微精选

来源：土地生态课题组（2025年7月14日）

本文指出，土壤健康（SH）本质上是动态的，传统的土壤调查无法捕捉到它。它的时空变化为理解其驱动因素带来了挑战。本文应用机器学习（ML）模型和数字土壤制图（DSM）技术将SH观测与纽约州地区的遥感数据产品相结合，代表土壤形成因素、种植系统和管理。评估了四个生物（土壤有机质、高锰酸盐-可氧化C、蛋白质和呼吸作用）和两个物理（水稳性团聚体稳定性和有效水容量）土壤指标以及一个综合SH指数，用来：1）量化气候、固有土壤特性和土地利用与SH指标之间的关系；2）开发数据驱动模型，用于在区域范围内预测和绘制SH指标；3）使用预测的SH地图来估计假设的区域土地利用变化情景的影响。模型性能因 SH 指标和区域而异，R²值在较小区域中为0.47至0.71，在较大区域中为0.45至0.65。这些模型包括固有土壤特性和气候对SH的常规影响，但也证明了土地利用和种植系统的关键作用，平均解释了63%的SH变化。此外，生物质生产和循环对SH有很大影响。在区域尺度上模拟SH对土地利用变化的反应表明，管理和固有特性之间的相互作用可能会影响SH从替代种植系统中受益。总体而言，ML模型在映射SH中的地理空间应用提供了对其驱动因素的见解，这些驱动因素可以支持设计明智的政策和管理干预措施以改善SH。

本文的数据集由农业专业人士和研究人员在2014年至2021年期间自愿提交的样本组成。数据分析侧重于从两个不同区域提交的样本：一个较大的样本（35,120km²）代表纽约州所有主要土地资源区（MLRA）；以及一个子集域（17,954km²）。数据集经过处理，最终分别包含了827个和579个分散良好的样本，分布在大区域和小区域中。本文的综合土壤健康指数（SH指数；等级0-100）计算为单个物理和生物SH指标（也是等级0-100）的所有评分值的未加权算术平均值，使用Fine等人概述的累积正态分布评分函数根据观察值依次计算。

本研究选择了一组26个高分辨率的公开可用的协变量。协变量分为三类：（1）气候，（2）土壤和地形，以及（3）土地利用和管理。土地利用是通过考虑主要土地利用系统、轮作作物的比例以及采样前六年的平均NDVI值来确定的。

文章评估了每个指标和空间域的五个模型。部分模型（n=4）评估了SH中一组特定方面的影响。模型1：气候因素的影响；模型2：土壤和地形特征的影响；模型3：土地利用和管理做法的影响；模型4：气候、土壤和地形因素的影响。第五个是一个完整的模型，用于测试SH中所有评估协变量的综合效应。ML方法使用Extreme Gradient Boosting在R中使用XGBoost包。根据最低均方根误差（RMSE）作为性能指标来选择模型参数的最佳组合，使用一致性相关系数（LCCC）评估模型预测能力。本文还评估了观测值和预测值之间的相关性以及预测的空间分布，以评估模型性能。所有分析均使用R统计软件进行。SHAP值用于评估协变量与SH指标之间关联的重要性和功能形式。这些代表了每个特征对最终模型预测的贡献，通过使用合作博弈论中的概念来解释与其他协变量的交互。

由于协变量分辨率范围从30到800m的网格单元大小不等。为确保一致性，根据数据的性质，使用最近邻或双线性插值将所有变量重采样到100m格网。考虑到2023年之前的六年土地利用相关数据层（CDL和NDVI相关协变量），对2023年的SH指标进行了预测。本研究中使用的坐标参考系统是WGS 1984 UTM 40带。为了说明所生成模型的潜在用途，在假设的土地利用变化情景下，对纽约中部地区的SH变化进行了估计，尽管这些地区在空间上接近，但目前具有不同的土地利用特征。

研究结果表明，专注于较小的领域并包括一组全面的土壤、气候和管理协变量，可以提高预测能力。对于大多数指标和模型，与较小的域相比，该模型在较大域上的性能略低，在R²中下降了0.034，在LCCC中下降了0.06。此外，空间环境异质性以及土壤过程和规模的变化也可以解释部分模型在不同领域之间相对性能的差异。然而，不同区域之间SH指标的平均值、范围和分布的相似性表明，两者代表了相似的SH变化范围。

SHAP值的使用提高了ML模型的可解释性，从而深入了解SH指标和模型协变量之间的关系。尽管存在一些变化，但不同指标的协变量效应的方向和功能形式在很大程度上保持一致。这种一致性尤为重要，因为它证明了评估方法在解开原始研究区域之外土壤健康的驱动因素方面的优势。它支持对支撑土壤健康的过程的更广泛理解，无论具体指标或地理领域如何。

在指标之间的SHAP依赖图中观察到的一致性表明，对一个SH指标产生积极影响的过程和因素往往也对其他指标产生有益影响，这表明SH不同方面之间存在相互依赖性。然而，值得注意的是，总SOM受到固有属性和种植系统因素的强烈影响，而更不稳定和瞬态的指标（蛋白质、呼吸）显示出当前种植的更大影响。

所有单独的SH指标都针对较小的域进行了映射，并在100x100m网格分辨率下使用完全优化的模型。SH指标在整个研究领域、区域规模以及具有不同土地利用或管理的邻近农场之间差异很大，但根据最初的SH观察，SH指标的变化在预期范围内。

本文评估了假设用综合牧草-干草-谷物系统取代一年生谷物系统可能导致的SH潜在变化。平均而言，预测的SH变化是适度的，但不同指标之间以及县内和县内的空间变化不同。SH效益的空间差异与固有土壤特性和系统生产力的差异有关，与粗质地土壤相比，细质地区域的优势更大。

本文的研究方法为评估和预测区域尺度上的土壤健康提供了有价值的见解，但仍存在一些局限性，例如土壤样本地理位置的准确性、管理信息的缺乏以及土壤健康变量的数量有限，这些都可能影响模型预测的准确性和泛化能力。

《小英雄还是捣蛋鬼？——化肥的功与过 》

ISBN 978-7-03-082523-0
蔡祖聪/文   张宁阳/图

责任编辑：周 丹  洪 弘  沈 旭