朱福斌，丁世伟，甘晓玉，黄 海，吴锦松，马友华*

（1.安徽农业大学资源与环境学院，安徽 合肥 230036；2.安庆市种植业管理局，安徽 安庆 246000）

优越的土壤肥力是保证粮食作物产量的基础，在现代农业生产中有着决定性作用［1-2］。而土壤速效钾是土壤肥力中重要的影响因素，是作物生长发育必不可少的养分元素之一，对作物产量有着重要影响［3-4］。耕地土壤速效钾空间分布主要受空间位置、地形部位、成土母质、气候环境、人为施肥等多种因素影响［5-7］。相对而言，安庆市耕地土壤速效钾含量整体偏低［8］，因此准确预测其含量及分布情况对指导农业施肥、促进作物增产、提升耕地质量等级尤为重要。

传统数字土壤制图的空间预测方法主要包括地统计插值法和确定性插值法［9］。地统计插值法的代表性方法是普通克里金插值法［10］，确定性插值法的代表性方法是反距离权重插值法［11］。近年来，机器学习方法，尤其是随机森林模型逐步成为数字土壤制图方向的国内外研究热点。Kalambukattu等［12］在遥感和地形数据的基础上，利用人工神经网络模型绘制了喜马拉雅流域土壤有机碳和氮元素空间分布图；高凤杰等［13］运用贝叶斯最大熵模型预测了黑土区小流域土壤有机质空间分布，通过与协同克吕格法比较，结果表明贝叶斯最大熵模型显著优于协同克吕格法。然而人工神经网络模型需要大量参数，学习时间过长，不能观察之间的学习过程；贝叶斯模型对数据的表达形式过于敏感；……