南非农田尺度土壤有机碳储量精准制图：机器学习与地统计学的比较研究

推荐：为解决南非农田尺度土壤有机碳储量(SOCS)制图方法不统一的问题，研究人员对比了传统地统计学(OK)与数字土壤制图(DSM)结合机器学习(ML)的效果。结果表明，DSM-ML能更精准预测SOCS，但需增加样本量和引入田间协变量。该研究为碳信用评估提供了方法学支持，对全球土壤碳库管理具有参考价值。

　　

在全球碳循环中，土壤有机碳(SOC)是至关重要的碳库，其储量估算精度直接影响碳信用交易和气候变化应对策略。然而，南非当前缺乏统一的农田尺度SOC储量(SOCS)制图标准，传统方法如普通克里金法(OK)依赖稀疏采样点且无法充分利用环境协变量，导致制图精度不足。这一问题严重制约了碳信用市场的公平性和农业可持续发展。

针对这一空白，来自南非的研究团队在《Soil Advances》发表论文，系统比较了OK与数字土壤制图(DSM)结合机器学习(ML)的效能。研究选取Ottosdal和Vrede两个典型农田，采集0-30 cm深度土壤样本，测定SOC含量和干容重(ρ_b)，并利用随机森林(RF)构建ρ_b预测模型。通过计算优先(先计算SOCS再制图)和制图优先(先制图SOC与ρ_b再计算SOCS)两种策略，评估了OK与DSM-ML(含Cubist、RF、SVM模型)的预测性能。

关键技术方法
研究采用1公顷网格采样(每站点50个点)，通过总干燃烧法(TDC)测定SOC含量，建立ρ_b的pedo-transfer函数(PTF)。利用Sentinel-2影像和30米数字高程模型(DEM)衍生环境协变量，通过条件拉丁超立方采样(cLHS)划分训练集与验证集。采用10折交叉验证和独立数据集评估模型精度，以RMSE、R²和Lin一致性相关系数(ρ_c)为指标。

研究结果

3.1 PTF与描述性统计
构建的ρ_b预测模型表现优异(R²=0.87，RMSE=0.06 g/cm³)。Vrede站点因黏土质地和再生农业实践，SOC含量显著高于砂质土壤的Ottosdal站点(p<0.05)。

3.2 OK制图效果
OK生成的SOC和ρ_b地图呈现斑块状或过度平滑现象，半变异函数显示空间依赖性弱。SOCS预测在Vrede站点表现稍好(R²=0.62)，但Ottosdal站点出现负R²值，表明模型失效。

3.3 DSM-ML制图优势
Cubist模型整体最优，尤其在SOC预测中(R²达0.76)。DSM-ML生成的SOCS地图不确定性范围(0-6 t/ha)显著低于OK(0-20 t/ha)，但部分地图出现协变量相关的点状伪影。

3.4 计算策略比较
两种计算策略的SOCS总量差异<1%，但计算优先法操作更简便，可能提高结果可靠性(p>0.05)。

结论与意义
该研究证实DSM-ML在南非农田尺度SOCS制图中具有显著优势，但需通过增加样本密度、整合作物产量数据和高分辨率DEM进一步提升精度。研究提出的计算优先策略为碳信用评估提供了标准化流程，对全球土壤碳监测网络建设具有示范意义。值得注意的是，将制图尺度扩展至农场级别可能更有利于平衡成本与数据质量，这为后续研究指明了方向。