研究背景与意义
核心问题
离群样点权重调整是影响目标属性空间插值精度的关键因素，但现有方法无法兼顾样点地理空间均匀性与特征空间代表性，导致插值精度受限。
研究目标
以科尔沁左翼中旗土壤有机质样点为例，提出一种地理-特征空间权重调整方法，在最小调整样点数量的前提下显著提升空间插值精度。
方法论框架
1
样点类型划分
- 地理空间：基于泰森多边形面积划分为聚集、均匀、稀疏样点
- 特征空间：根据代表性计算划分为高/低代表性样点
2
离群样点检测
- 全局检测：四分位法识别3个全局离群样点
- 局部检测：局部Moran's I识别35个局部离群样点
3
权重调整策略
- 删除2个低代表性聚集离群样点
- 调整24个高代表性离群样点权重
关键技术指标
样点分类结果
- 聚集样点：34个（泰森多边形1.49-4.54 km²）
- 均匀样点：380个（泰森多边形4.56-61.74 km²）
- 稀疏样点：19个（泰森多边形63.79-322.23 km²）
- 高代表性样点：261个 | 低代表性样点：172个
环境因子权重
- 年均降水：0.1509（最高权重）
- DEM高程：0.1461
- 成土母质：0.1374
- 土壤容重：0.1358
- NDVI：0.0682（最低权重）
核心研究成果
11.25%
RMSE降低
3.768→3.344 g/kg
11.07%
MAE降低
2.809→2.498 g/kg
11.82%
准确度提升
AC: 0.609→0.681
55.98%
R²提升
0.209→0.326
统计特征优化
标准差：4.24 → 4.08 g/kg（减少0.16）
变异系数：28.84% → 27.85%（减少0.99%）
偏度系数：0.65 → 0.44（减少0.21）
峰度系数：1.59 → 0.72（减少0.87）
数据更接近正态分布，空间插值可靠性显著提升
方法对比与验证
权重调整方案对比
本研究方法（最优）
调整24个样点 | RMSE: 3.344 | AC: 0.681
方案a
调整26个样点 | RMSE: 3.349 | AC: 0.679
方案b
调整35个样点 | RMSE: 3.302 | AC: 0.721
方案c
调整38个样点 | RMSE: 3.291 | AC: 0.723
本方法以最少调整样点数实现显著精度提升
插值模型对比
随机森林回归克里金（最佳）
RMSE: 3.263 | MAE: 2.456 | AC: 0.722 | R²: 0.386
结合机器学习与地统计优势
本研究方法 + 普通克里金
RMSE: 3.344 | MAE: 2.498 | AC: 0.681 | R²: 0.326
优于随机森林，证明权重调整价值
原始样点 + 随机森林
RMSE: 3.525 | MAE: 2.643 | AC: 0.577 | R²: 0.196
结合样点空间结构信息对提升精度具有重要价值