土壤有机质、全氮是衡量土壤健康状况的重要因素,也在一定程度上可以表征生态环境优劣,它们的精准数字制图(由有限采样点扩展到区域面状数据)对于实现土壤有机质、全氮的区域监测与精准施肥至关重要。目前土壤属性空间预测方法主要包括地统计学、机器学习法、遥感反演等,不同样点数量、地形的变化以及不同辅助变量组合下不同模型的预测精度和不确定性有待进一步研究。以土壤有机质和全氮为对象,采用RBF(径向基)神经网络、偏最小二乘、随机森林模型,选择与有机质、全氮相关性较大的要素作为辅助变量,开展不同预测模型、样点数量和辅助变量下的预测精度和不确定性分析。获得以下主要结论:(1)研究区土壤有机质含量与归一化植被指数、高程和有效土层厚度指标呈极显著相关,相关系数最大,通过以上组合构建土壤有机质空间预测辅助变量;通过不同辅助变量组合不同空间预测方法预测精度对比分析可知,无论哪种辅助变量组合方式,随机森林的预测精度都是最高的。对于本研究区土壤有机质而言,有效土层厚度与高程组合辅助下的随机森林预测精度最优,均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)和一致性指数(d)分别达到3.20、2.41、18.15、0.77。(2)研究区土壤全氮含量与坡度、高程、耕层厚度、归一化植被指数指标呈极显著相关,相关系数最大;无论哪种采样点数量下,在特定的辅助变量下,随机森林对研究区土壤全氮的预测精度最高,模型拟合效果最优。不同模型的预测精度对于不同采样点数量的响应机制不同,采样点数量为150-200个情况下,三种预测模型预测精度都是最高的,当采样点数量为200个时,随机森林预测精度最优,RMSE、MAE、MRE的分别达到0.15、0.10、0.10。当采样点数量大于200时,预测精度不会增加,会有所下降。(3)由土壤有机质不确定性分析可知,预测模型为随机森林、辅助变量为有效土层厚度和高程时的不确定性最小,标准差值域为0.002～4.07g/kg,趋势分析图的曲线走势与原始数据的趋势分析图的曲线走势最接近;由土壤全氮不确定性分析可知,预测模型为RBF神经网络、采样点数量为200时,趋势分析图的曲线走势与原始数据的趋势分析图的曲线走势最接近,标准差值域为0.001～0.04 g/kg,不确定最低。图29表6参7