基于机器学习融合与超参数优化的土壤温室气体通量预测新方法

《Pedosphere》：A hybrid approach for optimizing soil greenhouse gas flux predictions: integrating machine learning outputs into hyperparameter-tuned regression trees

本研究针对土壤温室气体(CO2、N2O、CH4)通量测量成本高、周期长的问题，开发了一种新型两阶段建模方法。研究人员通过集成深度前馈神经网络(DFFNN)、自适应神经模糊推理系统(ANFIS)、相关向量机(RVM)和M5树算法，结合23种土壤传递函数(PTFs)，构建了超参数优化的回归树模型。结果表明，该方法显著提升了预测精度（N2O的RMSE为4.518 g N ha-1 day-1，CO2的RMSE为7183.2 g C ha-1 day-1），并识别出黏粒、容重(BD)等关键驱动因子，为温室气体减排提供了低成本、高精度的模拟工具。

　　

随着全球气候变化问题日益严峻，土壤温室气体排放的精准预测成为环境科学领域的核心挑战。传统测量方法存在成本高、时效性差等局限，难以满足大尺度监测需求。目前的研究多依赖单一模型，对土壤异质性适应能力不足，且模型参数优化缺乏系统性。针对这一瓶颈，研究人员在《Pedosphere》发表了一项创新性研究，通过融合多种机器学习算法与超参数优化技术，构建了高效预测框架。

本研究主要采用以下关键技术：基于707个GRACEnet土壤样本的23种土壤传递函数(PTFs)提取特征；使用深度前馈神经网络(DFFNN)、自适应神经模糊推理系统(ANFIS)、相关向量机(RVM)和M5树算法进行初步预测；通过随机搜索法优化回归树的叶节点阈值与分裂准则。

模型性能评估

通过均值误差(ME)、均方根误差(RMSE)、性能偏差比(RPD)等指标对比发现，DFFNN对N₂O（RMSE: 4.518 g N ha^-1 day^-1）和CO₂通量（RMSE: 7183.2 g C ha^-1 day^-1）预测最优，而M5树对CH₄通量（RMSE: 1.520 g ha^-1 day^-1）表现最佳。超参数优化使模型可靠性显著提升，PTF13（N₂O）、PTF12（CO₂）和PTF4（CH₄）成为最优模型，其组内相关系数(ICC)和克隆巴赫系数(α)均达0.78以上。

关键驱动因子识别

路径分析表明，黏粒、容重(BD)和土壤湿度(SM)是N₂O与CO₂通量的主要驱动因素，而CH₄通量主要受黏粒和总土壤碳(TSC)影响。这一发现揭示了不同温室气体生成机制的差异，为针对性减排措施提供了理论依据。

该研究通过两阶段建模框架成功实现了土壤温室气体通量的高精度模拟，大幅降低了监测成本与时间消耗。其创新性在于将多种机器学习算法的优势输出整合至超参数优化体系，突破了传统单一模型的局限性。研究成果不仅为农业温室气体清单编制提供了可靠工具，也为全球碳循环模型优化提供了方法论支持，对推动碳中和目标实现具有重要实践价值。