1、受自然和人為因素的影響，土壤特性在空間分布上呈現(xiàn)非均一性，即土壤特性的空間變異性。人類社會活動對土壤空間變異的影響日漸突出。因此，快速準確地掌握土壤信息的空間演變趨勢就必須借助于適用的數(shù)學方法。空間插值方法即是研究土壤空間變異的基本手段。改進空間插值方法，以較少的樣點來盡可能地反映出一定區(qū)域土壤屬性信息的空間變異規(guī)律，就成為當前研究的一個熱點。 本研究以眉山太和鎮(zhèn)和尚義鎮(zhèn)為試驗區(qū)，分別以700米和50米為間隔采集了大小兩個尺度下

2、的土壤樣品80個和30個，以土壤有機質、全鉀和有效錳為研究對象，將兩個樣本分為獨立的訓練樣本和檢驗樣本數(shù)據(jù)集，在訓練樣本集的基礎上共設計了4種樣點布局方案，以廣泛應用的克里格法作為對照，研究RBF神經網絡技術對土壤屬性信息的空間插值能力。 RBF神經網絡(RBFNN)即徑向基函數(shù)神經網絡，具有很強的非線性計算能力，是解決非線性系統(tǒng)預測問題的行之有效的研究工具。本研究采用兩種不同的輸入方式進行網絡訓練仿真：其一，以地理坐標作為網絡

3、輸入，以對應的土壤屬性信息值作為網絡的輸出，只在地理坐標和土壤屬性信息值之間建立聯(lián)系，記為地理坐標徑向基函數(shù)神經網絡(CRBFNN)，即網絡的輸入層節(jié)點數(shù)為2，輸出層節(jié)點數(shù)為1。其二，以平面坐標x,y和與插值點最鄰近的5個已知點作為網絡輸入，建立插值點與地理坐標和鄰近樣點之間的對應關系，記為鄰近點徑向基函數(shù)神經網絡(NRBFNN)，即網絡輸入層節(jié)點數(shù)為7，其中第1、2個節(jié)點(神經元)分別輸入坐標x和y的值。根據(jù)空間距離衰減規(guī)律，已知點對

4、插值點的作用與插值點到已知點的距離成負相關?？紤]到距離的影響，設定與插值點距離最近的已知點的土壤屬性值為網絡輸入層第3個神經元的輸入值；與插值點距離次近的已知點的土壤屬性值為第4個神經元的輸入值，其余類推。研究結果表明： (1)通過平均絕對偏差、平均相對偏差和誤差均方根檢驗均反映出RBF神經網絡的插值精度顯著優(yōu)于克里格插值法。主要結果如下： 無論在大尺度下還是小尺度下，RBF神經網絡方法對土壤空間屬性值的插值能力均優(yōu)于克

5、里格法；即使在樣點數(shù)量減少約50％的情況下，也能保證較高的插值精度，甚至高于克里格法，即RBF神經網絡方法以其良好的自學功能和很強的非線性計算能力，比克里格法更好地揭示了土壤屬性信息的空間分布規(guī)律。 在相同的樣點布局下，CRBF神經網絡對大尺度下土壤有機質、全鉀和有效錳的插值能力與克里格法相比，其平均相對偏差減小了11.18～14.44％，小尺度下則減小了5.15～15.93％；NRBF神經網絡與克里格法相比，其平均相對偏差減小

6、了0.44～32.11％，小尺度下減小了2.67～30.14％。 在樣點減少約50％的情況下，CRBF神經網絡對大尺度下土壤有機質、全鉀和有效錳的插值能力與克里格法相比，其平均相對偏差減小了1.49～11.28％，小尺度下減小了0.91～23.79％；NRBF神經網絡與克里格法相比，其平均相對偏差減小了10.35～20.68％，小尺度下減小了8.58～32.88％。 (2)以平均絕對偏差、平均相對偏差和誤差均方根檢驗不同

7、輸入方式下的RBF神經網絡對土壤屬性信息的空間插值精度的結果表明：以地理坐標位置為網絡輸入的RBF神經網絡插值方法，沒有充分考慮到影響土壤屬性信息空間分布的因素的復雜性，極易受到樣本數(shù)據(jù)噪音的影響。而以地理坐標和鄰近樣點作為網絡輸入的RBF神經網絡插值方法，則可以弱化樣本數(shù)據(jù)噪音的影響，增強RBF神經網絡對土壤屬性信息空間分布的描述能力。因而，基于地理坐標和鄰近樣點輸入的RBF神經網絡對土壤屬性的空間插值精度高于基于地理坐標輸入的RBF