基于人工智能算法优化采样点密度与分布——以雅鲁藏布江流域中游（林芝段）土壤质量评价为例

摘要

[目的]在充分考虑土壤质量指标空间异质性的前提下，探索如何减少采样点数量，以改进传统土壤质量评价方法，避免因忽视采样点数量与空间分布而影响评估结果准确性，从而实现对土壤质量的科学评估，为农业生产、生态恢复及环境保护提供可靠依据。[方法]依托雅鲁藏布江流域中游（林芝段）土壤资源调查数据库，运用模拟退火算法与人工神经网络模型，对土壤采样点的数量与布局开展优化工作。借助主成分分析确定最小数据集，并依据土壤质量综合指数法开展土壤质量评价。[结果]（1）采样点数量从666个减少至312个优化率达53.15%，可显著提高采样效率并降低采样成本。（2）优化前后土壤质量分级表现：Ⅰ级为0.00%和0.32%，Ⅱ级为15.32%和27.56%，Ⅲ级为60.21%和53.53%，Ⅳ级为24.47%和18.59%。优化前后采样点土壤质量分级表现出良好的变异性，且空间相关性增强，实现了在降低成本的同时提高采样方案对空间预测的准确性。[结论]模拟退火算法和人工神经网络相结合显著降低了采样点密度，且增强了样点的空间相关性。实现了在成本可控的前提下，极大地提升土壤属性空间预测的准确性，为更大范围土壤资源的调查与监测工作提供了科学、高效的技术路径，对提高土壤质量评价的效率与准确性起到了显著的推动作用。

关键词

表土调查 / 采样点密度优化 / 土壤质量评价 / 人工神经网络 / 模拟退火算法