Stabilization of acidification in China’s cropland soils中国农田土壤酸化稳定化
基本信息
刊物：Nature Geoscience
时间：2025-09-05
DOI：10.1038/s41561-025-01813-1
作者：Wangbo Zhang， Changlong Wei， Jiuyu Li， Qing Zhou， Jianqing Ma， Yanli Li， Yuxuan He， Yi Zou， Yongming Luo， Yijun Yao
机构：
State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing, China
University of Chinese Academy of Sciences, Beijing, China
University of Chinese Academy of Sciences, Nanjing, China
School of Civil Engineering and Architecture, NingboTech University, Ningbo, China
Engineering Research Center of Ecology and Agricultural Use of Wetland, Ministry of Education/College of Agriculture, Yangtze University, Jingzhou, China
导读：该研究通过整合7024个区域土壤调查数据与机器学习模型，首次系统揭示中国农田土壤酸化在2013年前后出现转折，呈现“总体稳定、区域分化”特征。其关键发现表明：政策驱动的氮肥减量使稻田土壤开始恢复，而旱地土壤因缓冲能力弱且受干旱影响，酸化停滞但难逆转。这一动态评估为精准农业管理提供了科学依据。
引言
背景与意义
中国农田土壤自20世纪下半叶起持续酸化，严重威胁农业生产力与生态系统功能。尽管土壤具备碳酸盐、硅酸盐矿物等缓冲能力，但高强度氮肥施用、土地利用集约化及工业氮氧化物沉降已使其承受超限压力。现有研究多基于稀疏的全国性普查数据，难以揭示酸化过程的时空动态演变，尤其缺乏对近几十年趋势的系统评估。本研究整合7,024个区域调查数据，构建机器学习模型，首次实现1985–2040年中国农田表层土壤pH的高分辨率时空预测，为理解政策驱动下的土壤健康变化提供关键科学依据。
现有不足
前人研究受限于数据频次低、空间覆盖不均以及局部监测站数据连续性不足，导致对酸化动态演化路径认知模糊。同时，全球主流过程模型虽能模拟酸化机制，但参数需求高且难以捕捉中国高强度农业背景下复杂的人为驱动效应。此外，现有研究普遍忽略区域异质性，未能区分水稻田与旱地土壤在酸化响应上的根本差异，也缺乏对长期施肥模式转变下土壤化学状态逆转潜力的量化评估。
问题与动机
核心科学问题是：中国农田土壤酸化是否已出现拐点？其背后驱动机制为何？特别是农业政策引导下的氮肥消费下降如何影响土壤pH演变？由于酸化过程具有滞后性和不可逆性，厘清这一转折点及其成因，不仅关乎中国粮食安全与可持续农业转型，也为全球类似农业体系提供可借鉴的管理范式。本研究聚焦于政策干预与土壤化学响应之间的因果关系，旨在揭示人为活动调控下土壤酸碱平衡的临界阈值与恢复潜力。
目标与创新
本研究目标是构建中国首个覆盖1985–2040年、分辨率达1 km²的农田土壤pH动态预测框架，揭示酸化趋势的时空分异特征与转折节点。创新在于融合大规模实测数据与随机森林机器学习模型，整合静态环境因子与动态农业输入变量，突破传统模型对参数设定的依赖；首次明确指出2013年前后为中国农田土壤酸化的转折点，并发现水稻田呈现显著pH回升而旱地土壤趋于稳定，揭示了土地利用类型在酸化响应中的主导作用；提出基于情景分析的未来预测路径，为制定差异化、精准化的土壤健康管理策略提供科学支撑。
方法
数据来源与类型
数据来源为7,024篇1985–2022年间发表的中文与英文文献中的区域土壤调查数据，涵盖中国县级尺度的农田表层土壤pH值。所有数据均采用1:2.5土壤-水提取法测定，且符合中国国家标准或行业标准。数据集整合自中国知网和Web of Science数据库，经严格筛选后保留具有代表性野外采样、足够样本量及地理坐标信息的数据点。关键变量包括土地利用类型、采样时间、地理位置及样本数量；静态因子如土壤质地、母质与土壤类型，动态因子包括年均气温、降水、PM10沉积、氮氧化物与还原态氮沉降，以及化学氮肥施用量与作物产量，均以1 km²网格分辨率进行空间化处理。
核心方法与技术
本研究构建了基于随机森林的机器学习模型，集成静态环境因子与动态气候及人为驱动因子，实现1985–2040年中国农田土壤pH的年度预测。模型采用170棵决策树的集成结构，通过自助采样与特征随机选择降低过拟合风险。输入变量包括土壤质地、母质、气候、大气氮沉降及农业活动参数，其中农业参数以10年累计平均值平滑处理以增强稳定性。模型训练使用MATLAB 2022b平台，结合十折交叉验证评估性能，最终在验证集上达到R²=0.76、r.m.s.e.=0.70、MAPE=8.4%。该方法无需预设机制假设，可自动捕捉非线性关系与高阶交互作用，具备强泛化能力与对噪声的鲁棒性。
研究流程
首先从CNKI与Web of Science系统检索并筛选满足条件的土壤pH数据，剔除方法不合理、样本不足或非野外采样的研究，最终获得7,024个有效数据点。其次，将县级数据转换至1 km²网格框架，赋予统一经纬度坐标，并提取静态因子与动态因子的空间数据。农业参数按省份统一赋值并计算10年滚动平均。随后，构建训练与验证数据集，采用十折交叉验证对随机森林模型进行训练与评估，优化树的数量至170棵。基于最优模型，输入未来气候情景（EC-Earth3模型输出的SSP2-4.5路径下2023–2040年气候数据）与三种氮肥消费情景，逐格预测各年份土壤pH值。最后，通过蒙特卡洛模拟量化关键输入参数不确定性对预测结果的影响，每种情景–年组合执行50次扰动迭代，以评估长期预测的稳健性。
结果
中国农田土壤pH值在2013年前后出现转折点
1985年至2013年间，中国农田土壤平均pH值累计下降约0.25个单位，呈现持续酸化趋势；自2013年起，整体酸化过程停止，进入稳定阶段。这一转折与农业政策改革导致的氮肥施用模式变化密切相关，尤其体现在化学氮肥消费量从2012年峰值后开始稳步下降。模型预测显示，2012年平均土壤pH值降至约6.83，较1985年下降0.25单位，与已有研究结果基本一致。
稻田土壤pH值在2014年后出现回升趋势
稻田土壤平均pH值自1980年代起持续下降，于2014年左右达到最低点，此后随化学氮肥施用量减少而出现明显回升。该响应迅速，主要归因于其缓冲能力有限，对酸输入变化敏感。在长期淹水、厌氧条件下，微生物介导的硫酸盐还原及铁锰氧化物的还原溶解过程增强了质子消耗能力，促进土壤向中性方向恢复。尽管预计到2040年pH值将继续上升，但不会恢复至1980年代水平。
旱地土壤pH值自2012年后趋于稳定且恢复有限
旱地土壤平均pH值从1980年代的约7.35下降至2012年的7.09，其中pH <6.5的酸性区域比例由12%升至30%。自2012年后，pH值总体趋于稳定，仅出现微弱回升，至2040年预计增幅不足0.1单位。这种有限恢复可能与干旱胁迫、盐碱化条件抑制微生物活性有关，同时碱性物质再生周期长，限制了pH的显著提升。
结论
农业政策驱动土壤酸化趋势转折
中国农田土壤酸化在2013年前持续加剧，此后整体趋于稳定，这一转折与氮肥施用模式的政策性调整密切相关。研究揭示了农业政策通过调控化肥使用强度，能够有效干预土壤化学演变轨迹，表明人为管理措施在扭转长期环境退化趋势中具有决定性作用。该发现凸显了政策导向型农业管理对土壤健康维护的关键意义，为全球耕地可持续治理提供了可复制的制度性经验。
稻田与旱地土壤酸化响应存在显著异质性
稻田土壤在减少氮肥投入后表现出明显的pH回升趋势，而旱地土壤虽自2000年后趋于稳定，但恢复能力极弱，其pH变化受干旱、盐碱化等非生物因子制约。这种差异源于两类土壤在水文条件、微生物活性及缓冲机制上的根本不同，说明单一管理策略难以适用于所有农业生态系统。未来土壤改良必须基于土地利用类型和区域生态特征进行差异化设计，强调因地制宜的精准治理路径。
局限性与展望
本研究受限于单一气候模型的输出，未能充分涵盖多模型集合带来的不确定性；同时，数据集存在早期样本稀疏与空间分布不均的问题，可能引入预测偏差。模型未纳入石灰施用、有机肥与秸秆还田率等关键变量，且化肥数据仅提供总量而无类型细分，限制了对酸化机制的精细解析。此外，点位平均值处理可能掩盖局部极端变化，且未考虑经济作物区的酸化影响。未来需整合多源动态数据，发展包含更多生物地球化学过程的耦合模型，并推动区域尺度的实时监测网络建设，以提升长期预测精度与管理决策支持能力。
图表
- 图 1：
化学氮肥施用量和耕地土壤pH值趋势 — a，历史数据（1985–2022年）：氮肥施用量（蓝色柱）和耕地土壤pH值（红色线，右轴）。b，基于县级土壤调查的不同时间段耕地土壤平均观测pH值分布箱线图。每个箱体表示第25至第75百分位范围（四分位距，IQR）。箱内横线表示中位数，方块符号表示均值。误差线延伸至1.5倍四分位距内的最大值和最小值。时间区间按5年分组，以确保每个区间有足够的样本量进行统计分析，1985–2000年、2000年代（2000–2009年；数据来自参考文献5）和2016–2022年除外。c，三种情景下的未来预测（2023–2040年）：氮情景I（红色）、氮情景II（蓝色）和氮情景III（黄色）。柱状图表示肥料消耗量（左轴），线条表示耕地土壤pH值（右轴）。
- 图 2：
水稻田和旱地土壤pH值趋势 — a,c，基于当前持续减少氮肥的预测（情景III），不同pH值的水稻田（a）和旱地（c）土壤面积百分比及平均土壤pH值。（pH <5.5，强酸性；pH 5.5–6.5，弱酸性；pH 6.5–7.5，中性；pH 7.5–8.5，碱性；pH >8.5，强碱性）。b,d，基于县级调查的不同时间段水稻田（b）和旱地（d）土壤观测pH值分布的箱线图。时间区间按5年分组，以确保每个区间有足够的样本量进行统计分析，1985–2000年、2000年代（2000–2009年；数据来自参考文献5）和2016–2022年除外。
- 图 3：
中国耕地土壤pH值的空间分布与时间变化 — a–d，1985年（a）、2010年（b）、2020年（c）和2040年（d）耕地土壤pH值的空间分布。e–h，不同时间段耕地土壤pH值变化幅度（ΔpH）：1985–2010年（e）、2010–2020年（f）、1985–2020年（g）和2020–2040年（h）。
- 图 4：
九大主要农业区划分及耕地土壤pH值趋势（1985–2040年） — a–i，北方干旱半干旱地区（a）、黄土高原（b）、东北平原（c）、青藏高原（d）、黄淮海平原（e）、四川盆地及周边地区（f）、长江中下游平原（g）、云贵高原（h）和华南地区（i）的化学氮肥消耗量（柱状图，左轴）和耕地土壤pH值（折线图，右轴）。
想做自己的垂直领域大数据研究（电池、陶瓷、金属、医药、蛋白、环境、生态、材料、农学、地质等），可使用类似方式完成定制化数据集搜集搭建，TAG-HUB也可提供定制化科研数据集挖掘服务。