"LimeSoDa数据集：为数字土壤制图（DSM）中机器学习回归模型提供基准测试的新资源"

本研究针对数字土壤制图（DSM）领域缺乏开放数据集和标准化基准的问题，开发了包含31个田间/农场尺度数据集的LimeSoDa集合，通过对比MLR、SVR、CatBoost和RF四种算法的性能，揭示了算法表现高度依赖数据特征（如光谱数据需PCA降维时线性模型更优），为DSM方法选择提供了实证依据，其开源特性将推动土壤建模的可重复性研究。

　　

论文解读

在精准农业和环境监测领域，数字土壤制图（Digital Soil Mapping, DSM）通过统计模型将实验室测量的土壤属性与遥感等辅助特征关联，已成为生成土壤地图的核心技术。然而该领域长期面临两大困境：一是95%的研究仅使用单一数据集进行算法评估，导致结论片面化；二是现有土壤数据集多为封闭或单一尺度，缺乏适用于田间级精准农业的开放资源。这种数据瓶颈使得不同研究对同类算法的评价结果相互矛盾，例如随机森林（RF）在部分研究中表现优异，而在光谱数据场景下可能劣于简单线性回归。

针对这些问题，由德国下萨克森州科学与文化部资助的研究团队开发了名为LimeSoDa（Precision Liming Soil Datasets）的开放数据集集合。该研究收集了来自巴西、德国、日本等国的31个田间至农场尺度（0.6-1,158公顷）数据集，每个数据集均包含土壤有机质/碳（SOM/SOC）、pH值和黏土含量三大关键指标，以及光学光谱、近端/遥感等多源特征。通过系统比较多元线性回归（MLR）、支持向量回归（SVR）、类别提升（CatBoost）和随机森林（RF）四种算法，研究发现：在常规特征（<20个）数据中，CatBoost和RF因处理多重共线性优势而表现更佳；但在高维光谱数据（如含2,489个波段的MIR数据）中，MLR和SVR结合主成分分析（PCA）后性能提升显著。这些发现证实算法性能高度依赖数据特征，相关成果发表于土壤学顶级期刊《Geoderma》。

关键技术方法
研究采用嵌套交叉验证（外层10折、内层5折）和随机搜索（400次迭代）优化超参数。针对高维光谱数据，开发了包含PCA（5-20主成分）和相关性矩阵过滤（CMF，阈值0.7-1）的双分支降维策略。所有数据集经kriging插值和特征提取对齐采样点，并通过R²和RMSE排序进行算法比较，代码与数据均在GitHub和Zenodo开源。

研究结果

1. 算法整体表现
   通过93项预测任务（31数据集×3指标）发现，SVR与CatBoost平均R²为0.44，仅略优于MLR（0.40），Wilcoxon检验显示差异不显著。但分组分析揭示显著差异：在非光谱数据中，树模型（RF/CatBoost）在63%任务中排名第一；而在光谱数据中，线性模型（MLR/SVR）胜出率达69%。

2. 数据特征的影响
   PCA降维使MLR/SVR在光谱数据中表现突出，因其能有效利用线性组合特征。相反，树模型对特征旋转敏感，在O.32数据集（1,637特征/32样本）中表现最差。样本量分析显示MLR在小样本（<100）中优势明显，而SVR随样本量增加性能提升。

3. 方法局限性
   研究指出当前DSM存在"新颖方法偏好"风险——如神经网络（未纳入本研）在部分单数据集研究中被过度推崇，而多数据集验证发现简单模型可能更稳健。

结论与意义
LimeSoDa首次为DSM领域提供了跨地域、多尺度的开放基准平台，其实证研究表明：没有"放之四海而皆准"的最优算法，MLR在光谱数据和小样本场景仍具竞争力，而CatBoost在常规特征数据中展现优势。该资源不仅解决了算法评估的样本偏差问题，其CC BY-SA 4.0许可更突破了LUCAS等传统数据集的使用限制。未来可扩展至神经网络（如TabPFN）评估和全球光谱库构建，为精准农业的石灰施用决策提供更可靠的建模基础。