秘鲁不同安第斯流域土壤有机碳储量的空间预测

《Geoderma Regional》：Spatial prediction of soil organic carbon stocks across contrasting Andean basins, Peru

土壤有机碳（SOCS）预测中地理加权回归（GWR）及其改进模型在安第斯山区表现优于机器学习，尤其样本量小的情况下，GWR结合共线性分析（GWRC）使RMSE降低79%-90%，R2达0.99。研究揭示了空间异质性对模型性能的关键影响。

　　

卡洛斯·卡尔巴哈尔（Carlos Carbajal）|梅雷利·图姆巴洛博斯-德克斯特雷（Merely Tumbalobos-Dextre）|塔蒂亚娜·康多里-阿陶皮尔科（Tatiana Condori-Ataupillco）|内斯托尔·库埃利亚尔-康多里（Nestor Cuellar-Condori）|卡拉·加维兰（Carla Gavilan）

秘鲁利马15024，拉莫利纳大道1981号，国家农业创新研究所（INIA）农业战略服务部门

摘要

土壤有机碳储量（SOCS）是全球碳循环的关键组成部分，在减缓气候变化中发挥着核心作用。然而，尽管它们对碳封存至关重要，但高海拔安第斯生态系统中的碳储量动态仍知之甚少。山区地形导致的显著空间异质性使得准确量化与制图变得十分困难。本研究评估了地理空间回归和机器学习（ML）方法在预测秘鲁两个安第斯流域（托罗班巴（Torobamba）和科阿塔（Coata）土壤有机碳储量方面的表现。我们比较了地理加权回归（GWR）、结合共线性分析的GWR（GWRC）及其克里金校正版本，以及机器学习模型（随机森林、梯度提升）。模型基于每个流域的关键土壤有机碳储量协变量构建，并通过5折交叉验证进行验证，评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）。在托罗班巴流域，结合共线性分析的GWR模型表现显著提升，RMSE降低了79–90%，决定系数R2达到0.99；而在科阿塔流域，模型改进效果较为有限（RMSE降低7.8–9.8%，R2为0.30–0.39）。机器学习模型的表现不佳（R2为负值），这可能是由于特征选择、参数调整或样本量不足所致。总体而言，在复杂山区环境中，局部加权回归方法（GWRK/GWRCK）在土壤有机碳储量预测方面优于传统机器学习方法，尤其是在样本量较小到中等的情况下。这些结果强调了考虑土壤有机碳储量空间非平稳性的重要性，并为安第斯生态系统的土壤有机碳储量制图提供了方法论指导。