尹 群 ，王维瑞，郭纪敏，张世文，胡青青，沈 强

(1.安徽理工大学地球与环境学院，安徽 淮南 232001；2.北京市土肥工作站，北京 100029；3.上海大学理学院，上海 200444；4.安徽理工大学测绘学院，安徽 淮南 232001)

土壤全氮(soil total nitrogen)是指土壤中各种形态氮素含量的总和，氮元素不仅是保障植物正常生长的必需元素，也是衡量土壤肥力的重要指标之一[1-2]。氮是构成一切生命体的重要元素，准确掌握土壤全氮含量的空间分布格局及其变异特征是区域合理利用土地资源、进行精准施肥的重要前提[3-4]。在作物生产中，作物对氮素的需求量较大，土壤供氮不足或者过量施氮都会引起农产品产量和品质的下降[5-6]。采样点数量直接影响着预测精度和研究成本[7]，因此，在研究土壤全氮空间分布特征的同时，需要综合考虑采样数量。

目前，对于全氮的预测方法很多，其中根据高光谱来预测土壤全氮的含量和空间分布是最常见的方法，文献[8]基于高光谱的反射特性对土壤全氮含量进行预测分析;而通过预测模型对土壤全氮进行预测研究也比较常见[9]；而基于辅助变量不同采样数量对于全氮的预测鲜有学者研究。

本文以北京市通州区东南部四个乡镇耕地表层土壤全氮为研究对象，基于2018年通州区耕地质量调查数据，选择相关性较大辅助变量，运用RBF神经网络(Radial Basis Function Neural Network,RBFNN)、偏最小二乘回归(Partial Least-Square regression,PLS)和随机森林(Random Forest,RF)作为模拟预测方法，采样不同梯度的采样点数量，模拟通州区土壤全氮含量分布，对不同数量采样点的预测精度进行对比，结果可为土壤全氮预测选择合适的采样点提供参考，土壤采样设计相关研究与实践提供参考。……