由地理与环境科学学院陈莉教授撰写的论文“Spatial prediction of soil calcium carbonate content based on Bayesian maximum entropy using environmental variables”在《Nutrient Cycling in Agroecosystems》上发表。
土壤碳酸钙（CaCO3）是重要的土壤属性，对土壤中重金属污染、土壤pH值、土壤营养状态等一系列物理、化学和生物性质具有重要作用。传统的土壤CaCO3含量获取方式是在实验室测量采样点数据得到，但费时费力，无法得到连续的CaCO3含量空间分布，贝叶斯最大熵（BME）模型能够有效地利用不同精度和来源的数据，得到整个研究区域的土壤属性空间分布，弥补了采样点空间分布离散的缺点。
文章根据天津市土壤类型，并兼顾土地利用类型均匀布点，最终共采集330个土壤样本，采样时间为2016年3-4月。在实验室中基于容量法利用CaCO3测定仪（08.53型）测量土壤CaCO3含量，以所测土壤CaCO3含量作为硬数据，并把海拔、pH、温度、降水量和土壤类型等环境变量以直接和间接的方式融合并转化为软数据，随后将硬数据和软数据一起输入BME模型中预测土壤CaCO3含量。具体过程为，首先利用多元线性回归（MLR）模型和地理加权回归（GWR）模型建立CaCO3含量测量值和环境变量之间的关系，并将他们的预测结果作为BME模型的软数据，这种将环境变量间接地转化为软数据的方式被称为BME-MLR和BME-GWR。其次，将土壤CaCO3含量测量值和环境变量结合起来生成未测点CaCO3含量的概率分布，作为软数据输入BME模型中估算CaCO3含量，这种直接地将环境变量转化为软数据的方式被称为BME-EV。最后，使用相关系数（r）和均方根误差（RMSE）等统计学指标对预测结果进行评价。
文章链接：https://doi.org/10.1007/s10705-021-10135-8
本文版权归原作者所有，文章内容不代表平台观点或立场。如有关于文章内容、版权或其他问题请与我方联系，我方将在核实情况后对相关内容做删除或保留处理！