袁玉琦，陈瀚阅，张黎明，任必武，邢世和，童珺玥

（福建农林大学资源与环境学院，土壤生态系统健康与调控福建省高校重点实验室，福州 350002）

耕地土壤有机碳（Soil Organic Carbon，SOC）是衡量土壤质量和表征土壤肥力的重要指标，也是农业温室气体减排潜力的主要来源。掌握土壤有机碳的含量及空间分布，对提升耕地质量、评估土壤健康和缓解全球气候变化具有重要意义。实地采样和分析是获取土壤属性空间分布格局的传统方法，但因费时费力、成本高、区域通达性差限制了其在地区、国家乃至全球尺度的应用[1]。随着 3S技术的发展，越来越多学者通过建立辅助环境变量与土壤属性之间的预测模型来实现区域土壤属性空间制图[2]。

目前，用于数字土壤制图的预测模型主要包括逐步线性回归模型[3]、递归偏最小二乘算法[4]及随机森林算法（Random Forest，RF）[5]等。其中RF算法是一种机器学习算法，它由分类和回归树（Classification and Regression Tree，CART）模型构成，因其在处理多元非线性数据方面的优势，越来越多地被用于土壤属性空间预测[6]。相继有学者将RF模型用于大区域有机碳含量及储量[7-9]的空间预测，并取得了较好的预测精度（r值在0.7～0.95范围内）。但RF算法在土壤有机碳空间制图的应用起步较晚，其在不同区域的预测精度和可行性方面仍需进行深入研究，其中需要关注的一个研究重点即是环境变量的筛选[10-11]。

在基于 RF算法的土壤有机碳空间预测中，最为常用的辅助环境因子包括数字高程模型（Digital Elevation Models，DEM）和遥感植被指数[7，11]等遥感变量。……