基于机器学习的酸性硫酸盐土壤亚型多类分类制图及其环境风险评估：以芬兰莱希安约基河流域为例

本研究针对酸性硫酸盐土壤(ASS)亚型识别难题，芬兰研究人员采用随机森林(RF)和梯度提升(GB)算法首次实现多类分类制图。RF模型表现最优（F1分数71%-80%），精准绘制硫酸土壤(sulfuric)、过硫化物土壤(hypersulfidic)及类ASS(para-ASS)空间分布，为环境风险精准防控提供关键科学依据。

　　

在酸性硫酸盐土壤(ASS)的测绘研究中，传统方法主要聚焦于概率分布图的生成——这类图谱虽能有效规避由该类土壤引发的环境损害，却无法区分具有不同环境效应的ASS亚型。值得注意的是，正处于酸性释放活跃阶段的硫酸土壤(sulfuric soil)与具备酸化潜力的过硫化物土壤(hypersulfidic soil)（当其内部的硫化物物质受扰动氧化时）存在显著差异。此外，还存在一类临界型土壤：虽未达到ASS的pH判定标准，却具有相似环境危害性的类酸性硫酸盐土壤(para-ASS)。因此，在环境风险评估中精确识别ASS亚型与para-ASS的空间分布至关重要。

本研究首次在芬兰境内实现了ASS亚型的多类分类制图，并同步生成了四个土壤类型的概率分布图谱。团队评估了两种机器学习算法——随机森林(RF)与梯度提升(GB)——在多类分类任务中的适用性（二者在二分类研究中已展现卓越性能）。结果表明：RF模型以各类别F₁分数达71%-80%的优异表现胜出，最终基于该模型构建了高精度且符合实际环境特征的多类ASS亚型分布图谱。