李梦佳，王 磊，刘洪斌*，武 伟

(1.西南大学资源环境学院，重庆 400716；2.西南大学计算机与信息科学学院，重庆 400715；3.重庆市数字农业重点实验室，重庆 400716)

【研究意义】土壤有机质(Soil Organic Matter，SOM)是土壤的重要组成部分，与土壤肥力存在正相关关系，是反映土壤肥力的重要特征，与环境、大气圈、生物圈等的可持续发展存在联系[1-2]，受到不同因素的综合影响，具有高度的空间差异性。利用不同模型预测有机质的空间分布，分析不同预测模型的差异，对土壤肥力研究、农业可持续发展有重要的意义[3]。【前人研究进展】近几十年来，地统计学方法被普遍用来描述和预测土壤数据的空间分布，已有的研究表明地统计学是研究土壤特征及其不一致性空间分配、减少评估误差的有效方法[4-6]。普通克里格因其操作简便而成为最广泛使用的地统计学方法之一，国内外研究者运用普通克里格预测了土壤有机碳、pH、有机质、碱解氮、有效磷、速效钾及微量元素的空间分布，并分析了与其他预测模型预测结果的差异，认为普通克里格可以用于预测不同土壤数据的空间分布[7-11]。随着信息技术的发展，分类与回归树、随机森林等机器学习算法被应用到土壤数据空间分布预测中，国内外研究者运用机器学习模型预测了土壤水分、有机碳、pH、有机质及全氮的空间分布[12-16]，研究表明随机森林等能较好地模拟环境变量与土壤数据变量的关系，能够有效地解决土壤数据变量与环境变量之间的非线性问题，是现在被广泛应用的方法。……