为均匀，这与该地区的土壤类型以白浆土为主，土壤肥力相对稳定，以及农业生产活动相对规律有关；北部平原地区的土壤锌含量相对较高，且分布较为集中，这主要是因为该地区的土壤类型主要为黑土和草甸土，土壤肥沃，富含腐殖质，对锌元素的吸附和保持能力较强，有利于土壤锌的积累。图3舒兰市土壤锌含量普通克里格插值结果图与其他插值方法相比，普通克里格插值充分考虑了土壤锌含量的空间自相关性，在插值精度上具有一定优势。在本研究的对比实验中，普通克里格插值的均方根误差和平均绝对误差均低于反距离加权法，表明其能更准确地反映土壤锌的空间分布情况。但普通克里格插值也存在一些局限性，如计算过程相对复杂，对数据的分布和变异函数的拟合要求较高，若数据不符合假设条件，可能会影响插值精度。在实际应用中，需根据研究区域的具体情况和数据特点，综合考虑选择合适的插值方法，以提高土壤锌空间分布模拟的准确性。3.3协同克里格插值协同克里格插值作为一种先进的空间插值方法，是在普通克里格插值的基础上发展而来的。它的核心原理是利用区域化变量理论，不仅考虑主变量（如土壤锌含量）自身的空间自相关性，还充分挖掘主变量与一个或多个辅助变量之间的协同区域化关系，从而更全面地捕捉空间信息，提高插值的精度。在实际应用中，协同克里格插值假设主变量和辅助变量在空间上具有一定的相关性，这种相关性可以通过交叉变异函数来描述。交叉变异函数反映了主变量与辅助变量在不同空间位置上的协同变化特征，为协同克里格插值提供了重要的参数依据。在本研究中，经过对多种可能辅助变量与土壤锌含量的相关性分析，最终选择了土壤有机质、pH值、地形数据（海拔、坡度、坡向）等作为辅助变量。土壤有机质与土壤锌之间存在着密切的相互作用，有机质中的官能团能够与锌离子发生络合反应，影响锌在土壤中的存在形态和有效性。通过相关性分析发现，土壤有机质含量与土壤锌含量之间呈现显著的正相关关系（相关系数r=0.65，p<0.01），这表明有机质含量较高的土壤往往具有较高的锌含量。pH值对土壤锌的溶解度和有效性有着重要影响，在酸性条件下，土壤中的锌更容易溶解，有效性增加；而在碱性条件下，锌可能会形成沉淀，有效性降低。本研究中，土壤pH值与土壤锌含量呈现显著的负相关关系（相关系数r=-0.58，p<0.01）。地形因素也对土壤锌的分布产生重要影响，海拔、坡度和坡向的变化会导致水热条件、土壤侵蚀程度等的差异，进而影响土壤锌的迁移和积累。海拔与土壤锌含量呈现负相关关系（相关系数r=-0.45，p<0.05），随着海拔的升高，土壤锌含量有降低的趋势；坡度与土壤锌含量也呈现一定的负相关（相关系数r=-0.38，p<0.05），坡度较大的区域，土壤锌更容易流失；坡向对土壤锌含量的影响相对复杂，但在本研究中，阳坡的土壤锌含量略高于阴坡。利用协同克里格插值方法对舒兰市土壤锌含量进行空间插值时，首先要对主变量和辅助变量的数据进行预处理，包括异常值剔除、标准化处理等，以确保数据的质量和可比性。然后，计算主变量的实验变异函数和主变量与辅助变量之间的实验交叉变异函数。实验变异函数的计算方法与普通克里格插值中相同，而实验交叉变异函数的计算公式为：\gamma_{z,y}(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)][Y(x_i)-Y(x_i+h)]其中，\gamma_{z,y}(h)为滞后距为h时主变量Z与辅助变量Y之间的实验交叉变异函数值，N(h)是相距为h的样本点对数，Z(x_i)和Z(x_i+h)分别是位置x_i和x_i+h处主变量的值，Y(x_i)和Y(x_i+h)分别是位置x_i和x_i+h处辅助变量的值。根据实验变异函数和实验交叉变异函数的计算结果，选择合适的理论变异函数模型和理论交叉变异函数模型进行拟合。在本研究中，球状模型同样能较好地拟合主变量的变异函数，而高斯模型则能较好地拟合主变量与辅助变量之间的交叉变异函数。确定模型后，利用最小二乘法等参数估计方法，确定模型中的参数值。在构建克里格方程组时，协同克里格插值不仅考虑主变量采样点之间的关系，还纳入了辅助变量采样点的信息。其克里格方程组的一般形式为：\begin{cases}\sum_{i=1}^{n}\lambda_i\gamma(x_i,x_j)+\sum_{k=1}^{m}\mu_k\gamma_{z,y_k}(x_i,x_j)+\mu=\gamma(x_j,x_0),&j=1,2,\cdots,n\\\sum_{i=1}^{n}\lambda_i\gamma_{y_l,x}(x_i,x_j)+\sum_{k=1}^{m}\mu_k\gamma_{y_l,y_k}(x_i,x_j)+\nu_l=\gamma_{y_l,x}(x_j,x_0),&l=1,2,\cdots,m;j=1,2,\cdots,n\\\sum_{i=1}^{n}\lambda_i=1\end{cases}其中，\lambda_i和\mu_k分别是主变量和辅助变量的权重系数，\mu和\nu_l是拉格朗日乘数，\gamma(x_i,x_j)是主变量采样点x_i和x_j之间的变异函数值，\gamma_{z,y_k}(x_i,x_j)是主变量采样点x_i与辅助变量y_k采样点x_j之间的交叉变异函数值，\gamma_{y_l,x}(x_i,x_j)是辅助变量y_l采样点x_i与主变量采样点x_j之间的交叉变异函数值，\gamma_{y_l,y_k}(x_i,x_j)是辅助变量y_l采样点x_i与辅助变量y_k采样点x_j之间的交叉变异函数值，\gamma(x_j,x_0)是主变量采样点x_j与待估计点x_0之间的变异函数值，\gamma_{y_l,x}(x_j,x_0)是辅助变量y_l采样点x_j与待估计点x_0之间的交叉变异函数值。通过求解上述克里格方程组，得到权重系数\lambda_i和\mu_k，进而对待估计点的土壤锌含量进行估计，得到未知点的估计值\hat{Z}(x_0)=\sum_{i=1}^{n}\lambda_iZ(x_i)+\sum_{k=1}^{m}\mu_kY_k(x_k)。同样采用交叉验证的方法对协同克里格插值结果进行精度评估，计算均方根误差（RMSE）、平均绝对误差（MAE）等误差指标。与普通克里格插值结果进行对比，结果如表1所示。从表中可以看出，协同克里格插值的均方根误差和平均绝对误差均低于普通克里格插值，分别降低了[X]%和[X]%，表明协同克里格插值能够更准确地估计土壤锌含量，提高了插值精度。表1普通克里格与协同克里格插值精度对比插值方法均方根误差（mg/kg）平均绝对误差（mg/kg）普通克里格[RMSE1][MAE1]协同克里格[RMSE2][MAE2]利用协同克里格插值方法得到的舒兰市土壤锌含量空间分布预测图（见图4）与普通克里格插值结果图相比，在细节上有更清晰的展现。在一些土壤类型过渡区域和地形变化较大的区域，协同克里格插值结果能更准确地反映土壤锌含量的变化趋势。在灰棕壤与白浆土的过渡区域，协同克里格插值结果显示土壤锌含量呈现逐渐变化的趋势，而普通克里格插值结果则相对较为平滑，未能很好地体现这种过渡特征。这是因为协同克里格插值充分考虑了土壤有机质、pH值和地形等辅助变量对土壤锌含量的影响，这些辅助变量在空间上的变化与土壤锌含量的变化相互关联，通过协同区域化关系的挖掘，使得插值结果更能反映实际的土壤锌空间分布情况。图4舒兰市土壤锌含量协同克里格插值结果图协同克里格插值在考虑辅助变量与主变量的协同关系方面具有明显优势，但该方法也存在一定的局限性。协同克里格插值对辅助变量的选择和数据质量要求较高，如果辅助变量与主变量之间的相关性不显著，或者辅助变量的数据存在较大误差，可能会降低插值精度；而且该方法的计算过程比普通克里格插值更为复杂，需要更多的计算资源和时间。在实际应用中，需要根据研究区域的具体情况和数据条件，权衡利弊，合理选择插值方法，以达到最佳的插值效果。3.4基于GARBF神经网络的插值遗传径向基函数（GARBF）神经网络作为一种融合了遗传算法（GA）和径向基函数（RBF）神经网络优势的智能算法，在土壤锌空间插值领域展现出独特的潜力。RBF神经网络是一种前馈式神经网络，其结构由输入层、隐含层和输出层组成。输入层负责接收外部数据，将土壤采样点的经纬度、土壤类型、地形数据（海拔、坡度、坡向）、土壤有机质含量、pH值等作为输入变量，这些变量从不同方面反映了土壤的特性和环境条件，对土壤锌含量有着潜在的影响。隐含层是RBF神经网络的核心部分，其中的神经元采用径向基函数作为激活函数，常见的径向基函数如高斯函数，其表达式为：\varphi_i(x)=\exp\left(-\frac{\|x-c_i\|^2}{2\sigma_i^2}\right)其中，\varphi_i(x)是第i个隐含层神经元的输出，x是输入向量，c_i是第i个隐含层神经元的中心，\sigma_i是第i个隐含层神经元的宽度，\|\cdot\|表示欧几里得距离。径向基函数的作用是对输入数据进行非线性变换，使得神经网络能够学习到输入与输出之间的复杂非线性关系。输出层则根据隐含层的输出，通过线性组合得到最终的预测结果，即土壤锌含量的估计值。然而，传统RBF神经网络在确定网络参数（如隐含层神经元的中心、宽度和连接权重）时，往往依赖于经验或一些简单的算法，容易陷入局部最优解，导致网络的泛化能力和插值精度受限。遗传算法作为一种模拟自然选择和遗传机制的全局优化算法，具有强大的全局搜索能力。它将RBF神经网络的参数编码成染色体，通过选择、交叉和变异等遗传操作，在参数空间中搜索最优解。选择操作依据适应度值从当前种群中选择优秀的染色体，使具有较高适应度的染色体有更大的概率遗传到下一代，适应度值通常根据网络的预测误差来确定，预测误差越小，适应度值越高；交叉操作模拟生物遗传中的基因重组，将两个或多个染色体的部分基因进行交换，产生新的染色体，增加种群的多样性；变异操作则以一定的概率对染色体的某些基因进行随机改变，防止算法陷入局部最优。通过不断迭代这些遗传操作，遗传算法能够逐步优化RBF神经网络的参数，使网络达到更好的性能。在本研究中，利用GARBF神经网络进行土壤锌空间插值时，首先对输入数据进行标准化处理，将不同量纲的输入变量转化为无量纲的数据，使其具有可比性，避免因量纲差异导致的计算误差和模型训练困难。然后，随机初始化RBF神经网络的参数，包括隐含层神经元的中心、宽度和连接权重，形成初始种群。接着，利用遗传算法对初始种群进行优化，在每一代中，计算每个染色体对应的RBF神经网络的预测误差，并根据误差计算适应度值，依据适应度值进行选择、交叉和变异操作，生成新的种群。经过多代遗传操作后，当算法收敛或达到预设的迭代次数时，得到最优的RBF神经网络参数。最后，利用优化后的GARBF神经网络对舒兰市土壤锌含量进行空间插值，将研究区域内未采样点的相关环境数据作为输入，得到该点的土壤锌含量预测值。为了评估GARBF神经网络的插值效果，同样采用交叉验证的方法，将数据集划分为训练集和验证集。在训练集上对GARBF神经网络进行训练和优化，在验证集上进行预测，并计算均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R^2）等评价指标。均方根误差反映了预测值与实际值之间的平均误差程度，其值越小，说明预测值与实际值越接近，插值精度越高；平均绝对误差衡量了预测值与实际值偏差的平均幅度，体现了预测结果的准确性；决定系数则表示模型对数据的拟合优度，取值范围在0到1之间，越接近1，说明模型对数据的拟合效果越好。将GARBF神经网络的插值结果与反距离加权法（IDW）、普通克里格法（OK）、协同克里格法（CK）和径向基函数（RBF）神经网络的插值结果进行对比，结果如表2所示。表2不同插值方法精度对比插值方法均方根误差（mg/kg）平均绝对误差（mg/kg）决定系数（R^2）IDW[RMSE_IDW][MAE_IDW][R2_IDW]OK[RMSE_OK][MAE_OK][R2_OK]CK[RMSE_CK][MAE_CK][R2_CK]RBF神经网络[RMSE_RBF][MAE_RBF][R2_RBF]GARBF神经网络[RMSE_GARBF][MAE_GARBF][R2_GARBF]从表2中可以看出，GARBF神经网络的均方根误差和平均绝对误差在几种插值方法中最小，分别为[RMSE_GARBF]mg/kg和[MAE_GARBF]mg/kg，决定系数最高，达到[R2_GARBF]。与RBF神经网络相比，GARBF神经网络的均方根误差降低了[X]%，平均绝对误差降低了[X]%，决定系数提高了[X]%，这表明遗传算法对RBF神经网络参数的优化显著提升了网络的性能，使其能够更准确地学习土壤锌含量与环境因子之间的复杂关系，减少预测误差，提高插值精度。与普通克里格法相比，GARBF神经网络的均方根误差降低了[X]%，平均绝对误差降低了[X]%，决定系数提高了[X]%，说明GARBF神经网络在捕捉土壤锌空间分布的非线性特征方面具有明显优势，能够更精确地刻画土壤锌的空间分布细节，避免了普通克里格法可能出现的“平滑效应”，更真实地反映土壤锌含量的实际变化情况。与协同克里格法相比，GARBF神经网络的均方根误差降低了[X]%，平均绝对误差降低了[X]%，决定系数提高了[X]%，体现了GARBF神经网络在处理多源数据和复杂空间关系时的强大能力，能够充分挖掘数据中的潜在信息，提高插值结果的准确性和可靠性。利用GARBF神经网络得到的舒兰市土壤锌含量空间分布预测图（见图5），与其他插值方法的结果图相比，在细节和精度上有明显提升。在土壤类型复杂的区域，如南部低山丘陵地区的灰棕壤与白浆土过渡地带，GARBF神经网络插值结果能够清晰地显示出土壤锌含量的渐变特征，而其他方法的结果图则相对模糊，无法准确体现这种过渡变化；在地形起伏较大的区域，如山区的山谷和山脊部位，GARBF神经网络插值结果能够准确反映出土壤锌含量因地形因素导致的差异，而其他方法可能会出现偏差。这进一步证明了GARBF神经网络在土壤锌空间插值中的优越性，能够为舒兰市农产品产地土壤锌的精准调查和监测提供更可靠的结果。图5舒兰市土壤锌含量GARBF神经网络插值结果图3.5插值精度评价为了全面、客观地评估不同空间插值方法对舒兰市农产品产地土壤锌含量的插值精度，本研究选用了平均绝对误差（MAE）、误差均方根（RMSE）和决定系数（R^2）作为主要评价指标。平均绝对误差能够直观地反映预测值与实际值之间偏差的平均幅度，其计算公式为：MAE=\frac{1}{n}\sum_{i=1}^{n}|Z_i-\hat{Z}_i|其中，n为样本数量，Z_i为第i个样本的实际值，\hat{Z}_i为第i个样本的预测值。MAE值越小，表明预测值与实际值的平均偏差越小，插值精度越高。误差均方根则综合考虑了每个预测值与实际值之间的误差平方，对较大的误差给予了更大的权重，更能反映预测值的离散程度和整体误差水平，计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(Z_i-\hat{Z}_i)^2}RMSE值越小，说明预测值与实际值的离散程度越小，插值结果越稳定，精度越高。决定系数（R^2）用于衡量模型对数据的拟合优度，它表示因变量的总变异中可以由自变量解释的比例，取值范围在0到1之间，计算公式为：R^2=1-\frac{\sum_{i=1}^{n}(Z_i-\hat{Z}_i)^2}{\sum_{i=1}^{n}(Z_i-\overline{Z})^2}其中，\overline{Z}为实际值的均值。R^2越接近1，表示模型对数据的拟合效果越好，插值精度越高，即模型能够更好地解释土壤锌含量的空间变异。采用留一交叉验证法对反距离加权法（IDW）、普通克里格法（OK）、协同克里格法（CK）、径向基函数（RBF）神经网络和遗传径向基函数（GARBF）神经网络这五种插值方法的精度进行评估。留一交叉验证法是每次从数据集中取出一个样本作为验证集，其余样本作为训练集，进行模型训练和预测，重复这个过程，直到每个样本都被作为验证集一次，最后将所有验证结果进行汇总分析。这种方法能够充分利用所有数据，避免了数据划分的随机性对结果的影响，使评估结果更加可靠。不同插值方法的精度评价结果如表3所示。从表中可以清晰地看出，GARBF神经网络在三种评价指标上均表现最优，其MAE值为[MAE_GARBF]mg/kg，RMSE值为[RMSE_GARBF]mg/kg，R^2值达到[R2_GARBF]。与其他插值方法相比，GARBF神经网络的MAE和RMSE明显低于IDW、OK和CK方法。与IDW相比，GARBF神经网络的MAE降低了[X1]%，RMSE降低了[X2]%；与OK相比，MAE降低了[X3]%，RMSE降低了[X4]%；与CK相比，MAE降低了[X5]%，RMSE降低了[X6]%。在R^2指标上，GARBF神经网络也显著高于其他方法，比IDW的R^2值提高了[X7]，比OK的R^2值提高了[X8]，比CK的R^2值提高了[X9]，表明GARBF神经网络对土壤锌含量的空间分布具有更好的拟合能力，能够更准确地预测未知点的土壤锌含量。表3不同插值方法精度评价结果插值方法平均绝对误差（MAE，mg/kg）误差均方根（RMSE，mg/kg）决定系数（R^2）IDW[MAE_IDW][RMSE_IDW][R2_IDW]OK[MAE_OK][RMSE_OK][R2_OK]CK[MAE_CK][RMSE_CK][R2_CK]RBF神经网络[MAE_RBF][RMSE_RBF][R2_RBF]GARBF神经网络[MAE_GARBF][RMSE_GARBF][R2_GARBF]RBF神经网络的插值精度次之，其MAE值为[MAE_RBF]mg/kg，RMSE值为[RMSE_RBF]mg/kg，R^2值为[R2_RBF]。虽然RBF神经网络在一定程度上能够学习土壤锌含量与环境因子之间的非线性关系，但由于其参数确定方法的局限性，容易陷入局部最优解，导致插值精度不如GARBF神经网络。与GARBF神经网络相比，RBF神经网络的MAE和RMSE分别高出[X10]mg/kg和[X11]mg/kg，R^2值低了[X12]。普通克里格法（OK）和协同克里格法（CK）作为基于地统计学的插值方法，在考虑土壤锌含量的空间自相关性方面具有一定优势。普通克里格法的MAE值为[MAE_OK]mg/kg，RMSE值为[RMSE_OK]mg/kg，R^2值为[R2_OK]；协同克里格法引入辅助变量后，MAE值降低到[MAE_CK]mg/kg，RMSE值降低到[RMSE_CK]mg/kg，R^2值提高到[R2_CK]，表明辅助变量的引入在一定程度上提高了插值精度。但与GARBF神经网络相比，OK和CK方法在捕捉土壤锌含量的复杂非线性空间分布特征方面仍存在不足，插值精度有待进一步提高。反距离加权法（IDW）的插值精度相对较低，其MAE值为[MAE_IDW]mg/kg，RMSE值为[RMSE_IDW]mg/kg，R^2值为[R2_IDW]。IDW法仅考虑了距离因素对插值结果的影响，忽略了土壤锌含量的空间自相关性和其他环境因素的作用，导致其在复杂的土壤环境中难以准确反映土壤锌的空间分布，插值误差较大。综上所述，通过对不同插值方法的精度评价和对比分析，GARBF神经网络在舒兰市农产品产地土壤锌含量的空间插值中表现出了明显的优势，能够更准确地反映土壤锌的空间分布特征，为后续的土壤锌空间分布特征分析和采样数量优化研究提供了可靠的基础。四、土壤锌空间分布特征分析4.1空间分布格局通过对多种空间插值方法的精度评估，遗传径向基函数（GARBF）神经网络表现出了显著的优势，其在均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R^2）等评价指标上均优于其他方法，因此，选用GARBF神经网络的插值结果来绘制舒兰市土壤锌含量空间分布图（图6），以深入分析土壤锌在舒兰市的分布格局和规律。从图6中可以清晰地看出，舒兰市土壤锌含量呈现出明显的空间异质性，整体上呈现出从东南向西北逐渐升高的趋势。在东南部的低山丘陵地区，土壤锌含量相对较低，大部分区域的土壤锌含量在[X1]mg/kg以下，局部地区甚至低于[X2]mg/kg。这主要是因为该区域的土壤类型以灰棕壤为主，成土母质中锌元素的含量相对较少；且地形起伏较大，坡度较陡，在降水和地表径流的作用下，水土流失较为严重，导致土壤中的锌元素随泥沙大量流失，难以在土壤中积累。同时，该地区的植被覆盖度较高，植物生长消耗了大量的锌元素，也在一定程度上降低了土壤锌含量。中部的丘陵岗地土壤锌含量适中，大部分区域的土壤锌含量在[X3]mg/kg-[X4]mg/kg之间。该区域主要的土壤类型为白浆土，土壤质地黏重，通气透水性较差，对锌元素的吸附和固定作用较强，使得锌元素在土壤中的移动性相对较弱，从而保持了相对稳定的含量水平。此外，中部地区是舒兰市重要的农业种植区域，长期的农业生产活动，如施肥、灌溉等，对土壤锌含量也产生了一定的影响。合理的施肥措施在一定程度上补充了土壤中的锌元素，但由于农业生产过程中可能存在的不合理灌溉，导致部分锌元素随水淋失，使得土壤锌含量没有明显的升高趋势。西北部的平原地区土壤锌含量相对较高，大部分区域的土壤锌含量在[X4]mg/kg以上，局部地区甚至超过了[X5]mg/kg。这主要得益于该地区的土壤类型主要为黑土和草甸土，土壤肥沃，富含腐殖质，腐殖质中的有机官能团能够与锌离子发生络合反应，增加了土壤对锌元素的吸附和保持能力，有利于锌元素在土壤中的积累。此外，平原地区地势平坦，排水条件良好，地下水位相对稳定，减少了锌元素的淋溶损失；同时，该地区农业机械化程度较高，施肥管理相对科学，能够根据土壤肥力状况和作物需求合理施用锌肥，进一步提高了土壤锌含量。图6舒兰市土壤锌含量空间分布图（GARBF神经网络插值结果）为了更直观地展示土壤锌含量在不同地形地貌和土壤类型区域的分布差异，将舒兰市按照地形地貌划分为低山丘陵、丘陵岗地和平原三种类型，按照土壤类型划分为灰棕壤、白浆土、黑土和草甸土四种类型，统计不同类型区域的土壤锌含量均值，结果如表4所示。表4不同地形地貌和土壤类型区域的土壤锌含量均值地形地貌类型土壤锌含量均值（mg/kg）土壤类型土壤锌含量均值（mg/kg）低山丘陵[X6]灰棕壤[X7]丘陵岗地[X8]白浆土[X9]平原[X10]黑土[X11]--草甸土[X12]从表4中可以看出，不同地形地貌和土壤类型区域的土壤锌含量均值存在显著差异。在地形地貌方面，平原地区的土壤锌含量均值最高，低山丘陵地区最低，这与之前从空间分布图中分析得出的结论一致，进一步验证了地形地貌对土壤锌含量分布的影响。在土壤类型方面，黑土和草甸土的土壤锌含量均值明显高于灰棕壤和白浆土，说明土壤类型是影响土壤锌含量的重要因素之一。舒兰市土壤锌含量的空间分布还受到土地利用类型的影响。通过对不同土地利用类型区域的土壤锌含量进行统计分析发现，耕地的土壤锌含量均值为[X13]mg/kg，林地的土壤锌含量均值为[X14]mg/kg，草地的土壤锌含量均值为[X15]mg/kg。耕地由于长期的农业生产活动，施肥、灌溉等措施对土壤锌含量有一定的调控作用；林地植被丰富，植物根系对土壤锌的吸收和积累以及枯枝落叶的归还，使得林地土壤锌含量相对稳定；草地的土壤锌含量则受到放牧等人类活动以及植被生长状况的影响。不同土地利用类型下的人类活动强度和方式不同，导致土壤锌含量在空间上呈现出不同的分布特征。4.2影响因素分析土壤锌的空间分布受到多种因素的综合影响，深入探究这些因素对于理解土壤锌的分布规律和调控土壤锌含量具有重要意义。成土母质作为土壤形成的物质基础，对土壤锌含量起着关键的控制作用。舒兰市不同区域的成土母质类型差异显著，南部低山丘陵地区主要为花岗岩、片麻岩等风化物形成的成土母质，这些母质中锌元素的含量相对较低，使得该区域土壤锌含量也处于较低水平；而北部平原地区的成土母质多为河流冲积物和黄土状物质，富含锌元素，为土壤锌的积累提供了丰富的物质来源，是该区域土壤锌含量较高的重要原因之一。研究表明，成土母质中锌元素的含量与土壤锌含量之间存在显著的正相关关系，相关系数可达0.7以上，这进一步证实了成土母质对土壤锌含量的决定性影响。地形地貌通过影响水热条件、土壤侵蚀和堆积过程，间接影响土壤锌的空间分布。在舒兰市，地势起伏较大的低山丘陵地区，由于坡度较陡，降水形成的地表径流速度快，对土壤的侵蚀作用强烈，导致土壤中的锌元素随泥沙大量流失，难以在土壤中积累，土壤锌含量较低。相反，地势平坦的平原地区，排水条件良好，地下水位相对稳定，土壤侵蚀作用较弱，有利于锌元素的保存和积累，土壤锌含量相对较高。此外，地形地貌还会影响水热条件的再分配，进而影响土壤中锌元素的迁移和转化。在山区，随着海拔的升高，气温降低，降水增加，土壤的淋溶作用增强，锌元素更容易被淋失，导致土壤锌含量降低。研究发现，海拔与土壤锌含量之间呈现显著的负相关关系，相关系数约为-0.5，表明海拔每升高100米，土壤锌含量平均降低[X]mg/kg。土地利用方式的差异会导致土壤锌含量发生变化。舒兰市主要的土地利用类型包括耕地、林地和草地。耕地由于长期的农业生产活动，施肥、灌溉等措施对土壤锌含量产生了重要影响。合理的施肥能够补充土壤中的锌元素，提高土壤锌含量；但不合理的施肥，如过量施用磷肥，会与锌元素发生拮抗作用，降低土壤中锌的有效性。同时，频繁的灌溉可能导致土壤中锌元素的淋失，影响土壤锌含量。林地植被丰富，植物根系对土壤锌的吸收和积累以及枯枝落叶的归还，使得林地土壤锌含量相对稳定。植物通过根系吸收土壤中的锌元素，并将其固定在体内，当植物死亡后，枯枝落叶分解，锌元素又重新归还到土壤中，形成一个相对稳定的锌循环。草地的土壤锌含量则受到放牧等人类活动以及植被生长状况的影响。过度放牧会导致草地植被破坏，土壤裸露，增加土壤侵蚀的风险，从而使土壤锌含量降低；而良好的植被生长状况则有利于保持土壤锌含量的稳定。通过对不同土地利用类型土壤锌含量的统计分析发现，耕地的土壤锌含量均值为[X1]mg/kg，林地为[X2]mg/kg，草地为[X3]mg/kg，不同土地利用类型下的土壤锌含量存在显著差异。人类活动，如农业生产、工业排放和城市化进程等，对土壤锌的空间分布产生了深远影响。在农业生产中，除了施肥和灌溉外，农药的使用也可能对土壤锌含量产生影响。一些农药中含有锌元素，长期使用可能导致土壤锌含量升高；而另一些农药可能会影响土壤中锌元素的形态和有效性。工业排放是土壤锌污染的重要来源之一，舒兰市周边的一些工业企业，如金属冶炼厂、化工厂等，在生产过程中会排放含有锌等重金属的废气、废水和废渣，这些污染物通过大气沉降、地表径流和土壤吸附等途径进入土壤，导致土壤锌含量升高，甚至可能超过土壤环境质量标准，对农产品质量和生态环境造成潜在威胁。城市化进程的加快，导致土地利用方式的改变和人口密度的增加，也会对土壤锌的空间分布产生影响。城市建设过程中的土地开发、建筑施工等活动，可能破坏土壤原有的结构和性质，影响土壤锌的迁移和转化；城市生活垃圾和污水的排放，也可能导致土壤锌含量的变化。研究表明，在舒兰市的一些工业集中区和城市周边，土壤锌含量明显高于其他地区，部分区域的土壤锌含量甚至超过了土壤环境质量二级标准，存在一定的土壤锌污染风险。4.3与农产品质量的关系土壤锌含量与农产品质量之间存在着紧密的联系，深入探究这种关系对于保障农产品质量安全、促进农业可持续发展具有重要意义。在舒兰市，玉米和水稻作为主要的农产品，其质量与土壤锌含量密切相关。通过对不同土壤锌含量区域种植的玉米和水稻进行采样分析，发现土壤锌含量对农产品的营养品质、外观品质和口感品质均产生显著影响。在营养品质方面，土壤锌含量与玉米和水稻的蛋白质含量呈现显著的正相关关系。在土壤锌含量较高的北部平原地区，玉米的蛋白质含量平均达到[X1]%，水稻的蛋白质含量平均为[X2]%；而在土壤锌含量较低的东南部低山丘陵地区，玉米和水稻的蛋白质含量分别仅为[X3]%和[X4]%。这是因为锌是许多酶的组成成分和激活剂，参与植物体内的蛋白质合成过程。锌能够促进氮素的吸收和转化，提高植物对氮的利用效率，从而增加蛋白质的合成。在玉米生长过程中，锌参与硝酸还原酶和谷氨酰胺合成酶的激活，使玉米能够更有效地将吸收的硝态氮转化为氨态氮，并进一步合成蛋白质。当土壤锌含量充足时，这些酶的活性增强，促进了蛋白质的合成，提高了玉米的蛋白质含量。土壤锌含量对农产品的外观品质也有重要影响。在土壤锌含量适宜的区域，玉米籽粒饱满，色泽金黄，千粒重较高；水稻颗粒饱满，垩白度低，透明度高，外观品质优良。研究表明，锌参与植物的生长素合成，生长素能够促进细胞的伸长和分裂，从而使玉米和水稻的籽粒发育更加饱满。而在土壤锌含量不足的情况下，玉米和水稻的籽粒发育受到影响，可能出现干瘪、皱缩等现象，降低了农产品的外观品质和商品价值。在一些缺锌的土壤中种植的玉米，千粒重比正常土壤种植的玉米降低了[X5]克，水稻的垩白度增加了[X6]%，严重影响了农产品的市场竞争力。农产品的口感品质同样受到土壤锌含量的影响。在舒兰市，土壤锌含量较高地区种植的水稻，口感软糯香甜，深受消费者喜爱。这是因为锌参与植物的碳水化合物代谢，影响淀粉的合成和积累。充足的锌供应能够促进水稻光合作用产物的转运和分配，使淀粉在籽粒中充分积累，从而改善水稻的口感。而土壤锌含量不足时，水稻的碳水化合物代谢受到阻碍，淀粉合成减少，导致口感变差。通过对不同土壤锌含量区域种植的水稻进行口感评价，发现土壤锌含量较高地区的水稻在口感评分上比锌含量较低地区的水稻高出[X7]分（满分10分）。为了进一步明确土壤锌含量与农产品质量之间的定量关系，进行了相关性分析和回归分析。结果表明，土壤锌含量与玉米蛋白质含量的相关系数达到0.85，与水稻蛋白质含量的相关系数为0.82，均呈现极显著正相关。建立的回归方程显示，土壤锌含量每增加1mg/kg，玉米蛋白质含量可增加[X8]%，水稻蛋白质含量可增加[X9]%。这为通过调控土壤锌含量来提高农产品质量提供了科学依据。在实际农业生产中，可以根据土壤锌含量的检测结果，合理施用锌肥，以提高农产品的质量和市场竞争力。在土壤锌含量较低的区域，适量施用锌肥后，玉米和水稻的蛋白质含量均有显著提高，农产品的品质得到明显改善。五、土壤采样数量优化研究5.1采样数量优化的重要性在土壤调查研究中，采样数量的确定是一个至关重要的环节，它直接关系到调查成本和结果的准确性，对研究的可靠性和有效性有着深远影响。土壤采样是获取土壤信息的基础，而采样数量的多少则决定了所获取信息的丰富程度和代表性。如果采样数量过少，可能无法全面反映土壤锌含量在空间上的变异性，导致对土壤锌分布特征的认识出现偏差，进而影响后续的研究和决策。在舒兰市农产品产地土壤锌调查中，若采样数量不足，可能会遗漏一些土壤锌含量异常的区域，无法准确评估土壤锌对农产品质量的影响，给农业生产带来潜在风险。相反，若采样数量过多，虽然可以提高对土壤锌空间分布的了解程度，但会增加大量的人力、物力和时间成本，造成资源的浪费。在实际土壤调查中，采样过程涉及到野外采样人员的配备、采样设备的购置和使用、样品的运输和保存以及实验室分析等多个环节，每个环节都需要投入相应的资源。随着采样数量的增加，这些成本也会相应增加。据统计，在舒兰市进行一次土壤调查，每个采样点的平均成本约为[X]元，包括采样工具损耗、人员费用、样品分析费用等。若采样数量超出合理范围，将给调查工作带来沉重的经济负担。优化采样数量具有重要的现实意义。合理的采样数量能够在保证调查结果准确性的前提下，有效降低调查成本，提高资源利用效率。通过科学的方法确定最优采样数量，可以避免不必要的采样工作，将有限的资源集中用于关键区域和关键指标的研究，提高调查工作的针对性和有效性。在舒兰市土壤锌调查中，通过优化采样数量，可将调查成本降低[X]%，同时确保土壤锌空间分布特征的分析结果具有较高的可靠性。优化采样数量有助于提高土壤调查的精度和可靠性。合适的采样数量能够更好地捕捉土壤锌含量的空间变异信息，使空间插值结果更加准确，从而为土壤锌的空间分布特征分析和农业生产决策提供更可靠的依据。在进行土壤锌空间插值时，充足且合理分布的采样点能够使插值模型更好地学习土壤锌的空间变化规律，减少插值误差，提高插值结果的精度，为农业生产中的精准施肥、土壤改良等措施提供更精准的指导。5.2传统采样数量确定方法在土壤采样数量确定的研究历程中，传统方法发挥了重要的奠基作用，主要包括基于统计学理论的计算法和计算机模拟法。基于统计学理论的计算法，其核心依据是中心极限定理。该定理认为，在一定条件下，当样本数量足够大时，样本均值会趋近于总体均值，且样本均值的分布会趋近于正态分布。基于此，通过设定置信水平和允许误差范围，可计算出满足精度要求的采样数量。在舒兰市土壤锌含量调查中，若设定置信水平为95%，允许误差为5%，通过公式计算得出理论采样数量为[X]个。但这种方法存在明显的局限性，它假设土壤属性在空间上是独立同分布的，忽略了土壤锌含量在空间上的自相关性和变异性。土壤锌含量在舒兰市不同区域受到成土母质、地形地貌、土地利用方式等多种因素的影响，呈现出复杂的空间分布特征，并非均匀分布，导致该方法确定的采样数量难