瑞士森林土壤水力特性传递函数可转移性研究：控制因素分析与模型优化策略

为解决森林土壤水力特性(SHP)跨区域预测难题，本研究系统评估了土壤传递函数(PTF)在瑞士不同生态区(中央高原vs瓦莱州)的转移性。通过构建新型PTF模型(SwiPT)并对比欧洲现有模型，发现仅使用砂土和黏土含量的简约模型在跨区域预测中表现最优，揭示了实验室差异、混杂变量和模型构建方式对PTF转移性的关键影响，为全球土壤水力参数预测提供了方法论优化路径。

　　

随着气候变化加剧干旱频率，森林树木面临日益严重的水分胁迫危机。土壤水力特性(SHP)作为决定根系吸水能力的关键参数，其准确预测对评估树木干旱应激阈值至关重要。然而，直接测量SHP在大尺度应用中存在成本高、操作复杂等限制，土壤传递函数(PTF)通过易获取的土壤属性预测SHP成为主流解决方案。但PTF的区域依赖性始终是学术界争议焦点——当模型应用于训练区域外的土壤时，其预测可靠性往往显著下降。这种"水土不服"现象背后的控制机制尚不明确，严重制约了PTF在全球变化研究和生态模型中的应用。

针对这一科学瓶颈，瑞士苏黎世联邦理工学院等机构的研究团队在《Geoderma》发表了创新性研究。团队系统分析了实验室差异、混杂变量和模型构建方法三大因素对PTF跨区域转移性的影响。研究创新性地采用"训练-转移"双阶段验证框架：首先基于瑞士中央高原24个森林站点的历史数据开发新型PTF(SwiPT)，随后将这些模型与现有欧洲PTF共同应用于生态特征迥异的瓦莱州森林土壤。通过比较不同复杂度模型(从仅含2个质地参数到包含11个环境因子的综合模型)的预测表现，揭示了PTF转移性的内在规律。

研究主要采用三项关键技术：1) Mualem-van Genuchten(MvG)模型参数化方法，通过约束式方程拟合土壤水分特征曲线(WRC)和非饱和导水率曲线(UHC)；2) 机器学习建模框架，对比Lasso回归(强变量选择)与随机森林(高预测精度)的转移性能差异；3) 空间区块交叉验证策略，通过五折区域划分评估模型在未训练区域的泛化能力。实验数据涵盖1024个水分特征测量点和246个导水率测量值，采用DTS统计量、均差(MD)和均方根差(RMSD)等多维度评估指标。

模型性能验证
在中央高原训练区域内，新型SwiPT模型显著优于欧洲现有PTF。随机森林结构的"结构模型"(含BD、OC等5个参数)对UHC预测表现最佳(MEC=0.58)，而线性"生态模型"(含气候地形等11个参数)对WRC预测最优(RMSE=6.5%-vol)。这证实本地化建模的优势，但空间交叉验证也显示内部性能受样本量限制。

转移性核心发现
当应用于瓦莱州独立数据集时，所有PTF呈现惊人规律：仅含砂土和黏土含量的"质地模型"表现最优，EUPTFv2纹理版取得最低RMSD(7%-vol)。随着协变量增加，模型性能普遍下降，特别是包含BD和OC的"结构模型"误差增幅达30%。这表明额外参数可能引入测量噪声或成为混杂因素，反而损害模型泛化能力。

控制机制解析
实验室效应方面，中央高原(压力板法)与瓦莱州(HYPROP法)数据存在系统性偏差，θ_sat-BD关系斜率差异达18%，印证不同方法导致的测量不确定性会显著影响PTF转移。混杂变量分析显示，除质地参数外，其他协变量(如CEC、pH)在不同区域的SHP关联模式不一致，证实其可能作为过程代理变量而非直接因果因子。模型构建方面，Lasso在复杂模型中的表现优于随机森林，证实强变量选择对提升转移性的关键作用——当采用λ_se严格标准时，11参数模型的预测误差比λ_min方案降低15%。

这项研究为土壤水力预测领域提供了三大突破性认知：首先，确立了"简约优先"的PTF跨区域应用原则，证明减少协变量数量比提高模型复杂度更能保障预测稳健性。其次，首次系统量化了实验室方法差异对PTF转移的干扰效应，为全球土壤数据标准化提供依据。最后，创新提出"先变量筛选后机器学习"的建模框架，为发展下一代可转移PTF指明方向。这些发现不仅适用于森林生态系统，对农业、水文等领域的土壤参数预测同样具有重要参考价值。随着全球土壤数据库的扩展，该研究建立的评估框架将助力发展更具普适性的土壤水力预测体系，为应对气候变化下的生态系统管理提供可靠工具支撑。