数字土壤制图方法研究进展

doi:10.11924/j.issn.1000-6850.casb2023-0618

中国农学通报 ›› 2024, Vol. 40 ›› Issue (20): 146-153.doi: 10.11924/j.issn.1000-6850.casb2023-0618

数字土壤制图方法研究进展

李颖¹(), 俄胜哲¹(), 赵天鑫¹, 袁金华¹, 刘雅娜², 路港滨², 张鹏²

¹ 甘肃省农业科学院土壤肥料与节水农业研究所，兰州 730070
² 甘肃农业大学资源与环境学院，兰州 730070

收稿日期:2023-08-23 修回日期:2023-12-22 出版日期:2024-07-15 发布日期:2024-07-11
通讯作者:
俄胜哲，男，1978年出生，甘肃庆城人，副研究员，博士，主要从事植物营养与土壤生态研究。通信地址：730070 甘肃省兰州市安宁区农科院新村甘肃省农业科学院土壤肥料与节水农业研究所，E-mail：eshengzhe@163.com。
作者简介:
李颖，女，1996年出生，甘肃环县人，硕士研究生，主要从事数字土壤制图的研究。通信地址：730070 甘肃省兰州市安宁区农科院新村甘肃省农业科学院土壤肥料与节水农业研究所，E-mail：3514975259@qq.com。
基金资助:
果树优生区关键施肥期专用缓释肥研制(2021-RC-63)

Research Progress on Digital Soil Mapping Methods

LI Ying¹(), E Shengzhe¹(), ZHAO Tianxin¹, YUAN Jinhua¹, LIU Yana², LU Gangbin², ZHANG Peng²

¹ Institute of Soil Fertilizers and Water-saving Agriculture, Gansu Academy of Agricultural Sciences, Lanzhou 730070
² School of Resources and Environment, Gansu Agricultural University, Lanzhou 730070

Received:2023-08-23 Revised:2023-12-22 Published:2024-07-15 Online:2024-07-11

摘要/Abstract

摘要：

数字土壤制图是基于土壤成土学、地理学和数学理论知识，借助3S技术手段而产生的一种新型高效的土壤制图技术。国内外学者从环境协同变量的生成、样点数据的获取、数字土壤制图模型或方法的选择及土壤图的产生与验证这4个方面已有大量的研究，尤其是对制图方法的研究。本文介绍了数字土壤制图的五类方法，分别是地统计学方法、确定性插值、数理统计、机器学习和专家知识模型。同时基于不同方法的特征，从样本的密度和分布状况、地形地貌特征及目标变量等方面考虑，选择适用于研究区域的制图方法。数字土壤制图未来的发展方向包括将人类活动因子加入环境协同变量；基于机器学习与数据挖掘建立更有效的采样方法；新型建模方法的应用（深度学习和多模态方法）。

关键词: 数字土壤制图, 土壤属性, 数字土壤制图方法, 机器学习

Abstract:

Digital soil mapping is a novel and efficient soil mapping technique that utilizes 3S technology and is theoretically based on soil formation science, geography and mathematics. Domestic and foreign scholars had conducted extensive research on the generation of environmental collaborative variables, the acquisition of sample data, the selection of digital soil mapping models or methods, and the generation and validation of soil maps, especially on mapping methods. This paper introduced five categories of digital soil mapping techniques, including geostatistical methods, deterministic interpolation, mathematical statistics, machine learning, and expert knowledge models. At the same time, the mapping method suitable for the study area was chosen based on the merits of various approaches, from the aspects of target variables, topography and geomorphological features, sample density and distribution status and more. The future development direction of digital soil mapping included incorporating human activity factors into environmental synergistic variables; establishing more effective sampling methods based on machine learning and data mining; the application of new modeling methods (deep learning and multimodal methods).

Key words: digital soil mapping, soil properties, digital soil mapping methods, machine learning

李颖, 俄胜哲, 赵天鑫, 袁金华, 刘雅娜, 路港滨, 张鹏. 数字土壤制图方法研究进展[J]. 中国农学通报, 2024, 40(20): 146-153.

LI Ying, E Shengzhe, ZHAO Tianxin, YUAN Jinhua, LIU Yana, LU Gangbin, ZHANG Peng. Research Progress on Digital Soil Mapping Methods[J]. Chinese Agricultural Science Bulletin, 2024, 40(20): 146-153.

图/表 4

参考文献 58

[1]	王帅. 黑河流域中游地区关键土壤属性的空间变异特征与预测制图[D]. 沈阳: 沈阳农业大学, 2018.
[2]	何林华. 复杂地形区土壤属性制图[D]. 西宁: 青海师范大学, 2017.
[3]	张甘霖, 史舟, 朱阿兴, 等. 土壤时空变化研究的进展与未来[J]. 土壤学报, 2020(5):1060-1070.
[4]	孙孝林, 赵玉国, 赵量, 等. 应用土壤-景观定量模型预测土壤属性空间分布及制图[J]. 土壤, 2008(5):837-842.
[5]	MCBRATNEY A B, SANTOS M L M, MINASNY B. On digital soil mapping[J]. Geoderma, 2003, 117(1):3-52.
[6]	SCULL P. Predictive soil mapping: a review[J]. Progress in physical geography, 2003, 27(2):171-197.
[7]	LAGACHERIE P, MCBRATNEY A. Chapter 1 spatial soil information systems and spatial soil inference systems: Perspectives for digital soil mapping[J]. Developments in soil science, 2006, 31:3-22.
[8]	WU C, HUANG J, ZHU H, et al. Spatial changes in soil chemical properties in an agricultural zone in southeastern China due to land consolidation[J]. Soil & tillage research, 2019, 187:152-160.
[9]	CHEN S, LIN B, LI Y, et al. Spatial and temporal changes of soil properties and soil fertility evaluation in a large grain-production area of subtropical plain, China[J]. Geoderma, 2020, 357:113937.
[10]	姜赛平. 海南岛土壤有机质时空变异特征及驱动因素研究[D]. 北京: 中国农业科学院, 2018.
[11]	JENNY H. Factors of soil formation, A system of quantitative pedology[M]. New York: Dover publications, 1994.
[12]	TOBLER W R. A computer movie simulating urban growth in the detroit region[J]. Economic geography, 1970, 46:234-240.
[13]	王政权. 地统计学及其在生态学中的应用[M]. 北京: 科学出版社, 1999.
[14]	孙孝林, 赵玉国, 刘峰, 等. 数字土壤制图及其研究进展[J]. 土壤通报, 2013, 44(3):752-759.
[15]	LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677):1623-1627. doi: 10.1126/science.1097396 pmid: 15192216
[16]	FOLLETT R F, STEWART C E, PRUESSNER E G, et al. Effects of climate change on soil carbon and nitrogen storage in the US great plains[J]. Journal of soil and water conservation, 2012, 67(5):331-342.
[17]	杨琳, FAHMY S, HANN S, 等. 基于土壤-环境关系的更新传统土壤图研究[J]. 土壤学报, 2010, 47(6):1039-1049.
[18]	孙福军, 雷秋良, 刘颖, 等. 数字土壤制图技术研究进展与展望[J]. 土壤通报, 2011, 42(6):1502-1507.
[19]	WANG S, WANG X, OUYANG Z. Effects of land use, climate, topography and soil properties on regional soil organic carbon and total nitrogen in the upstream watershed of Miyun reservoir, North China[J]. Journal of environmental sciences, 2012, 24(3):387-395. pmid: 22655350
[20]	DORJI T, ODEH I O DAMIEN J, FIELD D J, et al. Digital soil mapping of soil organic carbon stocks under different land use and land cover types in montane ecosystems, Eastern Himalayas[J]. Forest ecology and management, 2014, 318:91-102.
[21]	LAGACHERIE P, MCBRATNEY A B. Chapter 1 spatial soil information systems and spatial soil inference systems: perspectives for digital soil Mapping[J]. Developments in soil science, 2006, 31:3-22.
[22]	WALLENIUS K, NIEMI R M, RITA H. Using stratified sampling based on pre-characterisation of samples in soil microbiological studies[J]. Applied soil ecology, 2011, 51(1):111-113.
[23]	ZHANG J, ZHANG C. Sampling and sampling strategies for environmental analysis[J]. International journal of environmental analytical chemistry, 2012, 92(4):466-478.
[24]	BRUS D J, HEUVELINK G B M. Optimization of sample patterns for universal kriging of environmental variables[J]. Geoderma, 2007, 138(1/2):86-95.
[25]	黄思华, 濮励杰, 解雪峰. 面向数字土壤制图的土壤采样设计研究进展与展望[J]. 土壤学报, 2020, 57(2):259-272.
[26]	GOOVAERTS P. Geostatistics in soil science: state-of-the-art and perspectives[J]. Geoderma, 1999, 89(1):1-45.
[27]	王璐, 胡月明, 赵英时, 等. 克里格法的土壤水分遥感尺度转换[J]. 地球信息科学学报, 2012, 14(4):465-473. doi: 10.3724/SP.J.1047.2012.00465
[28]	XU Y M, SMITHS E, GRUNWALD S, et al. Estimating soil total nitrogen in smallholder farm settings using remote sensing spectral indices and regression kriging[J]. Catena, 2018, 163:111-122.
[29]	郭龙, 张海涛, 陈家赢, 等. 基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较[J]. 土壤学报, 2012, 49(5):1037-1042.
[30]	马泉来, 高凤杰, 张志民, 等. 我国东北黑土丘陵区小流域土壤有机质空间分布模拟[J]. 环境科学研究, 2016, 29(3):382-390.
[31]	杨顺华, 张海涛, 郭龙, 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值[J]. 应用生态学报, 2015, 26(6):1649-1656.
[32]	CHANG C W, LAIRD D A, MAUSBACH M J, et al. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties[J]. Soil science society of America journal, 2001, 65(2):480-490.
[33]	HALLEMA D W, LAFOND J A, PéRIARD Y, et al. Long-term effects of peatland cultivation on soil physical and hydraulic properties: case study in Canada[J]. Vadose zone journal, 2015, 14(6):1-12.
[34]	NEMES A, RAWLS W J, PACHEPSKY Y A. Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties[J]. Soil science society of America journal, 2006, 70(2):327-336.
[35]	QIU Y, FU B, WANG J, et al. Spatial prediction of soil moisture content using multiple-linear regressions in a gully catchment of the Loess Plateau, China[J]. Journal of arid environments, 2010, 74(2):208-220.
[36]	邱琳, 李安波, 赵玉国. 基于Fisher判别分析的数字土壤制图研究[J]. 土壤通报, 2012, 43(6):1281-1286.
[37]	ODEHA I O A, MCBRATNEY A B, CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma, 1994, 63(3-4):197-214.
[38]	LEHMANN A, OVERTON J M C, LEATHWICK J R. GRASP: generalized regression analysis and spatial prediction[J]. Ecological modelling, 2002, 157(2):189-207.
[39]	AITKENHEAD M J, COULL M C. Mapping soil carbon stocks across Scotland using a neural network model[J]. Geoderma, 2016, 262(15):187-198.
[40]	SHAO W Y, GUAN Q Y, TAN Z, et al. Application of BP - ANN model in evaluation of soil quality in the arid area, northwest China[J]. Soil & tillage research, 2021, 208:104907.
[41]	赖雨晴, 孙孝林, 王会利. 人工神经网络及其与地统计的混合模型在小面积丘陵区土壤有机碳预测制图上的应用研究[J]. 土壤通报, 2020, 51(6):1313-1322.
[42]	SUBBURAYALU S K, JENHANI I, SLATER B K. Disaggregation of component soil series on an Ohio county soil survey map using possibilistic decision trees[J]. Geoderma, 2014, 213:334-345.
[43]	韩浩武, 许伟, 黄魏, 等. 基于遥感影像和决策树算法的土壤制图[J]. 土壤通报, 2019, 50(1):8-14.
[44]	郭乃嘉, 史学正, 赵永存, 等. 人为与环境因子对农田土壤有机质影响的比较研究——以典型黑土区和水稻土区为例[J]. 土壤学报, 2016, 53(5):1097-1106.
[45]	周紫燕, 黄魏, 许伟, 等. 基于随机森林算法的原始土壤图更新研究[J]. 华中农业大学学报, 2019, 38(3):53-59.
[46]	LIU D, YU Z B, Lü H S. Data assimilation using support vector machines and ensemble Kalman filter for multi-layer soil moisture prediction[J]. Water science and engineering, 2010, 3(4):361-377.
[47]	KOVAčEVIć M, BAjAT B, GAjIć B. Soil type classification and estimation of soil properties using support vector machines[J]. Geoderma, 2009, 154(3):340-347.
[48]	WADOUX A M J C, PADARIAN J, MINASNY B. Multi-source data integration for soil mapping using deep learning[J]. Soil, 2019, 5(1):107-119. doi: 10.5194/soil-5-107-2019
[49]	PADARIAN J, MINASNY B, MCBRATNEY A B. Using deep learning to predict soil properties from regional spectral data[J]. Geoderma regional, 2018, 16:e00198.
[50]	HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[J]. Proceedings of the IEEE conference on computer vision and pattern recognition. Piscataway. NJ: Institute of electrical and electronics engineers, 2016:770-778.
[51]	ZHU A X. A similarity model for representing soil spatial information[J]. Geoderma, 1997, 77(2):217-242.
[52]	ZHU A X, HUDSON B, BURT J E, et al. Soil mapping using GIS, expert knowledge and fuzzy logic[J]. Soil science society of America journal, 2001, 65:1463-1472.
[53]	毛丽丽, 于静洁, 张一驰. 模糊c均值聚类方法在黑河下游土壤属性制图中的初步应用研究[J]. 干旱区资源与环境, 2013, 27(1):195-201.
[54]	TAGHIZADEH-MEHRjARDI R, MINASNY B, TOOMANIAN N, et al. Digital mapping of soil classes using ensemble of models in isfahan region, Iran[J]. Soil systems, 2019, 3(2):37-49.
[55]	SONG X D, WU H Y, JU B, et al. Pedoclimatic zone-based three-dimensional soil organic carbon mapping in China[J]. Geoderma, 2020, 363(C):114145-114145.
[56]	HENGL T, MENDES DE JESUS J, HEUVELINK G B, et al. SoilGrids250m: Global gridded soil information based on machine learning[J]. Plos one, 2017, 12(2):229-237.
[57]	曾鹏源. 基于深度学习的土壤数字制图研究[D]. 郑州: 郑州大学, 2022.
[58]	朱阿兴, 杨琳, 樊乃卿, 等. 数字土壤制图研究综述与展望[J]. 地理科学进展, 2018, 37(1):66-78. doi: 10.18306/dlkxjz.2018.01.008

名称	数据描述	数据来源	影响土壤原理
土壤	土壤属性，土壤类型，土壤专家知识	遥感，试验分析，土壤专家知识和经验，土壤图，遗留土壤数据	利用已知的土壤属性通过建立函数关系得到未知土壤属性^[5]
气候	气温、降雨量、潜在蒸散量、太阳辐射量、地表温度、干燥度等	气象站和遥感资料	气候主要是通过温度、湿度、蒸发及降水等因素影响土壤的形成方向及空间分布特征，直接决定着土壤中的水热条件和物质的合成与分解^[15-16]
地形	海拔、坡度、坡向、平面曲率、剖面曲率、与河流的距离、与山脊的距离、地形湿度指数、坡位等	数字高程模型(DEM)	地形因素通过影响物质、能量的分配并作用于土壤，其次通过影响区域气候和植被生长类型，进而影响土壤属性的空间分布格局^[17]
母质	常用地质图或地貌图来代替土壤母质分布图	地质图、遥感、专家知识	母质作为土壤形成的物质基础，其粒度直接决定着土壤的质地，化学成分决定土壤养分的高低^[18]
生物	土地利用类型、植被类型、归一化植被指数(NDVI)、增强植被指数(EVI)、叶面积指数(LAI)、植被净初级生产力(NPP)、林冠郁闭度(Canopy Closure, CC)等	遥感资料、植被图、野外调查	生物因子通过影响土壤有机物的合成与分解、土壤结构的形成及物质的搬运等，进而影响土壤的类型与空间分布特征^[19-20]
位置	相对位置	GPS测定	空间位置变化通过影响水热变化而对土壤属性空间分布产生影响，同时空间位置还可以反映空间因素的分布特征^[21]
时间	成土时间	地表电磁探测、专家估计	土壤性质与肥力会随着时间的变化而变化。但在目前研究中，由于时间因素难以定量化，所以难以将其用在土壤属性的预测中^[5,14]。

名称	数据描述	数据来源	影响土壤原理
土壤	土壤属性，土壤类型，土壤专家知识	遥感，试验分析，土壤专家知识和经验，土壤图，遗留土壤数据	利用已知的土壤属性通过建立函数关系得到未知土壤属性^[5]
气候	气温、降雨量、潜在蒸散量、太阳辐射量、地表温度、干燥度等	气象站和遥感资料	气候主要是通过温度、湿度、蒸发及降水等因素影响土壤的形成方向及空间分布特征，直接决定着土壤中的水热条件和物质的合成与分解^[15-16]
地形	海拔、坡度、坡向、平面曲率、剖面曲率、与河流的距离、与山脊的距离、地形湿度指数、坡位等	数字高程模型(DEM)	地形因素通过影响物质、能量的分配并作用于土壤，其次通过影响区域气候和植被生长类型，进而影响土壤属性的空间分布格局^[17]
母质	常用地质图或地貌图来代替土壤母质分布图	地质图、遥感、专家知识	母质作为土壤形成的物质基础，其粒度直接决定着土壤的质地，化学成分决定土壤养分的高低^[18]
生物	土地利用类型、植被类型、归一化植被指数(NDVI)、增强植被指数(EVI)、叶面积指数(LAI)、植被净初级生产力(NPP)、林冠郁闭度(Canopy Closure, CC)等	遥感资料、植被图、野外调查	生物因子通过影响土壤有机物的合成与分解、土壤结构的形成及物质的搬运等，进而影响土壤的类型与空间分布特征^[19-20]
位置	相对位置	GPS测定	空间位置变化通过影响水热变化而对土壤属性空间分布产生影响，同时空间位置还可以反映空间因素的分布特征^[21]
时间	成土时间	地表电磁探测、专家估计	土壤性质与肥力会随着时间的变化而变化。但在目前研究中，由于时间因素难以定量化，所以难以将其用在土壤属性的预测中^[5,14]。

地形	分区规则	环境变量	推荐模型
平原	海拔：≤200 m 地貌：宽广平坦、起伏很小	主要因素：气候、生物、土地利用次要因素：母质、地形	普通克里格、地理加权回归克里格、随机森林、反距离加权
丘陵	海拔：>200 m且≤500 m 地貌：高低起伏、坡度较缓、由连绵不断的低矮山丘组成	主要因素：地形、母质、生物次要因素：气候、土地利用	地理加权回归克里格、随机森林回归克里格、其他机器学习方法
山地	海拔：>500 m 地貌：地表形态奇特多样，或相互重叠、犬牙交错，或彼此平行、绵延千里	主要因素：气候、生物、地形次要因素：母质、土地利用	地理加权回归克里格、随机森林回归克里格、其他机器学习方法
高原	海拔：>1000 m 地貌：面积较大、顶面起伏较小、周围形成陡坡的高地	主要因素：气候、生物、地形次要因素：母质、土地利用	普通克里格、地理加权回归克里格、随机森林、回归克里格、其他机器学习方法
盆地	地貌：四周高（山地或高原）、中部低（平原或丘陵）的盆状地形	主要因素：气候、生物、土地利用、地形次要因素：母质	地理加权回归克里格、随机森林、其他机器学习方法

地形	分区规则	环境变量	推荐模型
平原	海拔：≤200 m 地貌：宽广平坦、起伏很小	主要因素：气候、生物、土地利用次要因素：母质、地形	普通克里格、地理加权回归克里格、随机森林、反距离加权
丘陵	海拔：>200 m且≤500 m 地貌：高低起伏、坡度较缓、由连绵不断的低矮山丘组成	主要因素：地形、母质、生物次要因素：气候、土地利用	地理加权回归克里格、随机森林回归克里格、其他机器学习方法
山地	海拔：>500 m 地貌：地表形态奇特多样，或相互重叠、犬牙交错，或彼此平行、绵延千里	主要因素：气候、生物、地形次要因素：母质、土地利用	地理加权回归克里格、随机森林回归克里格、其他机器学习方法
高原	海拔：>1000 m 地貌：面积较大、顶面起伏较小、周围形成陡坡的高地	主要因素：气候、生物、地形次要因素：母质、土地利用	普通克里格、地理加权回归克里格、随机森林、回归克里格、其他机器学习方法
盆地	地貌：四周高（山地或高原）、中部低（平原或丘陵）的盆状地形	主要因素：气候、生物、土地利用、地形次要因素：母质	地理加权回归克里格、随机森林、其他机器学习方法

类别	概念	方法	优势	局限
地统计学方法	地统计学方法是以区域化变量为理论基础，结合变异函数，利用样本数据进行空间插值，最终确定变量的空间分布，实现制图的目的	普通克里格(OK) 泛克里格(UK) 协同克里格(CK) 回归克里格(RK) 地理加权回归克里格(GWRK)经验贝叶斯克里格(EBK)	简单、易操作、效率高	样点的数量与空间分布是该方法的核心，要求样本满足二阶平稳假设，可移植性较差
确定性插值	该方法是以区域内部相似性或以平滑度为基础，由已知的样点进行插值	反距离加权法最邻近法样条插值法	简单、易操作、效率高	样点的数量足够。且在空间上分布均匀
数理统计	数理统计方法根据已知样点土壤属性，利用统计关系探索并建立其与环境因素之间的函数关系，用以推测土壤属性的空间分布	多元线性回归(MLR)、广义多元线性回归(GMLR)、判别分析(DA)	简单直观，且能表达土壤属性与环境因子之间的相关关系	此类方法的前提是土壤属性与环境因子呈线性相关，且需要大量的样本去提取该关系。其次对小尺度地区较使用，但对大尺度区域不一定适用
机器学习	机器学习模型利用机器学习与数据挖掘方法，提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布，	人工神经网络(ANN) 分类与回归树(CART) 随机森林(RF) 支持向量机(SVM)、深度学习(DL)	该方法可解决土壤属性与环境变量的非线性问题，且对数据分布没有要求	易过度拟合、不易直观的解释土壤属性与环境因子之间的关系
专家知识模型	专家知识模型是基于地理相似性原理的土壤—景观推理模型。通过构建土壤与环境因子之间的隶属度函数，以此来确定未知点的土壤属性	贝叶斯网络模糊逻辑推理方法	该方法可以提高土壤调查的效率与更新，同时可以保证土壤属性空间分布的细节和精度的质量	环境数据可用性和质量以及土壤环境关系的知识质量必须得到保证

数字土壤制图方法研究进展

Research Progress on Digital Soil Mapping Methods

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 58

相关文章 7

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	王鹏翔, 陈翔宇, 魏春月, 马怡茹, 秦诗哲, 周泽轩, 张泽. 基于机器学习算法的滴灌棉花地上部氮浓度估测模型研究[J]. 中国农学通报, 2024, 40(4): 148-157.
[2]	孙博, 李靖, 王静. 机器学习在植物工厂中的研究现状与挑战[J]. 中国农学通报, 2023, 39(18): 142-150.
[3]	阳灵燕, 张红燕, 陈玉峰, 刘亚文. 机器学习在农作物品种识别中的应用研究进展[J]. 中国农学通报, 2020, 36(30): 158-164.
[4]	杨红云, 罗建军, 万颖, 孙爱珍. 计算机视觉技术在水稻氮素营养诊断中应用的研究进展[J]. 中国农学通报, 2020, 36(16): 149-155.
[5]	罗宁,阮仁宗,王俊海. 基于机器学习与高光谱数据的湿地植被物种识别研究[J]. 中国农学通报, 2019, 35(13): 157-164.
[6]	李新川,盛建东,李桂真,刘文惠. 谢家沟不同类型草地AM 真菌侵染状况与土壤理化性质的关系[J]. 中国农学通报, 2017, 33(2): 87-92.
[7]	樊哿,彭卫,孙山,刘峻呈. 基于支持向量机的蘑菇毒性判别研究[J]. 中国农学通报, 2015, 31(19): 232-236.