Grasping the future change trend of soil fertility has great significance in improving the soil quality and achieving high-quality crop production and sustainable agricultural development. However, studies predicting the future change trend of farmland soil fertility are scarce. In this paper, with Yanzhou District of Shandong Province as the research area, a study was conducted based on the sampled data from 2012 to 2017. The data extracted from 2012 to 2016 was used for prediction and that from 2017 was applied for verification. The pH, organic matter, available phosphorus, alkali-hydrolyzed nitrogen and available potassium were selected as indexes of soil fertility. From a socioeconomic perspective, the factors affecting the changes in soil fertility selected in this study include fertilization measures, crop yield, area of arable land, farmers’ income, degree of mechanized operation, irrigated area, pesticide dosage, mulch dosage and rural electricity consumption. Based on this, a stochastic Petri net was used to build a model for predicting the soil fertility change trend. According to the relevant statistical data, the parameters of the model were determined, and by using the solid mathematical basis of the model, the probability of about 0.7852 was calculated out for the soil fertility to decline in the study area in the coming year. By comparing the soil fertility in 2016 and 2017, and further analyzing the changes in soil fertility from 2012 to 2016, the method of predicting the variation trend of soil fertility proposed in this study was verified to be effective.

把握土壤肥力的未来变化趋势，对改善土壤质量，实现优质作物生产和农业可持续发展具有重要意义。然而，很少有研究预测农田土壤肥力的未来变化趋势。本文以山东省Yan州区为研究区域，以2012年至2017年的抽样数据为基础进行了研究。以2012年至2016年提取的数据为预测数据，以2017年为验证数据。选择pH值，有机质，有效磷，碱解氮和有效钾作为土壤肥力的指标。从社会经济学的角度来看，本研究中选择的影响土壤肥力变化的因素包括施肥措施，作物产量，耕地面积，农民收入，机械化程度，灌溉面积，农药用量，地膜用量和农村用电量。在此基础上，采用随机Petri网建立了土壤肥力变化趋势预测模型。根据相关统计数据，确定模型的参数，并利用模型的坚实数学基础，计算得出来年研究区土壤肥力下降的概率约为0.7852。通过比较2016年和2017年的土壤肥力，并进一步分析2012年至2016年的土壤肥力变化，验证了本研究提出的预测土壤肥力变化趋势的方法是有效的。覆盖剂量和农村用电量。在此基础上，采用随机Petri网建立了土壤肥力变化趋势预测模型。根据相关统计数据，确定模型的参数，并利用模型的坚实数学基础，计算得出来年研究区土壤肥力下降的概率约为0.7852。通过比较2016年和2017年的土壤肥力，并进一步分析2012年至2016年的土壤肥力变化，验证了本研究提出的预测土壤肥力变化趋势的方法是有效的。覆盖剂量和农村用电量。在此基础上，采用随机Petri网建立了土壤肥力变化趋势预测模型。根据相关统计数据，确定模型的参数，并利用模型的坚实数学基础，计算得出来年研究区土壤肥力下降的概率约为0.7852。通过比较2016年和2017年的土壤肥力，并进一步分析2012年至2016年的土壤肥力变化，验证了本研究提出的预测土壤肥力变化趋势的方法是有效的。确定模型的参数，并利用模型的坚实数学基础，计算得出来年研究区域土壤肥力下降的概率约为0.7852。通过比较2016年和2017年的土壤肥力，并进一步分析2012年至2016年的土壤肥力变化，验证了本研究提出的预测土壤肥力变化趋势的方法是有效的。确定模型的参数，并利用模型的坚实数学基础，计算得出来年研究区域土壤肥力下降的概率约为0.7852。通过比较2016年和2017年的土壤肥力，并进一步分析2012年至2016年的土壤肥力变化，验证了本研究提出的预测土壤肥力变化趋势的方法是有效的。