融合遥感与随机森林精准预测复杂地形稻田土壤与生物量磷动态及其管理意义

本研究针对复杂地形下稻田磷素动态监测难题，创新性地整合遥感技术与随机森林模型，实现了土壤有效磷(SAP)、生物量全磷(TPB)及磷吸收效率(PUE)的高精度预测。通过多源环境协变量分析与机器学习优化，模型R2均超0.92，揭示了地形属性与土壤质地对磷循环的关键影响，为精准施肥和土壤磷安全管理提供了突破性解决方案。

　　

磷是植物生长和土壤肥力的关键元素，在全球粮食安全中扮演着核心角色。然而，土壤中的磷只有一小部分能够被植物直接利用，大部分会与其他矿物质结合而被“固定”，导致其生物有效性降低。通常土壤全磷范围在200至800 mg/kg之间，在风化程度高或年代较久的土壤中含量往往更低。随着磷肥生产变得越来越资源密集和不确定，理解土壤磷的空间模式对于提高养分利用效率、保障未来粮食和环境安全变得至关重要。

水稻栽培中高效的磷管理对维持农业生产力至关重要，尤其在土壤性质异质性和地形复杂的区域。磷在植物生长、根系发育和生物量积累中起着关键作用，但其在土壤中的有效性因土壤质地、有机质含量和气候条件等因素而有很大差异。不合理的磷施用会导致水稻减产或环境污染与资源浪费，这凸显了对能够提供准确、空间详细的土壤磷动态评估的先进数据驱动方法的需求。

传统测量土壤有效磷(SAP)、生物量全磷(TPB)和磷吸收效率(PUE)的方法依赖破坏性采样和实验室分析，成本高、速度慢，且在空间和时间覆盖上有限。磷检测凸显了加强土壤安全以减少肥料过度使用和制定政策的需求。遥感与机器学习建模相结合提供了一个更高效的替代方案，允许大规模、非破坏性和频繁的监测。这种整合提高了准确性，并揭示了传统方法经常忽略的复杂模式，支持更智能的养分管理决策。

这项研究与土壤安全框架紧密相关，该框架强调土壤在支持粮食生产、环境质量和人类福祉方面的多维作用。通过预测土壤有效磷和生物量养分状况，本研究有助于评估土壤提供关键生态系统服务（特别是食物和养分供应）的“能力”和“条件”。此外，从遥感和机器学习建模中得出的空间明确见解支持更好的管理决策，从而解决土壤安全的“资本”和“编码”维度。最终，这项研究通过改进养分管理，成为促进水稻农业生态系统中土壤可持续性的工具，使其不仅与农艺生产力相关，而且与更广泛的土壤保护和政策规划相关。

近期遥感与人工智能(AI)建模的进展使得能够以高分辨率监测土壤特性和养分动态。在机器学习技术中，随机森林已被证明是预测土壤养分建模的一个非常有效的工具，因为它能够捕捉环境变量之间的复杂关系。尽管随机森林已在各种地形条件下应用，但许多先前的研究集中于研究区域内的单一景观类型，没有直接解决诸如不同母质和地形等对比条件。这项研究在印度尼西亚东爪哇省玛琅县进行，其贡献在于通过在一个统一模型中评估随机森林在异质景观上的性能。

本研究的主要目标是开发和验证一个高分辨率磷预测模型，该模型将遥感衍生指数与机器学习技术相结合，以估算复杂稻田地形中的SAP、TPB和PUE。进一步旨在阐明母质变异性如何影响磷的有效性和吸收，从而填补跨异质景观养分建模的一个关键知识空白。假设在随机森林框架内纳入多样化的环境变量将显著提高磷估算的准确性和空间适用性。通过解决当前磷预测中的空白，本研究旨在推进用于水稻生产系统中可持续养分管理的AI驱动地理空间分析。

为开展这项研究，研究人员主要应用了以下几项关键技术方法：研究区域为印度尼西亚东爪哇玛琅县，覆盖火山、冲积和喀斯特三种主要地貌类型的水稻种植区。通过分层随机抽样在灌溉稻田中设置了421个观测点（密度为每12.5公顷一个点），系统采集了土壤和植物样本。土壤有效磷(SAP)的实验室分析根据土壤pH条件采用Bray或Olsen法；生物量全磷(TPB)采用湿法灰化-分光光度法测定。遥感数据源为Sentinel-2影像，经过大气校正和时序中值合成处理，提取了包括NDVI、GNDVI、EVI2、SAVI、MSAVI、OSAVI、SARVI3等多种植被指数。环境协变量数据集整合了地形属性（来自8米分辨率DEMNAS）、土壤性质（质地、容重、pH）、气候变量（10年降水和温度平均值）等。采用随机森林(Random Forest)机器学习算法构建预测模型，通过超参数调优优化性能，并使用R2、RMSE和RPIQ指标评估模型准确性。

3.1. 环境协变量数据

数据集全面代表了地形属性、土壤性质、气候变量和植被特征，捕捉了研究区域多样化的环境条件。地形因素，包括高程、坡度、坡向和曲率，在土壤侵蚀、水分保持和养分分布中起着至关重要的作用。地形因子表现出显著变异性，坡向值范围从0°到360°，覆盖了坡向暴露方向的全部范围。曲率值范围从-62.16到59.58 °/m，反映了从凹到凸地形的变化。高程变化很大，从海平面(0 m)到3659.46 m，突出了低地和高海拔地区。坡度梯度范围从0%到陡峭的412%，强调了平坦平原和崎岖地形之间的对比。

研究区域也经历了相当大的气候变异。年降水量范围从1847.72 mm到2983.66 mm，表明影响土壤水分和养分循环的水分可用性存在差异。温度在3.98°C到26.32°C之间波动，反映了从高海拔寒冷环境到较温暖低地区域的范围，这显著影响植物生长和生物化学过程。气候变量如降雨和气温调节生物物理过程，影响整体生态系统恢复力。

土壤特征揭示了各种质地和化学组成。砂粒含量从13.76%到54.48%不等，粉粒从29.48%到47.22%，粘粒从14.39%到45.55%，表明存在影响水分保持、通气性和养分有效性的粗质地和细质地土壤。研究区域靠近活火山，包括塞梅鲁山和克卢特山，那里的土壤源自年轻的火山碎屑沉积物。这些物质以细火山灰和砂粒组分为主，经历了最小程度的风化，导致粘粒含量低。

容重范围在0.7 g/cm3到1.33 g/cm3之间，表明土壤压实度和孔隙度的变化。较低的容重表明疏松、多孔的土壤，具有高空气和水分渗透性，支持根系生长。较高的容重表明压实土壤，孔隙度减少，限制水分运动和根系穿透。土壤pH从5.99到7.57波动，覆盖了略酸性到中性条件，这对磷溶解度和植物养分吸收至关重要。

遥感衍生的植被指数进一步突出了景观变异性。NDVI值范围从-0.14到0.73，捕捉了从稀疏到茂密的植被区域。GNDVI范围从-0.44到0.67，指示叶绿素变化，而TVI值从0.60延伸到1.11，反映了植被活力。EVI2范围从-0.33到1.75，EVI2–2从-0.19到1.54，强调了冠层结构的差异。额外的植被指数，如NDSI(-0.37到0.38)，提供了土壤和植被水分变化的见解，而SAVI(-0.07到0.37)、MSAVI(-0.31到0.84)和SARVI3(1.4996到1.49996)有助于评估植被胁迫和土壤背景效应。OSAVI值范围从1.1599到1.5999，进一步有助于理解与土壤亮度相关的植被密度。

3.2. 研究区域的土壤有效磷、生物量全磷和磷吸收效率

对SAP、TPB和PUE在不同地貌类型（包括火山、冲积和喀斯特景观）中的三维分析揭示了显著的变化。在冲积地貌中，养分丰富的沉积物和有利的土壤质地增强了磷的生物有效性和植物吸收，表现出最高的PUE。相比之下，喀斯特地貌显示出更受限的PUE分布。喀斯特土壤的高渗透性和有限的磷保持可能导致了这种模式，影响了养分有效性。火山地貌显示出可变的磷有效性，反映了火山土壤的特性，这些土壤往往能很好地保留磷，但表现出可变的生物有效性。

这些发现强调了地貌变化对磷动态的重大影响，突出了在不同农业景观中进行特定地点的土壤肥力管理策略的必要性。观察到的差异强调了整合遥感和机器学习技术以优化不同农业景观中磷管理的重要性。

3.3. 磷与环境协变量之间的相关性分析

相关性分析揭示了某些环境协变量与磷相关变量（SAP、TPB和PUE）之间普遍较低但具有统计学意义的关系。在植被指数中，EVI2-2与PUE显示出微弱但显著的负相关(r = –0.10, p < 0.05)，表明较大的冠层绿度可能并不总是与所研究水稻系统中较高的磷利用效率相对应。值得注意的是，土壤质地变量作为更相关的预测因子出现：砂粒含量与PUE显示出显著的负相关(r = –0.12, p < 0.05)，表明较粗的土壤可能限制磷的保持和吸收效率。相反，粘粒和粉粒含量与PUE表现出微弱但显著的正相关(r = 0.11和r = 0.10, respectively; p < 0.05)，强化了细质地土壤通过增强吸附能力和养分保持来改善磷有效性和利用的观念。

可见光(Vis)和近红外(NIR)反射光谱是评估土壤和植物养分状况（包括磷）的有价值工具。Vis光谱主要捕获与色素组成和颜色相关的信息，而NIR光谱检测含氢键（如C–H, O–H, N–H）的振动吸收，反映土壤中有机和矿物成分的存在。虽然磷本身在Vis-NIR区域不直接吸收，但可以通过其对生化化合物（如核酸、磷脂和蛋白质）的影响及其通过ATP合成在光合作用和能量代谢中的作用来间接推断。这些生化变化影响光谱特征，特别是在950–1000 nm范围内，其中反射率与蛋白质和水中常见的O–H、N–H和C–H键相关。

3.4. 基于随机森林和遥感分析的土壤有效磷、生物量全磷和磷吸收效率分布

空间分布图揭示了显著的空间异质性，反映了地形、土壤性质和植被动态对磷循环的综合影响。SAP分布显示土壤有效磷范围从14.14到61.43 kg/ha，在低地冲积平原和火山区域发现较高的浓度，那里肥沃的土壤和更好的水分保持促进了磷的积累。相比之下，喀斯特区域显示出较低的磷有效性，可能是由于这些景观中的高排水能力和有限的磷保持。

TPB分布在3.86到20.46 kg/ha之间变化，表现出与植被覆盖和土壤有效磷的强相关性。在植被茂密的区域观察到较高的TPB值，表明磷吸收和同化增强。这种模式强化了土壤有效磷作为植物磷积累关键因素的作用，火山和冲积景观为生物量磷储存提供了最有利的条件。

PUE分布范围从18.15%到100%，并表现出受磷有效性和植物对 varying 土壤条件生理适应影响的独特空间模式。在具有中等土壤有效磷和高生物量生产力的区域发现最高的PUE值，表明高效的磷吸收机制。相比之下，磷水平非常低或过高的区域显示出吸收效率降低，可能是由于养分缺乏或饱和效应限制了植物吸收能力。

这些发现强调了景观异质性在塑造磷动态中的关键作用，并突出了整合遥感和机器学习用于精确磷管理的重要性。这项研究提供的空间见解为优化施肥策略、提高养分利用效率以及在不同农业景观中促进可持续磷管理提供了宝贵的指导。

3.5. 模型准确性

本研究采用随机森林算法，使用稳健的双重验证方法对三个关键的磷相关变量——SAP、TPB和PUE——进行建模。模型是使用一个综合的环境数据集开发的，该数据集整合了地形属性、土壤性质、气候变量和遥感衍生指数。模型性能使用保留验证进行评估，并通过关键回归诊断指标进行评估，包括决定系数(R2)、均方根误差(RMSE)和性能与四分位距之比(RPIQ)。

SAP模型实现了R2为0.928，RMSE为10.192，RPIQ为1.19；TPB模型记录了R2为0.927，RMSE为5.197，RPIQ为2.45；PUE模型产生了R2为0.922，RMSE为27.813，RPIQ为1.43。这些结果突出了模型在捕捉异质景观中磷动态变异性方面的稳健性。最有影响力的预测因子包括土壤变量，如粘粒、pH、粉粒和容重，以及植被指数，如OSAVI、SARVI3和GNDVI。

3.6. 各地貌中土壤有效磷、生物量全磷和磷吸收效率的区分

农业景观中磷的分布和行为深受地貌特征的影响，这些特征塑造了土壤性质、地形和微气候条件的变化。冲积、喀斯特和火山地貌中土壤SAP、TPB和PUE的区分揭示了由独特的地貌和成土过程驱动的显著变化。这种变异性与母质的影响密切相关，母质控制着不同土壤类型的矿物组成、风化行为和磷保持或释放机制。

在冲积地貌中，沉积物沉积增强了土壤肥力，由于改善的水分保持和养分循环，SAP往往中等偏高。细质地土壤具有较高的粘粒和粉粒含量，有利于磷的吸附和解吸，维持植物吸收的稳定有效性。相比之下，喀斯特景观由于富含碳酸盐的土壤（钙含量高）表现出低磷有效性。这导致磷沉淀为不溶性Ca-P化合物，使其对植物的可及性降低。

对于TPB，在冲积地貌中，由于较高的土壤肥力、水分可用性和稳定的养分循环，TPB通常较高。这些因素促进更高的作物产量和植物组织中更大的磷积累。在喀斯特景观中，由于养分缺乏、有限的水分保持和浅薄的土壤深度，TPB往往较低至中等。火山地貌显示出可变的TPB水平，取决于土壤年龄和发育。

关于PUE，在冲积景观中，PUE中等，因为SAP通常充足，减少了植物发展高效吸收机制的需要。在喀斯特地区，PUE通常很高，因为植物必须采取策略从贫瘠的土壤中提取磷。在火山景观中，PUE根据土壤年龄和磷矿物形态而变化。

这些差异表明，母质间接控制植物获取养分的策略。在养分丰富的冲积土壤中，植物效率较低 due to luxury uptake，而在贫瘠或化学限制性土壤（如喀斯特和年轻火山土壤）中，较高的PUE反映了适应压力。因此，矿物组成和土壤发育轨迹之间的相互作用直接影响土壤和植物磷动态。

3.7. 环境协变量在预测土壤有效磷、生物量磷和磷吸收效率中的相对重要性

对于SAP，最有影响的变量是pH(10%)、容重(8%)和粘粒含量(8%)，突出了土壤化学和物理性质在磷有效性中的作用。额外的贡献者包括粉粒(6%)、砂粒(6%)、坡向(6%)、坡度(6%)、曲率(5%)和SARVI3(5%)，表明土壤质地、地形特征和光谱指数适度影响SAP变异。

对于TPB，坡度(12%)、坡向(12%)和曲率(11%)是主导预测因子，强化了地形特征在通过其对微气候、径流和养分保持的影响塑造植物生物量中磷积累的强烈影响。光谱指数如GNDVI(9%)、高程(9%)和温度(9%)也扮演显著角色，表明植被活力和环境条件都与生物量中的磷含量密切相关。

对于PUE，粘粒含量(7%)和OSAVI(7%)是最重要的变量。这反映了土壤化学和物理性质在磷吸收效率中的关键作用。几个光谱指数，包括SARVI3(6%)、NDSI(5%)和MSAVI(3%)，贡献中等，表明冠层特征仍然影响PUE，尽管程度低于土壤因素。

总体而言，结果展示了 distinct patterns。地形特征主导TPB预测，土壤性质对SAP和PUE最重要，植被指数具有互补作用，特别是对PUE。这些发现突出了农业生态系统中磷动态的多因素性质，并强调了在预测模型中整合土壤、地形和光谱数据的价值。

3.8. 土壤磷管理的安全性与策略

磷管理对于实现可持续农业同时最小化环境退化至关重要。有效的管理不仅增强土壤肥力和作物生产力，而且减轻了由磷径流引起的富营养化等问题。确保土壤磷安全涉及精确的养分评估、特定地点的策略和集成技术的结合，这些技术在农场和政策层面为更好的决策提供信息。

特定地点的管理是必不可少的，因为磷的吸附和解吸在不同土壤类型之间差异显著。传统的施肥方法经常忽视这种变异性，导致低效率和潜在的环境危害。为了解决这个问题，本研究开发的方法将土壤磷吸附动力学与SAP相结合，实现了基于土壤类型特征的更量身定制的肥料推荐。

为了补充这些方法，遥感和机器学习，特别是随机森林算法，提供了用于改进磷肥管理的强大工具。这些方法提供了磷相关参数（如SAP、TPB和PUE）的高分辨率制图和预测。在本研究中，遥感和随机森林模型的整合实现了高预测性能。

地形和环境变化被证明显著影响磷动态。冲积土壤由于有利的质地表现出最高的PUE，而喀斯特区域由于富含碳酸盐的土壤中磷的固定化而显示出降低的效率。火山土壤根据当地因素表现出可变的有效性。尽管磷参数与更广泛的环境变量之间的普遍相关性较弱，但土壤质地和坡度作为磷动态的关键预测因子出现。

这些发现强调了由精确数据 informed 并适应当地土壤条件的增强施肥策略的重要性。通过使用先进的地理空间和机器学习工具，磷管理可以从普遍做法演变为数据驱动的、土壤安全的策略，最终减少肥料过度使用并指导更可持续的农业政策。

3.9. 模型局限性

尽管在机器学习和遥感用于土壤养分预测方面取得了显著进展，但模型局限性仍然是一个关键挑战，特别是在多样化和异质的农业景观背景下。一个主要问题是机器学习模型对高质量、分布良好的训练数据的依赖，这些数据可能无法完全捕捉复杂环境中土壤特性的空间异质性。

在广泛使用的机器学习算法中，随机森林在处理从遥感和环境数据集衍生的土壤特性与预测变量之间的非线性关系方面已展现出稳健性。然而，当应用于训练集中未代表的具有独特环境条件的区域时，随机森林模型通常表现出降低的泛化能力。

此外，虽然遥感技术（如多光谱和高光谱成像）极大地增强了土壤养分评估的空间覆盖范围，但它们引入了与数据质量和预处理相关的额外挑战。由大气干扰、传感器校准问题和 varying 照明条件引起的光谱失真会降低遥感衍生预测因子的可靠性，需要广泛预处理技术，如大气校正、云掩蔽和辐射归一化。

另一个局限性在于机器学习模型对土壤养分预测的可解释性。虽然随机森林和其他基于树的模型提供了特征重要性排名，但它们并不 inherently 阐明控制磷分布和其他土壤特性的潜在因果机制。

此外，模型预测的可靠性受到遥感数据分辨率和原位验证可用性的限制，这两者对于确保准确性至关重要。高分辨率卫星影像和基于无人机的遥感可以提供详细的空间信息，但其可用性通常受到成本和数据采集限制的限制。

解决这些挑战需要一个多方面的 approach，整合多源数据，改进模型架构，并纳入领域专业知识以增强不同农业设置中的预测稳健性和适用性。

本研究中观察到的局限性，特别是在捕捉磷动态的细微变化方面，显示了通过使用高光谱影像进行改进的强大潜力。高光谱影像的整合可以通过捕捉与植物养分状况、生化组成和土壤特性相关的细微光谱变化来显著增强本研究中提出的模型的预测性能，这些变化通常无法用多光谱数据检测到。

4. 结论

本研究对农业景观中的磷动态进行了详细评估，分析了不同地貌（包括火山、冲积和喀斯特）中土壤有效磷、生物量全磷和磷吸收效率的空间分布。使用遥感和机器学习方法，研究结果揭示了地形变异性、气候、土壤性质和植被动态如何影响SAP、TPB和PUE。在所研究的地貌中，冲积区域由于其有利的土壤质地增强了养分保持，表现出最高的PUE。相比之下，喀斯特景观由于富含碳酸盐的土壤固定了磷，显示出较低的效率，而火山地貌根据风化过程和矿物组成显示出可变的磷有效性。

尽管环境变量与磷参数之间的相关性普遍较弱，但关键因素如土壤质地（砂粒、粘粒和粉粒含量）和坡度作为土壤和植物中磷变异性的主要决定因素出现。随机森林模型展示了高预测准确性(R2 > 0.90)，证实了其在估算磷有效性和吸收效率方面的可靠性。这些发现突出了特定地点磷管理的重要性，特别是在异质的农业景观中。将遥感与随机森林相结合提供了一个稳健的框架，用于识别养分动态的关键环境驱动因素，实现大规模评估，并支持精准农业中的数据驱动决策。这项研究强调了地理空间分析在优化磷利用和推进可持续土壤管理策略方面的潜力。