土壤粒径空间预测是数字土壤制图领域的重要内容，作为一种典型的成分数据（不同粒径加和为100%），土壤粒径空间制图常与对数比转换方法相结合，特别是等距对数比转换（ILR）。ILR是基于正交坐标系（组分平衡）采用顺序二元分区构建，组分平衡选择的差异会生成不同的转换数据。很少有研究评估基于不同组分平衡转换数据，及其结合不同空间预测模型 (线性、机器学习和混合模型)导致的土壤粒径预测精度的差异。 

　　近期，史文娇研究组基于三种组分平衡的ILR转换数据集，采用广义线性模型（GLM）、随机森林（RF）及其与回归克里金结合的混合模型（GLMRK和RFRK），对中国黑河流域上游的土壤粒径进行空间预测，阐明了基于不同ILR组分平衡的模型性能变化。发现ILR组分数据与正态分布的一致性是提升模型性能的关键，即当两个ILR组分都遵循正态分布时，模型表现最佳，三种粒径提升幅度可达2.3–4.3%。本研究可为土壤粒径空间建模与制图精度提升提供有益参考。 

　　论文第一作者为中国科学院地理资源所博士研究生张沫，通讯作者为中国科学院地理资源所史文娇研究员，合作作者为新西兰土地保护研究所马渝欣研究员，以及江西师范大学教授、中国科学院地理资源所葛咏研究员。相关研究成果发表于农林和土壤科学领域一区Top期刊《CATENA》(IF=6.2)。 

　　本研究得到了国家自然科学基金重点项目、国家自然科学基金创新群体项目和国家重点研发计划项目支持。 

　　论文信息：Zhang, M., Shi, W.*, Ma, Y., Ge, Y., 2024. Mapping soil particle-size fractions based on compositional balances. CATENA, 234, 107643. 

　　论文链接： https://doi.org/10.1016/j.catena.2023.107643  

　　图1.不同方法的预测值在USDA土壤质地三角图上的分布