编辑推荐：
为解决模型超参数调整不足影响土壤有机碳（SOC）预测精度的问题，研究人员开展自动超参数优化（AHPO）算法优化模型预测 SOC 的研究。结果显示，数学近似算法优化的模型拟合能力强，TPE 优化的模型精度最高。该研究为 SOC 监测提供支持。
在生态环境研究领域，土壤有机碳（Soil Organic Carbon，SOC）可是个 “大忙人”，它不仅掌控着土壤的 “健康密码”，反映土壤的空间结构、肥力状况，还在陆地碳氮循环系统里扮演着核心角色。想象一下，土壤就像一个巨大的 “碳仓库”，SOC 含量的变化影响着全球碳循环的 “天平”。增加 SOC，不仅能让土壤变得更加肥沃，提升农作物的产量，还能在应对气候变化这场 “硬仗” 中出一份力，缓解温室效应。
然而，要精准测量这个 “碳仓库” 里的 SOC 含量，可不是一件容易的事。目前预测 SOC 空间变异性的方法虽然不少，但都存在一些问题。传统的线性回归（Linear Regression，LR）模型，就像一个 “老实人”，只能简单地分析环境因素和 SOC 之间的平均影响关系，面对复杂的非线性关系时，就显得力不从心，预测精度大打折扣。而机器学习（Machine Learning，ML）和深度学习（Deep Learning，DL）模型，虽然能学习复杂多维环境因素的特征，把握其中的非线性模式，但它们也有自己的 “小脾气”：对复杂非线性数据的拟合性能不太好，还容易出现过拟合的情况，而且难以深入探究环境因素对 SOC 含量的影响。追根溯源，这些问题很大程度上是因为模型的超参数没有选对。超参数就像是模型的 “小助手”，它对模型的预测精度和性能有着重要影响，可传统的手动试错或经验调参方式，效率低还难以找到最优解。
为了攻克这些难题，来自国内的研究人员挺身而出，他们开展了一项极具意义的研究。研究人员针对黄河三角洲盐碱地的 SOC 空间变异性预测，构建了 16 个预测模型，将 4 种自动超参数优化（Automatic Hyperparameter Optimization，AHPO）算法与 4 种非线性模型相结合，试图找到提高 SOC 预测精度的 “金钥匙”。这项研究成果发表在《Computers and Electronics in Agriculture》上。
研究人员为开展这项研究，运用了多种关键技术方法。在数据收集方面，于 2022 年 9 月从黄河三角洲盐碱化农田随机采集了 148 个土壤样本 ，并对样本进行预处理。在模型构建与优化上，采用了自然启发算法（如灰色狼群优化（Grey Wolf Optimization，GWO）、猎人猎物优化（Hunter-Prey Optimization，HPO））和数学近似算法（如贝叶斯优化（Bayesian Optimization，BO）、树状 Parzen 估计器（Tree-structured Parzen Estimator，TPE））对梯度提升决策树（Gradient Boosting Decision Tree，GBDT）、极端梯度提升（Extreme Gradient Boosting，XGB）、深度森林（Deep Forest，DF）、卷积神经网络（Convolutional Neural Network，CNN）等模型进行超参数优化。此外，还借助 SHapley 加性解释（SHapley Additive Interpretation，SHAP）、变差函数分解（Variogram Decomposition，VD）、层次划分（Hierarchical Partitioning，HP）和结构方程模型（Structural Equation Model，SEM）等方法，分析环境因素对 SOC 的影响。
下面来看看具体的研究结果：
- 模型预测性能：经过数学近似算法优化的预测模型，如 BO-DF（R2 = 0.76）和 TPE-DF（R2 = 0.82），在环境因素和 SOC 之间展现出强大的非线性拟合能力。AHPO 算法显著提升了 DL 模型的预测性能，4 种优化方法让R2值从 0.72 提升到 0.82 。经过泛化验证，TPE 优化的模型表现出很强的稳健性，在 SOC 预测中达到了最高的精度（R2 > 0.7）。这表明，选对超参数优化算法，能让模型的预测能力 “更上一层楼”。
- 超参数组合特点：AHPO 预测模型的超参数组合在相似性和独特性之间找到了平衡。那些对模型性能起关键决定作用的超参数有明显差异，这种差异让模型能够实现高性能的 SOC 预测。就好比一个团队里，每个成员都有独特的技能，相互配合才能发挥最大的力量。
- SOC 空间分布：利用 TPE-DF 模型进行空间映射后发现，研究区域内 SOC 含量高的区域主要集中在南部和东北部。这为了解该地区土壤碳分布情况提供了直观的依据，有助于有针对性地进行土壤管理和碳循环研究。
- 环境因素影响：当模型预测精度（R2）超过 0.75 时，SHAP 分析指出，SoilAN、SoilAP、SoilAK、TMP 和 PRE 是驱动 SOC 非线性变化的最主要环境因素。VD 和 HP 分析则强调了土壤和气候因素的协同线性贡献，它们解释了 SOC 变异性的 99.1%。进一步的路径分析还发现，区域气候变暖会导致表层土壤干燥和盐碱化，改变 SOC 分解环境，高盐胁迫对微生物和作物根系活动产生负面影响，最终却促进了表层土壤中 SOC 的积累。这一系列结果揭示了环境因素影响 SOC 的复杂机制。
综合来看，研究人员通过这项研究，成功验证了 AHPO 赋能的 ML 和 DL 方法在分析环境因素与 SOC 响应关系方面具有很强的可行性。这些方法为跨空间尺度的高性能、高精度 SOC 监测提供了有力支持，让我们在了解土壤碳循环、应对气候变化的道路上又前进了一大步。未来，有望基于这些研究成果，进一步优化 SOC 预测模型，为土壤资源管理、农业可持续发展和生态环境保护等领域提供更精准、有效的决策依据。
