Fine-Resolution Mapping of Soil Total Nitrogen across China Based on Weighted Model Averaging

Zhou, Yue; Xue, Jie; Chen, Songchao; Zhou, Yin; Liang, Zongzheng; Wang, Nan; Shi, Zhou

doi:10.3390/rs12010085

开放式访问第条

基于加权模型平均的中国土壤总氮精细分辨率制图

¹

浙江大学环境与资源科学学院农业遥感与信息技术应用研究所，杭州310058

²

UMR SAS，INRAE，Agrocampus Ouest，35000 Rennes，法国

^三

法国奥尔良45075 INRAE UnitéInfoSol

⁴

浙江大学公共事务学院，杭州310058

⁵

科技部高新技术研究开发中心，北京100044

⁶

光谱传感农业部重点实验室，杭州310058

^*

信件应寄给的作者。

远程传感器。 2020,12(1), 85;https://doi.org/10.3390/rs12010085

收到的提交文件：2019年11月14日/修订日期：2019年12月21日/接受日期：2019年12月23日/发布日期：2019年12月25日

（本文属于特刊动态环境中的数字制图)

下载

浏览地物

版本注释

摘要

:

准确估算土壤中总氮（TN）的空间分布是土壤质量评估、土地管理决策和全球氮循环建模的基础。在中国，当前地图仅限于单个区域或分辨率较低。在本研究中，我们通过随机森林和极值梯度增强的加权和，编制了一张新的中国土壤TN的90m分辨率地图。通过等面积样条将4022个土壤剖面的土壤数据协调到一个固定的土壤深度（0–20cm）后，利用18个环境协变量表征了中国表层土壤TN的空间格局。独立验证数据的准确性评估表明，加权模型平均值给出了可接受R的最佳预测²(0.41). 预测图显示，土壤TN高值区主要分布在青藏高原东部、祁连山脉中部和大兴安岭北部。气候因素对土壤全氮的变化有较大影响，土地利用类型在各气候带中起着关键作用。这组高分辨率和高质量的中国土壤TN数据对未来土壤氮素清单、土壤养分状况评估和耕地管理非常有用。

关键词：

数字土壤测绘;加权模型平均;土壤TN图;不确定性分析;土地利用类型

图形摘要

1.简介

土壤氮是植物生长所需的一种常见的大量营养素[1]. 土壤氮的变化是氮循环的重要组成部分，它会影响全球生态系统的稳定性和可持续性[2,三]. 通过硝化和反硝化的生物过程，过量的土壤氮可以作为温室气体（N₂O和NO）[4,5]. 溶解氮可能渗入水体，导致富营养化并引发其他生态系统变化和响应[6]. 因此，明确了解土壤氮含量及其空间变化对于土壤质量评估、土地管理决策和全球氮循环建模具有重要意义，这些都对全球各种问题产生了严重影响。

传统上，土壤属性图是通过用特定土壤类型或土地利用的平均属性值填充多边形来绘制的[7,8]. 该过程费力、耗时、昂贵，且主要基于专家知识，这使得这些土壤图很难更新。作为替代方案，数字土壤制图（DSM）可用于从稀疏或离散样本大规模预测土壤特性[9]. 作为DSM的核心，Scorpan模型是Jenny模型的扩展[10]方程，它可以通过土壤（其他土壤信息）、气候、生物、地形、母质、年龄和位置等七个因素的关系预测土壤性质[9]. 事实上，由于从遥感和辅助数据中获得的土壤样本和环境协变量有限，DSM是一种方便、快速和经济高效的方法，可以支持我们估算土壤氮素的空间分布。

目前的文献中充斥着DSM方法在中国土壤总氮（TN）建模和制图中的应用。多重DSM方法包括多重线性回归模型[11,12,13]，地质统计模型[14,15]，支持向量机（SVM）[16]到基于树的模型，如增强回归树（BRT）和随机森林（RF）模型[17,18,19]. 值得注意的是，单个模型擅长处理某些类型的数据，当数据复杂时，建模和预测的不确定性很大[20,21].

近年来，与单一DSM模型相比，加权模型平均已证明其优越的预测能力[22,23]. 加权平均是集成建模的一个简单实现，是一个训练多个模型，然后将这些基础学习者的预测合成为单个预测值的过程[24]. 模型平均可以提高鲁棒性并减少每个原始模型的不足[25]因此，与任何原始算法相比，可以获得更好的预测性能。然而，与上述其他DSM方法相比，其在预测土壤性质方面的应用相对较少。迄今为止，加权模型平均（WMA）尚未用于绘制土壤TN图。

此外，以往对TN分布的研究通常局限于任一特定区域[26]或特定类型的生态系统或地貌，如黄土高原[12,27]和高山生态系统[16,28,29]. 高分辨率全国尺度土壤TN图在中国鲜有报道。

本研究的目的是：（1）通过不同的机器学习方法构建土壤TN预测模型，并通过加权模型平均将其组合；（2）比较并选择最稳健的模型，以90m的空间分辨率绘制全国表层土壤TN含量分布图，并估计其预测不确定性；（3）确定土壤TN空间分布格局的控制因素。

2.材料和方法

2.1. 土壤数据

土壤数据来自第二次全国土壤调查[30,31,32,33,34,35]，于1979年至1985年进行。虽然记录了数据点的地理位置，但没有记录具体的空间坐标，这意味着错误是不可避免的。尽管如此，我们在本研究中使用了该数据集，因为它具有广泛的空间覆盖范围和属性范围。该数据库中关于土壤TN的信息是使用半微量凯氏消化法测定的[36].

土壤TN的含量由土壤发生层位记录，因此我们使用Bishop等人提出的等面积平滑样条函数推导了最上层20 cm土壤TN[37]，由Malone et al[38]，并广泛应用于多项研究[17,19].

如果我们假设土壤剖面n个地平线，以及x是采样深度，那么对于层我(我= 1, 2, …,n个)，上下边界为x_我−1和x_我，以及（f）(x)是深度之间的深度函数x和土壤TN测量。地层中TN的测定我因此，是年_我并计算为：

年_{我} = {\bar{（f）}}_{我} + {e（电子）}_{我},

(1)

哪里

{\bar{（f）}}_{我}

是（f）(x)层的平均值我和

{\bar{（f）}}_{我} = \int_{x_{我 - 1}}^{x_{我}} （f） (x) d日 (x) / (x_{我} - x_{我 - 1})

,

{e（电子）}_{我}

是测量误差和

{\bar{e（电子）}}_{我} = 0

。我们可以确定以下公式（f）(x)通过以下方式最小化：

\frac{1}{n个} \sum_{我 = 1}^{n个} {(年_{我} - {\bar{（f）}}_{我})}^{2} + λ \int_{x_{0}}^{x_{n个}} {（f）}^{'} {(x)}^{2} d日 (x)

(2)

哪里

λ

是样条曲线平滑参数。值越小

λ

，样条曲线和输入值之间的拟合越紧密。最佳

λ

值从最小均方误差中获得。

使用样条线工具v2进行样条线插值后(网址：www.asris.csiro.au)，从土壤剖面数据中获得了0–20 cm处4022个土壤TN记录(图1). 在本研究中，对土壤TN数据进行对数转换，以使样本与正态分布的偏差较小。随后，用反对数将预测结果反向转换为原始值。

2.2. 环境协变量

在本研究中，我们从可用的远程和辅助数据中收集了18个可能影响土壤TN分布的环境变量(表1).

从航天飞机雷达地形任务（SRTM，网址：https://www2.jpl.nasa.gov/strm/). 其他地形属性，包括坡度、坡向、曲率、地形粗糙度指数（TRI）、地形湿度指数（TWI）和多分辨率谷底平整度（MrVBF），是从SAGA（自动地球科学分析系统）GIS中的DEM计算得出的[39]. 主要地形特征显示在图S1以及气候带。

我们分别从马里兰大学全球土地覆盖基金（Global Land Cover Facility）持有的全球生产效率模型（Global Production Efficiency Model）和全球库存建模与制图研究（Global Inventory Modeling and Mapping Studies）数据集获得净初级生产力（NPP）和归一化差异植被指数（NDVI）的值[40,41]. 对于每个网格点，从1981年到1985年计算NPP和NDVI的平均值，然后用作变量来帮助预测。

从两个中分辨率成像光谱仪（MODIS）数据集收集了地表温度、白天（LSTD）、地表温度、夜间（LSTN）和蒸散量（ET）(https://lpdaac.usgs.gov/)即MOD11A2和MOD16A3。为了校正剖面和卫星数据采集时间之间不可忽略的差异，使用同位协克里金方法计算融合数据[42]，1980年至1985年地面气象站数据，从国家气象信息中心下载(网址：http://data.cma.cn/)，作为主变量，MODIS数据集作为辅助变量。年平均气温（MAT）和年平均降水量（MAP）数据来自资源与环境数据云平台（REDCP，网址：http://www.resdc.cn/). 年平均太阳辐射（MASR）数据可从国家地球系统科学数据共享基础设施获取(http://www.geodata.cn).

1980年的土地利用和植被类型数据也来自REDCP。这两个数据集包含六种土地利用类型（25个子类）和10个植被组（54个子类）。中国第二次全国土壤清查后发布了1:1000000土壤图[43]. 基于世界土壤资源参考基地（WRB）系统，我们将基于中国土壤遗传分类（GSCC）系统的61个土壤类群转换为13种土壤类型[44,45]. 一些样本较少且特征相似的小组被整合成一个大的小组，以确保每个类别都有足够的样本来训练模型。最后，总结了大组水平的TN含量图2.

所有这些光栅层都被重新采样到90m的网格中。

2.3. 模型开发

使用了两种机器学习方法，即极限梯度增强（XGBoost）和随机森林（RF）来生成预测及其下限和上限90%。然后，WMA整合了这两个预测。

2.3.1. 机器学习方法

Random Forest基于bagging算法创建了一系列随机生成的分类和回归树[46]. RF的基本思想是，通过从原始训练集中随机抽样替换，每棵树独立生长，未选择的样本被视为用于测试预测准确性的数据库外数据。然后米协变量(米小于协变量的总数），通过最小化被分割组的方差，以最优方式在每个节点处随机选择树进行分割。模型中的每棵树都将在不进行修剪的情况下达到最大生长量，最终预测值是所有拟合树的平均值。

XGBoost基于梯度增强算法[47]. 该方法重视先验学习者的错误预测，通过加权求和将一系列弱学习者和不精确学习者转化为强预测者。在XGBoost中，需要最小化的目标函数等于训练损失和正则化损失两部分之和。正则化是一个由树的复杂性定义的函数，可以避免过拟合；收缩和柱状二次取样也起着同样的作用。

2.3.2. 加权模型平均

每种机器学习算法都有其优缺点[25]. 加权模型平均法是一种通过加权求和将不同贡献者模型的结果结合起来的方法。模型平均原理表明，新的预测值至少与任何单个预测值一样好[25]. 新的预测值

{\hat{年}}_{W公司 M（M） A类}

计算如下：

{\hat{年}}_{W公司 M（M） A类} = \sum_{米 = 1}^{M（M）} {w个}_{米} {\hat{年}}_{米}

(3)

哪里M（M）是预测因子的数量，

{\hat{年}}_{米 我}

是来自预测器的预测米，以及

{w个}_{米}

是归属于该模型的重量。

在本研究中，M（M）=2

{\hat{年}}_{W公司 M（M） A类}

是RF和XGBoost预测的加权总和：

{\hat{年}}_{R（右） F类}

和

{\hat{年}}_{X（X） G公司 B类 o个 o个 秒 t吨}

。使用最小绝对收缩和选择算子（LASSO）回归求解参数：

{w个}_{R（右） F类}

和

{w个}_{X（X） G公司 B类 o个 o个 秒 t吨}

LASSO算法优于未规范化的最小二乘算法，因为它可以加强规则性，而不是简单地将所有权重放在最复杂的预测器上，Hansen已经证明了这一点[18].

2.3.3. 模型校准和验证

在将土壤样本划分为校准数据（90%，3620）和验证数据（10%，402）后，我们使用校准数据及其相应的18个协变量构建了预测模型，然后使用402个验证数据评估模型性能。

为了验证目的，包括决定系数（R²)选择均方根误差（RMSE）和平均误差（ME）来估计上述模型的预测精度。其公式如下所示。

{R（右）}^{2} = 1 - \frac{\sum_{我 = 1}^{n个} {(年_{我} - {（f）}_{我})}^{2}}{\sum_{我 = 1}^{n个} {(年_{我} - \bar{年})}^{2}}

(4)

R（右） M（M） S公司 E类 = \sqrt{\frac{\sum_{我 = 1}^{n个} {(年_{我} - {（f）}_{我})}^{2}}{n个}}

(5)

M（M） E类 = \frac{\sum_{我 = 1}^{n个} ({（f）}_{我} - 年_{我})}{n个}

(6)

哪里

\bar{年}

是测量数据的平均值（在本例中为等面积样条插值），以及年_我和（f）_我是样本的测量值和预测值我(我= 1, 2, …,n个)分别是。

2.4. 不确定性评估

为了测量和量化与预测相关的不确定性，我们基于50次非参数自举生成了50个校准数据集。我们基于R软件中的50个校准数据集，使用Caret（分类和回归训练）包构建了50个RF模型和50个XGBoost模型[48,49]. 然后，WMA使用LASSO算法为每个迭代的RF和XGBoost模型分配权重参数，以TN测量值为因变量，以RF和XGB oost的TN预测值为自变量。使用glmnet包构建了50个WMA模型[50].

在每个像素（90×90 m）上应用这些模型后，我们为每种机器学习方法导出了50张土壤TN图。我们计算了从一次迭代中获得的两个映射（即RF映射和XGBoost映射）的加权总和，然后生成了50个WMA映射。我们将50张土壤TN图的平均值作为中国的最终地图。为了清楚起见，空间建模过程在图S2.

对于每个网格点，我们计算了每个算法预测值的90%置信区间（CI），这表明TN含量的真实值在CI上限和下限之间的区间内有90%的可能性。90%CI的计算公式为（7）：

C 我 秒 = \bar{P（P）} \pm 1.645 \frac{秒}{\sqrt{n个}}

(7)

哪里

\bar{P（P）}

是n个时间预测，在本研究中，n个= 50.秒是的标准偏差n个乘以预测。

最后，我们可以在方程式（8）中计算估算的不确定性：

U型 = \frac{C 我_{u个 第页 第页 e（电子） 第页} - C 我_{我 o个 w个 e（电子） 第页}}{\bar{P（P）}}

(8)

哪里

C 我_{u个 第页 第页 e（电子） 第页}

和

C 我_{我 o个 w个 e（电子） 第页}

是的下限和上限CI.

2.5. 单因素方差分析（ANOVA）检验

用单因素方差分析（ANOVA）检验R值²XGBoost、RF和WMA型号之间存在显著差异。

3.结果

3.1. 协变量的重要性

XGBoost和RF经过50次迭代后，协变量的平均相对重要性结果如所示图3气候变量在18个协变量中起着至关重要的作用。降雨量的相对值约为28%，其次是地表温度（26%）、辐射（22%）、温度（22%，ET（21%）。海拔（24%）是最重要的地形变量。NDVI（26%）和NPP（22%）几乎同等重要。植被和土地利用类型远不如其他因素重要，相对值小于12%。土壤类型的重要性为23%。预测模型对降雨量、地表温度和NDVI的重要性最高，这些因素对塑造土壤TN的空间分布格局至关重要。

3.2. 方法评估

通过50次迭代分配给RF和XGBoost模型的权重参数总结如下图S3.表2显示了XGBoost、RF和WMA算法50次迭代后的验证指数平均值，如下所示表2来自三个模型的测量的和预测的对数变换的TN值之间的图在图4.表S1显示了方差分析的输出，以及三个模型的平均R值之间是否存在显著差异².

三个模型中的ME值非常小，这表明预测大致没有偏差。R²随机森林的平均相对标准偏差为0.02 g·kg⁻¹低于XGBoost方法。因此，在构建WMA模型时，RF模型始终是首选的，并且比XGBoost分配了更大的权重参数(图S3).图4a表明，RF和XGBoost都高估了低目标值的预测，而低估了高目标值。相比之下，RF和XGBoost对低(图4b）和高(图4c） TN含量。在对两个模型进行加权平均后，模型性能在R下最好²0.41，RMSE值为1.15 g·kg⁻¹; 这表明WMA可以解释41%的TN含量空间变异。单因素方差分析结果显示(第页=0.000）平均R值存在统计显著差异²WMA、RF和XGBoost之间的值。

50 XGBoost、50 RF和50 WMA模型的每个验证数据的三个不确定性结果如所示图5WMA的平均不确定度值为0.05，远小于XGBoost（0.14）和RF（0.08）。对于每个验证数据，除了用橙色强调的两点外，最好的结果总是来自WMA方法图5这表明，使用WMA方法很有可能降低预测不确定性。

3.3. 土壤TN制图及其不确定性

WMA以90米分辨率绘制了全国土壤总氮比例图(图6)其增加的细节也以逐渐精细的比例显示出来。该图清楚地显示了土壤TN的总地理分布。表层土（0–20 cm）中的TN含量范围为0.13至9.92 g·kg⁻¹平均1.648 g·kg⁻¹遍布中国。TN含量变化较大，分布不均。TN含量较高（>4.8 g·kg⁻¹)在青藏高原东部、祁连山脉中部和大兴安岭北段⁻¹)在35°N至42.5°N之间，在塔里木盆地、柴达木盆地和内蒙古高原西部，特别是沙漠地区。黄土高原和华北平原的TN含量也较低。

我们根据50 WMA土壤TN图绘制了不确定性的空间分布(图7). 东南部地区的不确定性值较低，那里有许多土壤剖面。同样，由于土壤样本密度低，西部地区的不确定度值较高。大面积的沙漠土地和高海拔的人口减少区使得土壤测量员很难进行采样，从而导致这些地区在使用DSM技术时存在很大的不确定性。值得注意的是，不确定性最大的地区是昆仑山、阿尔金山和三江源地区，也是长江、黄河和澜沧江的源头。这些地区具有复杂且高度分散的景观结构，这很难通过本研究中使用的稀疏土壤数据进行检测。

3.4. 不同土壤类型和土地利用类型的土壤全氮

不同土壤类型和土地利用模式下0–20 cm深度的土壤总氮含量如图所示表S2和图8.不同土壤组的土壤总氮差异很大，按以下顺序排列：历史土壤>黑土>黑钙土>黑土土>淋溶土>冻土>卡斯坦诺泽姆>土壤>人为土>寒武土>钙化土>盐土>砂壤>淋溶。TN含量也显示了不同土地利用类型之间的显著差异。在大组水平上，森林中TN含量最高，其次是草地、农田和建设用地，未利用地最低。就亚群而言，森林和草地组的高覆盖率与土壤TN含量之间存在直接关系。在未利用土地中，湿地的TN含量最高。

各气候带不同土地利用类型的平均TN含量如下所示图9TN含量随着降水量的增加和温度的降低而增加。在各气候带中，耕地的TN含量明显低于森林和草地。气候越干燥，耕地和其他两种植被土地利用类型之间的土壤TN含量差异越大。在干旱地区，耕地的土壤TN含量仅为森林的一半左右。

我们将耕地的TN含量转换为六个等级(表3)根据国家土壤调查局的规定[51]. TN含量在3级最高（32.3%），在1.0～1.5 g·kg之间⁻¹TN小于1.0 g·kg的含氮土壤⁻¹占41.3%。

4.讨论

4.1. 预测的质量

总的来说，在50次自举迭代中，RF的预测能力优于XGBoost。射频模型可以减少过学习和过拟合[46]，它往往是多种机器学习方法中最好的一种，这已被许多研究所证实[22,52]. 然而，RF模型继承了递归分割和树平均对异常值的不敏感性，而XGBoost使用残差训练后续模型，对异常值更敏感[46,47]. 在本研究中使用的土壤数据中，一些TN含量极高的点被视为统计中的离群值。我们确认了这些数据的真实性并保存了记录。对于这些高值，XGBoost模型具有更好的预测精度，如所示图4因此，WMA集成了两个模型，保留了每种算法的优点，并摒弃了其不准确的方面[25]. 因此，WMA在捕捉土壤TN的空间变化和减少预测不确定性方面表现出最佳能力。许多其他研究的结果都是类似的，研究人员得出结论，不同DSM模型的集成比单个模型的结果更好[22,23]. 因此，我们建议将几个模型的预测结合起来通常很有用，因为可以通过平均来平衡较大的方差。

我们将我们的数据与其他已发表研究的数据进行了比较，发现我们的组合模型比在中国全国范围内应用的其他模型表现得更好。上官等人[53]利用多边形链接方法绘制了30弧秒（1km）分辨率的土壤TN图。Li等人[54]将多元回归模型与神经网络相结合，生成了表土TN图。预测值的平均相对误差为61.06%，高于我们研究中的49.17%。我们的模型适用于绘制更可靠的90m分辨率国家土壤TN地图，提供了有关TN空间变化的详细信息，并遵循了全球土壤地图[55].

4.2. 土壤TN的空间分布

分布图(图5)揭示了土壤TN的空间格局，并让我们了解了环境如何影响土壤中的TN。地形作为土壤形成因素之一，在TN建模中起着重要作用，可以确定水热条件和土壤形成物质的分布[10]. 随着海拔的升高，土壤TN显著增加，这可能反映出人类干扰较小，高海拔地区的湿热条件较好[17,28,29]. 在我们的研究中，降雨量和温度作为气候指标和TN最可靠的预测因子，如图3和图9它们通过土壤水分含量和土壤温度的变化影响TN的空间分布[56]. 在低温下分解和转化有机物的细菌的活性和种类受到限制[19,57]. NDVI和NPP也是土壤TN的良好预测因子，如图3和图8，因为植被生产力和生物量与返回土壤的凋落物数量相关[20]. 总的来说，TN含量随着海拔、降水量和植被覆盖密度的增加而增加，随着温度的降低而降低。通过缓慢分解、生物量积累和弱淋溶，土壤TN逐渐积累并最终达到较高水平。因此，我们可以预计图6西藏高原东部高寒草甸地区冻土中的土壤总氮较高，大兴安岭北部森林带的黑土、黑钙土和露维素中的土壤TN较高，而较低的TN主要分布在沙漠地区。这些分布模式与Li等人绘制的国家TN地图上的分布模式一致[54]和Shangguan等人[53].

4.3. 土壤TN预测的不确定性

评估不确定性的重要性几乎与制作预测图的重要性一样大[58]，不确定性地图帮助研究人员确定不确定性的来源并提出解决方案[59,60]. 为了获得非常可靠的预测，我们可以从两个方面控制土壤TN图的不确定性。

首先，我们可以通过向模型的数据集中添加更多相关或更精确的变量来处理有限数量的协变量带来的不确定性。在本研究中，山区的海拔高度急剧下降；在这些地方，不确定性很大，反映了相邻地理因素的高度异质性，当以粗略的分辨率绘制时，这进一步转化为对变量的不准确描述。当缩小尺度时，这些不确定性将进一步传播到土壤TN预测中。此外，三江源区的流域面积为237957 km²，或总面积的65.9%[61]. 这里的土壤容易受到径流的侵蚀[62]，所以相当数量的土壤TN可能被重新分配[63]从而削弱了土壤TN与协变量之间的关系。因此，增加土壤侵蚀或土壤流失潜力的定量估算将有助于提高TN估算的准确性[64].

第二，如果不确定性源于土壤剖面不足，则可以增加采样网络的密度，并收集更多样本。有了足够的数据集，我们可以更准确地捕获由环境协变量解释的空间方差。在建立新数据库时，应强调确定性低的领域，并应将其作为进一步数据库投资的优先事项[65,66].

4.4. 土地利用对土壤TN含量的影响

图8和图9表明耕地土壤中的TN含量低于自然植被覆盖下的土壤，以前的研究也记录了类似的结果[20,67]. 人类活动在控制特定气候区TN含量方面起主导作用[11]. 耕作和其他农业策略将破坏物理保护层，促进土壤呼吸，从而加速有机质的分解[68,69]. Zhao等人[70]已证明，经过50年的栽培，0–20 cm的TN含量下降了67%–68%。因此，当土地利用从森林或草原转移到耕地时，土壤总氮急剧下降[67,71,72,73].

大规模种植区的土壤TN水平较低，如表3这将严重制约农业产量。许多农民选择扩大耕地面积，以达到较高的作物总产值，因此自20世纪80年代以来，中国的景观发生了巨大变化，林地和草地损失巨大，农田相应增加[74]. 盲目开垦导致土壤养分流失、水土流失、环境恶化和贫困恶性循环。1999年开始实施退耕还林计划（RFFP）后，森林和草原出现了反弹，出现了转机。为了增加森林覆盖率、改善土壤质量和减轻贫困，RFFP对农民将边际农田归还森林或草地进行了补偿[75]. 在废弃农田上建立林地或草地后，土壤TN浓度增加[70,76]. 然而，与土地利用和管理不当导致的快速土壤退化相比，一旦脆弱的环境遭到破坏，土壤肥力的恢复将需要很长一段时间[70]. 无可争辩的是，关于土地利用规划的政策决策需要考虑当地条件，而不是机械地应用经验。这些富氮土壤应用于林业、畜牧业等适合其土壤形成特征和环境历史的活动，合理施用氮肥和秸秆还田可以改善耕地中的缺氮土壤[77].

4.5. 局限性和观点

1980年，中国氮肥年消费量超过900万吨，2017年大幅增长至2200万吨以上[78]. 过度氮肥的环境成本已成为导致中国环境退化的两难选择，包括土壤酸化、空气污染、水污染和生态系统多样性下降[71,79,80]. 应监测土壤中的TN含量，以了解自20世纪80年代以来，在人类活动下，尤其是在施氮条件下，土壤中TN含量发生了怎样的变化。我们的TN图的准确性受到土壤数据库大小的限制，无法完全捕捉如此大国家的巨大变化。地图准确性的另一个限制是由于与土壤采样年份相对应的环境协变量的质量相对较低。然而，本研究中提出的建模和预测程序可以很容易地转移到其他时间段全球土壤地图并进一步应用于土壤TN动态监测。

在后续工作中，应仔细解决几个问题。首先，应通过整合更高质量的数据源和补充样本来处理环境协变量不准确和土壤剖面不充分带来的不确定性，如第4.3节其次，应将一些与土壤TN相关的土壤特性（例如土壤质地、pH值、土壤有机碳）纳入环境协变量，以进一步提高地图的准确性。第三，值得考虑三维总氮模拟。

然而，本研究中绘制土壤TN的所有数据都是我们可以为中国获取的最详细的数据集。我们的土壤TN图可以以高空间分辨率填补国家TN清查的空白，因此可以作为基线，监测TN含量和空间分布如何随着土地利用、工农业发展、人口增长、土地管理和气候变化的人为变化而变化。此外，做出决策的政府部门可以根据土壤监测网络制定相应的管理战略，以改善氮封存和缓解全球变暖。

5.结论

我们的研究是首次以90 m分辨率绘制中国土壤全氮地图。我们将随机森林模型与极端梯度增强模型相结合，构建了预测模型。本研究的结论如下：

使用这两个模型的加权平均值，得到了一个合理的结果，RMSE最低（1.15 g·kg⁻¹)和最高R²（0.41）与单个模型相比，这解释了41%的土壤TN含量的空间差异，并降低了预测的不确定性。
TN图显示出高度的空间异质性，空间变异受气候、地形和生物等变量的影响。空间趋势与之前的TN图相似，分辨率较低，青藏高原东部和中国东北部TN较高，沙漠地区TN较低。
不确定性地图可以帮助决策者和利益相关者了解我们研究中绘制的地图的可靠性。应该指出，通过使用更多的协变量或补充未来土壤剖面的数量，可以减少不确定性。

作为全国范围内对土壤总氮含量最定量、最精确的估计，我们的总氮图可以作为监测土壤总氮动态、制定土地利用策略和支持生物地球化学模拟的基线。

补充资料

以下内容可在线获取，网址为https://www.mdpi.com/2072-4292/12/1/85/s1：图S1：中国地形和气候区。图S2：显示空间建模过程的流程图。图S3:50次迭代中分配给RF和XGBoost模型的权重。表S1：单向方差分析输出。表S2：平均土壤TN含量（g·kg⁻¹)在中国不同的土壤类型中。

作者贡献

所有作者都对这篇文章做出了重大贡献。概念化，Y.Z.（粤州），Y.Z（殷州）和Z.S。；数据管理，J.X.、S.C.、Z.L.和N.W。；形式分析，Y.Z.（岳舟），J.X.和Z.L。；资金收购，Y.Z.（Yin Zhou）和Z.S。；方法论，Y.Z.（岳州），S.C.和Z.L。；Software，Y.Z.（岳舟）、J.X.和Y.Z（殷舟）；监理，Z.S。；可视化，Y.Z.（Yue Zhou），J.X.和N.W。；撰写原稿，Y.Z.（岳州），S.C.和Y.Z.Y.（鄞州）。所有作者都已阅读并同意手稿的出版版本。

基金

本研究由国家重点研发计划[2016YFD0201200]、中央高校基本科研业务费专项资金[2019FZA6005]和中国博士后科学基金[2019M652099]资助。

致谢

我们感谢编辑和匿名审稿人为改进本文提出的富有洞察力的意见和建议。

利益冲突

作者声明没有利益冲突。

工具书类

辛菲尔德，J.V。；法格曼，D。；Colic，O.耕地土壤中宏观营养物质实时检测的传感技术评估。计算。电子。农业。 2010,70, 1–18. [谷歌学者] [交叉参考]
里夫斯，M。；拉尔·R。；洛根，T。；Sigarán，J.土壤氮和碳对玉米种植系统、氮源和耕作的响应。土壤科学。美国社会期刊。 1997,61, 1387–1392. [谷歌学者] [交叉参考]
维图塞克，P.M。；Porder，S。；B.Z.霍尔顿。；Chadwick，O.A.《陆地磷限制：机制、影响和氮磷相互作用》。经济。应用。 2010,20, 5–15. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
莱德利，T.S。；圣奎斯特，E.T。；施瓦茨，S.E。；霍尔，D.K。；研究员，J.D。；基林，T.L.，气候变化和温室气体。EOS事务处理。美国地球物理学。 2013,80, 453–458. [谷歌学者] [交叉参考] [绿色版本]
Li，C.S.《量化土壤温室气体排放：科学基础和建模方法》。土壤科学。植物营养。 2007,53, 344–352. [谷歌学者] [交叉参考] [绿色版本]
Carpenter，S.R。；北卡罗来纳州卡拉科。；科雷尔，D.L。；霍沃思，R.W。；夏普利，A.N。；Smith，V.H.，地表水磷和氮的非点源污染。经济。应用。 1998,8, 559–568. [谷歌学者] [交叉参考]
Batjes，N.H.世界土壤中的总碳和氮。欧洲土壤科学杂志。 1996,47, 151–163. [谷歌学者] [交叉参考]
Arrouays，D。；Deslais，W。；Badeau，V.法国表层土的碳含量及其地理分布。土壤使用管理。 2001,17, 7–11. [谷歌学者] [交叉参考]
McBratney，A.B。；桑托斯，M.L.M。；Minasny，B.关于数字土壤制图。Geoderma公司 2003,117, 3–52. [谷歌学者] [交叉参考]
H·詹妮。土壤形成因素; 麦格劳·希尔：美国纽约州纽约市，1941年。[谷歌学者]
王，S。；王，X。；欧阳，Z。中国北方密云水库上游流域土地利用、气候、地形和土壤性质对区域土壤有机碳和总氮的影响。J.环境。科学。 2012,24, 387–395. [谷歌学者] [交叉参考]
乔，J。；Zhu，Y。；贾，X。；黄，L。；邵，M。中国黄土高原临界区土壤全氮和全磷的垂直分布。卡特纳 2018,166, 310–316. [谷歌学者] [交叉参考]
塞利格，T。；Böhner，J。；Schmidhalter，U.在多元回归建模程序中使用高光谱图像和现场数据进行高分辨率表土制图。Geoderma公司 2006,136, 235–244. [谷歌学者] [交叉参考]
王凯。；张，C。；Li，W.区域尺度下土壤总氮预测制图：地理加权回归和协克里格法的比较。申请。地质师。 2013,42, 73–85. [谷歌学者] [交叉参考]
Elbasiouny，H。；Abowaly，M。；Abu_Alkhier，A。；Gad，A.在埃及尼罗河三角洲北部地区使用普通克里金方法研究土壤碳和氮库的空间变化。卡特纳 2014,113, 70–78. [谷歌学者] [交叉参考]
Kou博士。；丁J.Z。；李，F。；魏，N。；方，K。；Yang，G。；张，B。；刘，L。；秦，S。；陈，Y。；等。西藏高山多年冻土区土壤氮储量的空间显式估计及其对土地模型的影响。科学。总环境。 2019,650, 1795–1804. [谷歌学者] [交叉参考]
Shahbazi，F。；休斯，P。；McBratney，A.B。；米纳斯尼，B。；Malone，B.P.评估伊朗西北部重要农业营养素——氮、磷和硼的空间和垂直分布。卡特纳 2019,173, 71–82. [谷歌学者] [交叉参考]
B.E.汉森。经济计量学; 威斯康星大学经济系：威斯康星州麦迪逊，美国，2019年；第846页。在线可用：http://www.ssc.wisc.edu/~bhansen/计量经济学/（2019年8月19日访问）。
王，S。；庄，Q.L。；王，Q.B。；金，X。；Han，C.绘制中国辽宁省土壤有机碳和土壤总氮储量图。Geoderma公司 2017,305, 250–263. [谷歌学者] [交叉参考]
王，S。；金，X。；阿迪卡里，K。；李伟（Li，W.）。；Yu，M。；卞，Z。；Wang，Q.从中国东北部的一个地点绘制土壤总氮地图。卡特纳 2018,166, 134–146. [谷歌学者] [交叉参考]
周，Y。；韦伯斯特，R。；维斯卡拉·罗塞尔，R.A。；施，Z。；Chen，S.西藏20世纪80年代土壤有机碳基线图及其不确定性。Geoderma公司 2019,334, 124–133. [谷歌学者] [交叉参考]
努斯鲍姆，M。；斯皮斯，K。；Baltensweiler，A。；格罗布，美国。；凯勒，A。；格雷纳，L。；Schaepan，医学博士。；Papritz，A.使用大组环境协变量评估数字土壤制图方法。土壤 2018,4, 1–22. [谷歌学者] [交叉参考] [绿色版本]
陈，S.C。；梁振中。；韦伯斯特，R。；张，G.L。；周，Y。；H.F.滕。；胡，B.F。；Arrouays，D。；Shi，Z.通过稀疏土壤数据和环境协变量的混合建模绘制的中国土壤pH值的高分辨率地图及其对污染的影响。科学。总环境。 2019,655, 273–283. [谷歌学者] [交叉参考] [公共医学]
不列颠哥伦比亚省博姆克。；B.M.格林维尔。使用R进行实际机器学习第1版。；CRC出版社：美国佛罗里达州博卡拉顿，2019年；出版中；在线可用：https://bradleyboehmke.github.io/主页/（2019年12月6日访问）。
马龙，B.P。；米纳斯尼，B。；Odgers，N.P。；McBrantney，A.使用模型平均法结合传统土壤地图和点数据中的土壤特性栅格。Geoderma公司 2014,232–234, 34–44. [谷歌学者] [交叉参考]
Xu，Y。；S.E.史密斯。；Grunwaldb，S。；Abd-Elrahman，A。；瓦尼，S.P。；Nair，V.D.使用遥感光谱指数和回归克立格法估算小农农场环境中的土壤总氮。卡特纳 2017,163, 111–122. [谷歌学者] [交叉参考] [绿色版本]
徐，G。；Cheng，S。；李，P。；李，Z。；高，H。；Yu，K。；卢克。；Shi，P。；Cheng，Y。；赵，B。中国黄土高原一个小流域生态建设条件下筑坝农田的土壤总氮来源。经济。工程师。 2018,121, 19–25. [谷歌学者] [交叉参考]
赵，Z。；张，X。；Dong，S。；Wu，Y。；刘，S。；苏，X。；王，X。；Zhang，Y。；Tang，L.中国干旱地区阿尔金山国家级自然保护区高山生态系统土壤有机碳和总氮储量。环境。莫尼特。评估。 2018,191, 40. [谷歌学者] [交叉参考] [公共医学]
刘，H。；曹，L。；曾静。西藏东南部色季拉山沟壑坡地土壤氮素的空间分布。《经济学报》。罪。 2016,36, 127–133. [谷歌学者]
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1993；第1卷，（中文）。
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1994；第二卷，（中文）。
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1994；第三卷（中文）。
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1995；第四卷，（中文）。
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1995；第五卷，（中文）。
国家土壤调查局。中国土壤属志; 中国农业出版社：北京，中国，1996；第六卷，（中文）。
Gregorich，E.G。；M.R.卡特。；Angers，D.A。；Monreal，首席执行官。；Ellert，B.H.建立评估农业土壤中土壤有机质质量的最小数据集。可以。土壤科学杂志。 1994,74, 367–385. [谷歌学者] [交叉参考] [绿色版本]
毕晓普，T.F.A。；麦克布拉特尼，A.B。；Laslett，G.M.使用等面积二次平滑样条建模土壤属性深度函数。Geoderma公司 1999,91, 27–45. [谷歌学者] [交叉参考]
马龙，B.P。；麦克布拉特尼，A.B。；米纳斯尼，B。；Laslett，G.M.绘制土壤碳储量和有效水容量的连续深度函数。Geoderma公司 2009,154, 138–152. [谷歌学者] [交叉参考]
康拉德，O。；Bechtel，B。；博克，M。；迪特里希，H。；Fischer，E。；Gerlitz，L。；韦伯格，J。；维奇曼，V。；Böhner，J.自动化地球科学分析系统（SAGA）v.2.1.4。地质科学。模型。开发。 2015,8, 1991–2007. [谷歌学者] [交叉参考] [绿色版本]
塔克，C.J。；Pinzon，J.E。；M.E.布朗。全球库存建模和映射研究; NA94apr15b.n11-VIg，2.0；马里兰大学全球土地覆盖设施：美国马里兰州大学帕克分校，2004年。[谷歌学者]
普林斯，S.D。；斯莫尔，J。1981–2000年AVHRR全球生产效率模型; 马里兰大学全球土地覆盖设施：美国马里兰州大学帕克分校，2003年。[谷歌学者]
Goovaerts，P.使用海拔帮助绘制降雨侵蚀力的地质统计图。卡特纳 1999,34, 227–242. [谷歌学者] [交叉参考]
施X.Z。；Yu，D.S。；华纳，E.D。；平移，X.Z。；彼得森，G.W。；龚，Z.G。；Weindorf，D.C.中国遗传土壤分类系统1:1000000数字土壤调查和参考系统的土壤数据库。土壤水平。 2004,45, 129–136. [谷歌学者] [交叉参考]
IUSS工作组WRB。2014年世界土壤资源参考基地，更新2015年国际土壤分类系统，用于命名土壤和创建土壤地图图例; 联合国粮食及农业组织：意大利罗马，2015年。[谷歌学者]
施X.Z。；Yu，D.S。；Xu，S.X。；华纳，E.D。；王海杰。；太阳，W.X。；Zhao，Y.C。；龚志东。中国土壤遗传分类与不同尺度WRB相关的交叉参照。Geoderma公司 2010,155, 344–350. [谷歌学者] [交叉参考]
Breiman，L.《随机森林》。机器。学习。 2001,45, 5–32. [谷歌学者] [交叉参考] [绿色版本]
弗里德曼，J.H.贪婪函数近似：梯度增强机。Ann.统计。 2001,29, 1189–1232. [谷歌学者] [交叉参考]
R核心团队。R：统计计算语言与环境; R统计计算基金会：奥地利维也纳，2013年。[谷歌学者]
Kuhn，M.Caret：分类和回归训练。R软件包版本6.0-84。2019.在线提供：https://CRAN.R-project.org/package=插入符号（2019年4月27日访问）。
Friedman，J.Glmnet：Lasso和Elastic-Net正则化广义线性模型。R软件包版本3.0-2。2019.在线提供：https://cran.r-project.org/web/packages/glmnet/index.html（2019年12月11日访问）。
国家土壤调查局。中国土壤; 中国农业出版社：北京，中国，1998；（中文）。
费尔南德斯·德尔加多，M。；Cernadas，E。；巴罗，S。；Amorim，D.我们需要数百个分类器来解决现实世界的分类问题吗？J.马赫。学习。物件。 2014,15, 3133–3181. [谷歌学者]
上官，W。；戴，Y。；刘，B。；朱，A.X。；Q.Y.段。；Wu，L.Z。；季德扬。；Ye，A.Z。；袁，H。；张，Q。；等。中国土地表面建模土壤特性数据集。J.高级模型。地球系统。 2013,5, 212–224. [谷歌学者] [交叉参考]
Li，Q.Q。；岳，T.X。；范，Z.M。；杜，Z.P。；陈，C.F。；Lu，Y.M.中国国家尺度表土TN的空间模拟。地理。物件。 2010,29, 1981–1992. （中文）[谷歌学者]
Arrouays，D。；Grundy，医学博士。；A.E.哈丁克。；亨佩尔，J.W。；尤夫林，G.B.M。；S.Y.洪。；拉加切里，P。；Lelyk，G。；McBratney，A.B。；新泽西州麦肯齐。；等。全球土壤图：走向土壤特性的精细分辨率全球网格。Agron高级。 2014,125, 93–134. [谷歌学者]
福列特，R.F。；C.E.斯图尔特。；普鲁斯纳，E.G。；Kimble，J.M.。气候变化对美国大平原土壤碳氮储量的影响。J.土壤水利。 2012,67, 331–342. [谷歌学者] [交叉参考] [绿色版本]
徐家川。；陈，Z.S。；Hsieh，C.F.台湾南部低地雨林土壤特性与坡度位置之间的关系。Geoderma公司 2004,123, 131–142. [谷歌学者] [交叉参考]
R.A.麦克米伦。；Moon，D.E。；库佩，R.A。；Phillips，N.《820万公顷林地的预测生态系统制图》（PEM）。在数字土壤制图：衔接研究、环境应用和操作; Boettinger，J.L.，Howell，D.W.，Moore，A.C.，Hartemink，A.E.，Kienast-Brown，S.，Eds。；施普林格：多德雷赫特，荷兰，2010年；第2卷，第337-356页。[谷歌学者]
周，Y。；A.E.哈丁克。；施，Z。；梁振中。；Lu，Y.L.中国北方和东北地区土地利用和气候变化对土壤有机碳的影响。科学。总环境。 2019,647, 1230–1238. [谷歌学者] [交叉参考] [公共医学]
梁振中。；陈，S.C。；Yang，Y.Y。；赵R.Y。；施，Z。；Rossel，R.A.V.中国20世纪80年代表层土有机质及其相关不确定性的国家数字土壤地图。Geoderma公司 2019,335, 47–56. [谷歌学者] [交叉参考]
胡，M.Q。；毛，F。；孙，H。；Hou，Y.Y.三江源区归一化差异植被指数变化及其与气候因子的相关性研究。国际期刊申请。地球观测地理信息。 2011,13, 24–33. [谷歌学者] [交叉参考]
H.F.滕。；胡，J。；周，Y。；周立群（Zhou，L.Q.）。；Shi，Z.中国土壤侵蚀潜力建模与制图。J.整合。农业。 2019,18, 251–264. [谷歌学者] [交叉参考] [绿色版本]
彭J.T。；李，G.S。；Fu，W.L。；Yi，X.S。；兰，J.C。；Yuang，B.青海省三江源地区退化草地总氮的时空变化。环境。科学。 2012,33, 2490–2496. [谷歌学者]
陈，S.C。；马丁，医学博士。；Saby，新泽西州。；沃尔特，C。；Angers，D.A。；Arrouays，D.法国表层和底层碳封存潜力的精细分辨率地图。科学。总环境。 2018,630, 389–400. [谷歌学者] [交叉参考]
休伊特，A。；巴林格，J。；Forrester，G。；McNeill，S.J.《新西兰数字土壤制图的土壤景观基础》。在数字土壤制图：衔接研究、环境应用和操作; Boettinger，J.L.，Howell，D.W.，Moore，A.C.，Hartemink，A.E.，Kienast-Brown，S.，Eds。；施普林格：多德雷赫特，荷兰，2010年；第2卷，第297-307页。[谷歌学者]
梁振中。；陈，S.C。；Yang，Y.Y。；周，Y。；Shi，Z.中国土壤有机碳的高分辨率三维制图：SoilGrids产品对国家建模的影响。科学。总环境。 2019,685, 480–489. [谷歌学者] [交叉参考]
Murty，D。；Kirschbaum，M.U.F。；R.E.麦克默特里。；McGilvray，A.森林转为农业用地会改变土壤碳和氮吗？文献综述。手套。青稞酒。生物。 2002,8, 105–123. [谷歌学者] [交叉参考]
王晓杰。；龚志东。中国亚热带地区十一年开垦后土壤质量变化的评估与分析。Geoderma公司 1998,81, 339–355. [谷歌学者] [交叉参考]
Wang，Y。；王，S。；阿迪卡里，K。；王，Q.B。；Sui，Y.Y。；Xin，G.耕作历史对东北地区耕地土壤有机碳状况的影响。大地测量仪 2019,342, 55–64. [谷歌学者] [交叉参考]
赵文忠。；Xiao，H.L。；刘，Z.M。；Li，J.中国北方半干旱坝上地区土地利用变化对土壤退化和恢复的影响。卡特纳 2005,59, 173–186. [谷歌学者] [交叉参考]
郭，L.B。；Gifford，R.M.土壤碳储量和土地利用变化：一项综合分析。手套。青稞酒。生物。 2002,8, 345–360. [谷歌学者] [交叉参考]
萨哈尼，美国。；Behera，N.森林砍伐对热带土壤物理化学特性、微生物生物量和微生物活性的影响。土地退化。开发。 2001,12, 93–105. [谷歌学者] [交叉参考]
Berihu，T。；Girmay，G。；Sebhatleab，M。；Berhane，E。；Zenebe，A。；Sigua，G.C.埃塞俄比亚森林砍伐后的土壤碳氮损失。阿格隆。维持。开发。 2017,37, 1. [谷歌学者] [交叉参考] [绿色版本]
胡，Y。；张学忠。；毛，R。；Gong，D.Y。；刘，H.B。；Yang，J.模拟了1980年代至2000年代中国东部夏季气候对实际土地利用/覆盖变化的响应。地球物理学杂志。Res.大气。 2015,120, 167–179. [谷歌学者] [交叉参考]
Zinda，J.A。；Trac，C.J。；翟，D。；Harrell，S.《退耕还林工程中的双功能森林与中国环境政策的灵活性》。地理论坛 2016,78, 119–132. [谷歌学者] [交叉参考] [绿色版本]
Song，Y。；姚，Y.F。；秦，X。；Wei，X.R。；贾，X.X。；Shao，M.G.在两种无机碳浓度不同的半干旱农田土壤上，碳和氮对0-5m深度造林的响应。大地测量仪 2020,357, 113940. [谷歌学者] [交叉参考]
姜瑜。；Rao，L。；Sun，K。；韩，Y。；Guo，X.鄱阳湖生态经济区（华南）土壤氮的时空分布。科学。总环境。 2018,626, 235–243. [谷歌学者] [交叉参考]
1999年中国统计年鉴。在线可用：http://www.stats.gov.cn/yearbook/indexC.htm（1999年9月20日查阅）。
Ju，X.T。；邢，G.X。；陈，X.P。；Zhang，S.L。；张，L.J。；刘晓杰。；崔，Z.L。；尹，B。；克里斯蒂，P。；朱，Z.L。；等。通过改善中国集约农业系统中的氮管理来降低环境风险。程序。国家。阿卡德。科学。美国 2009,106, 8077. [谷歌学者] [交叉参考] [绿色版本]
邢，G.X。；Zhu，Z.L.中国及其主要流域的区域氮预算。生物地球化学 2002,57, 405–427. [谷歌学者] [交叉参考]

图1。4022份土壤数据记录的位置和表土（0–20 cm）总氮（TN）含量。

图2。不同土壤TN含量的雨云图(一)土地利用类型(b条)植被类型和(c（c）)土壤类型。“water”组被省略，因为它是空的。

图3。协变量对预测TN的相对重要性。

图3。预测TN的协变量的相对重要性。

图4。验证数据测量值和平均预测值之间的土壤TN图（对数转换）。对于每个数据点，RF、XGBoost和WMA的三个预测值与灰色线相关联。(b条,c（c）)显示了部分详细信息(一).

图5。402个验证数据点的不确定度值绘图。

图6。表土中的土壤总氮含量（0–20 cm）。

图6。表层土中的土壤总氮含量（0-20厘米）。

图7。土壤全氮不确定性图。

图8。平均土壤TN含量（g·kg⁻¹)在中国不同的土地利用类型中。

图9。中国气候带不同土地利用类型下的平均TN含量。“其他”组包括建设用地和其他未使用土地。

图9。中国气候带不同土地利用类型下的平均TN含量。“其他”组包含建设用地和其他未使用的土地。

表1。土壤TN建模中使用的环境协变量。

设置	协变量	分辨率	来源
地形	数字高程模型（DEM）	90米	https://www2.jpl.nasa.gov/srtm/
	坡度
	方面
	曲率
	地形粗糙度指数（TRI）
	地形湿度指数（TWI）
	多分辨率山谷底部平整度（MrVBF）
有机体	归一化植被指数（NDVI）	8000米	[40]
	净初级生产力	8000米	[41]
	植被类型	1000米	网址：http://www.resdc.cn/
	土地利用类型	1000米	网址：http://www.resdc.cn/
气候	陆地表面温度，白天（LSTD）	1000米	https://lpdaac.usgs.gov/
	地表温度，夜间（LSTN）	1000米	https://lpdaac.usgs.gov/
	年平均太阳辐射（MASR）	1000米	http://www.geodata.cn
	年平均温度（MAT）	1000米	网址：http://www.resdc.cn/
	年平均降雨量（MAP）	1000米	网址：http://www.resdc.cn/
	蒸发蒸腾（ET）	1000米	https://lpdaac.usgs.gov/
土壤	土壤类型（1:1000000地图）		[43]

表2。用于独立验证的模型诊断。

	R（右）²	RMSE公司¹（克·千克⁻¹)	我²（克·千克⁻¹)
XGBoost公司	0.34	1.20	−0.26
射频	0.38	1.18	−0.27
WMA公司	0.41	1.15	−0.29

¹均方根误差。²平均误差。

表3。土壤TN等级，以及相应区域（10¹⁰公里²)和比例。

等级		1	2	三	4	5	6
TN含量（g·kg⁻¹)		>2	1.5–2	1.0–1.5	0.75–1	0.5–0.75	<0.5
耕地	地区	1.57	2.09	4.43	3.39	2.09	0.17
	比例	11.4%	15.2%	32.3%	24.7%	15.2%	1.2%

分享和引用

MDPI和ACS样式

周，Y。；薛，J。；陈，S。；周，Y。；Liang，Z。；Wang，N。；施，Z。基于加权模型平均的中国土壤全氮精细分辨率制图。远程传感器。 2020,12, 85.https://doi.org/10.3390/rs12010085

AMA风格

周毅，薛杰，陈S，周毅，梁Z，王N，石Z。基于加权模型平均的中国土壤全氮精细分辨率制图。遥感. 2020; 12(1):85.https://doi.org/10.3390/rs12010085

芝加哥/图拉宾风格

周、岳、薛杰、陈松超、周殷、梁宗正、王楠和周石。2020.“基于加权模型平均的中国土壤总氮精细分辨率制图”遥感12，编号1:85。https://doi.org/10.3390/rs12010085

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单