澳大利亚土壤钒含量的数字测绘

《European Journal of Soil Science》：Digital Mapping of Soil Vanadium Across Australia

预测澳大利亚土壤钒含量的数字土壤制图研究，采用Cubist机器学习模型，整合裸土光谱、气候和土壤质地等21个环境协变量，生成90米分辨率钒含量分布图。模型在验证集上表现出中等精度（相关系数0.49-0.52），光谱特征、气候和土壤质地为关键预测因子，高钒区域主要分布于西澳大利亚的Kandosols和铁质Tenosols土壤类型区。

　　本研究聚焦于澳大利亚土壤中钒（Vanadium，简称V）含量的分布情况，并利用数字土壤制图（Digital Soil Mapping, DSM）方法，结合机器学习模型，对全国范围内的土壤钒含量进行高精度预测。钒作为一种重要的过渡金属元素，近年来因其在脱碳技术中的潜在应用而受到广泛关注。例如，它在长寿命可重复使用的电池中具有重要作用，因此对资源的可持续利用和管理具有重要意义。澳大利亚拥有全球约四分之一的钒资源，但目前对其土壤中钒的分布情况仍缺乏系统性的空间信息。本研究通过高分辨率的土壤钒含量预测地图，填补了这一空白，为澳大利亚的资源规划提供了重要的基础数据。

为了实现这一目标，研究团队采用了一种基于机器学习的Cubist模型，结合了多种环境变量作为协变量，包括土壤、气候、地形、母质成分以及遥感数据。Cubist模型是一种基于规则的机器学习方法，其核心思想是通过构建树状结构，将环境变量与土壤钒含量之间的关系进行建模，并在每个节点上使用线性回归模型进行预测。这一方法在多个土壤地理化学研究中已被广泛应用，因其能够有效整合环境因素和点观测数据，从而实现大范围的空间预测。

本研究使用的数据主要来自国家地理化学调查（National Geochemical Survey of Australia, NGSA）和北澳大利亚地理化学调查（Northern Australia Geochemical Survey, NAGS）两个项目。NGSA数据覆盖了澳大利亚617.4万平方公里的流域出口沉积物，每5200平方公里平均采集一个样本，共获取了1315个土壤钒含量样本，分别对应表层沉积物（Top Outlet Sediment, TOS，深度0–10厘米）和深层沉积物（Bottom Outlet Sediment, BOS，平均深度60–80厘米）。NAGS则聚焦于北澳大利亚地区，其样本密度更高，每550平方公里采集一个样本，共780个点，用于模型的外部验证。由于不同调查项目在采样密度和时间上存在差异，研究团队采用了“均衡化”处理，将NAGS的数据调整至与NGSA数据一致，以减少数据间的统计差异。

在模型构建过程中，研究团队利用了多种环境变量作为协变量。这些变量包括土壤成分（如黏土和砂含量）、土壤有机碳含量、气候数据（如年降水量和年温差）、地形特征（如坡度和地形湿润指数）以及母质相关的放射性元素数据（如钾、铀和钍含量）。其中，遥感数据在土壤成分的预测中起到了重要作用，尤其是通过“最裸露地球”（Barest Earth）的Landsat影像数据，提供了高分辨率的光谱信息，有助于识别土壤中的矿物成分及其对钒分布的影响。此外，土壤颗粒组成（如黏土和砂的比例）与钒含量之间的关系也显示出一定的规律性，黏土含量与钒呈现正相关，而砂含量则与钒负相关，这可能与黏土对钒的吸附能力较强有关。

在模型性能评估方面，研究团队使用了多个统计指标，包括一致性相关系数（Concordance Correlation Coefficient, CCC）、决定系数（R2）、百分比偏差（PBIAS）和均方根误差（RMSE）。这些指标共同反映了模型在预测土壤钒含量时的准确性与可靠性。结果显示，Cubist模型在预测表层和深层沉积物中的钒含量时，平均CCC分别为0.49和0.52，表明模型在整体上具有一定的预测能力。然而，R2值相对较低，最高仅达到0.51，这可能与数据的高空间异质性和模型对极端值的预测偏差有关。此外，模型在外部验证中表现出一定的稳定性，但在北澳大利亚地区的验证结果显示，预测值在极高钒浓度（>200?mg?kg?1）时存在系统性低估现象，表明模型在局部尺度上的预测能力仍需进一步优化。

研究还发现，土壤中的钒含量主要受母质成分和成土过程的影响，而非当前的气候条件。在成土过程中，钒通过风化作用从母质中释放，并与铁、铝等次生矿物结合，形成稳定的土壤矿物组合。因此，富含铁的土壤类型（如铁质Tenosols）往往表现出较高的钒含量，尤其是在西澳大利亚地区。这与研究中发现的土壤类型与钒含量之间的显著关联一致。此外，研究团队通过特征重要性分析，发现光谱数据、气候条件和土壤质地是影响钒含量分布的关键因素，这些变量在模型中具有较高的权重。

在模型的外部验证过程中，研究团队利用NAGS数据对预测结果进行了评估。结果表明，尽管模型在整体上保持了较高的预测一致性，但在某些局部区域，特别是那些钒浓度极高的地方，预测值仍存在一定的偏差。这种偏差可能源于数据采样密度不足、母质成分复杂性以及遥感数据的局限性。例如，遥感数据在植被覆盖密集的地区可能无法准确反映土壤特性，从而影响模型对土壤钒含量的预测能力。此外，由于模型主要依赖于点数据，其对未采样区域的预测仍存在一定不确定性。

本研究的成果不仅提供了高分辨率的土壤钒含量预测地图，还揭示了钒在澳大利亚不同区域的分布模式。预测结果表明，西澳大利亚的土壤中钒含量较高，尤其是Gibson沙漠区域，这与该地区常见的铁质土壤类型相吻合。同时，模型也显示了某些区域的高预测方差，这可能反映了环境条件的剧烈变化，如土壤类型、矿物组成和成土过程的复杂性，导致模型难以完全捕捉这些区域的钒分布规律。这些发现对于理解澳大利亚土壤中钒的分布机制具有重要意义，并为未来的资源勘探和管理提供了科学依据。

尽管本研究取得了显著进展，但仍存在一些局限性。首先，所使用的样本数据密度较低，这可能导致模型在预测局部区域时出现偏差。其次，所采用的aqua regia消化方法可能低估了某些元素的浓度，尤其是当这些元素与硅酸盐矿物结合时，无法被有效提取。此外，模型主要基于表层和深层沉积物数据，未涵盖其他类型的地表材料，如新鲜或风化的岩石，这可能限制了其在更广泛地质环境中的适用性。因此，未来的研究可以考虑结合更多类型的地质样本，以提高模型的预测精度。

本研究的成果表明，数字土壤制图技术在整合地理化学数据和环境变量方面具有巨大潜力，能够为土壤中关键元素的分布提供更精确的空间信息。这种技术不仅有助于识别潜在的钒资源区，还可以为其他矿产资源的预测和管理提供参考。随着遥感技术和机器学习算法的不断发展，未来有望实现更高精度的土壤元素预测，从而为资源勘探和环境保护提供更有力的支持。此外，研究团队建议在实际应用前对预测结果进行进一步验证，以确保其准确性和可靠性。