基于分位数回归森林的喀斯特地貌土壤厚度估算模型构建与不确定性分析

针对喀斯特地区土壤厚度空间异质性强的难题，本研究通过整合906个实测点与376种环境因子，创新性采用分位数回归森林(QRF)方法构建预测模型，揭示气候、地形及石漠化指数(RIs)对土壤厚度的非线性影响机制。模型解释40%空间变异(R2=0.40)，RMSE为37.3 cm，首次实现区域尺度(54,000 km2)喀斯特土壤厚度的不确定性量化(PICP=0.95)，为生态修复与地质灾害预警提供精准数据支撑。

　　

喀斯特地区因其独特的地质背景，面临着土壤厚度空间分布极不均匀的难题——基岩大面积裸露与浅薄土壤斑块交错分布，这种"土在楼上，石在楼下"的奇特景观严重制约着区域生态恢复与农业生产。传统土壤调查方法在如此复杂的地形中举步维艰，而现有全球土壤数据集(如SoilGrids250)在喀斯特区域的预测精度堪忧，平均厚度误差高达50%以上。更棘手的是，喀斯特地区土壤形成速率极慢(每年仅0.01-0.1毫米)，但侵蚀速率却快得惊人，这种"入不敷出"的现状使得精准掌握土壤资源"家底"成为生态安全屏障建设的当务之急。

针对这一挑战，中国科学院相关团队在西南喀斯特核心区(54,000 km²)展开攻坚。研究人员创新性地将遥感技术与机器学习相结合：首先通过"敲杆法"获取906个采样点的土壤厚度数据(每组含10个重复测量)，随后整合376种环境变量，包括ASTER地形衍生数据、Landsat-8地表反射率特征，以及独创性地引入5种石漠化信息指数(RIs)来量化基岩裸露程度。研究采用递归特征消除(RFE)筛选出38个关键变量，构建分位数回归森林(QRF)模型，通过100次重复5折交叉验证确保结果稳健性。

模型开发显示，当变量数为38时模型性能最优(R²=0.40，RMSE=37.3 cm)，较未筛选变量模型精度提升7%。参数优化发现地形曲率(PLAN_CUR)和SAGA湿度指数(SG_WI)对模型贡献最大，而传统坡度因子因在30m分辨率下无法反映喀斯特微地形特征被淘汰。

环境因子重要性分析揭示：表层土壤粘土含量(CLAY1)重要性居首，印证历史土壤图对更新的价值；石漠化指数(RI_S_PC2)位列第三，其冬季指标(NDRI_WT)与土壤厚度呈显著负相关(r=-0.32)。值得注意的是，降水主成分(pre_PC1)虽线性相关性弱，但通过QRF捕捉到其与厚土层形成的非线性关系。

空间分布预测显示研究区平均土壤厚度65.7 cm，呈现"洼地厚、峰丛薄"的典型地形序列：坡脚处厚度(84±21 cm)显著高于坡中上部(65±17 cm)，耕地土壤(71 cm)比林地(62 cm)更深厚。这与喀斯特地区"人随土走"的耕作传统高度吻合。

不确定性评估通过90%预测区间(PI90)量化显示，石漠化严重区域PIR值达4.83，是稳定区的3倍。尽管预测区间覆盖率(PICP=0.95)略高于理想值，但首次实现了喀斯特土壤预测可靠性的空间可视化，为风险决策提供"误差地图"。

这项发表于《Geoderma》的研究具有三重突破：方法学上，验证了RIs作为喀斯特特异性指标的不可替代性；技术上，将QRF的不确定性量化优势首次应用于大尺度喀斯特区；实践层面，其55%的RMSE虽高于小流域研究，但在5.4万平方公里尺度已属重大进步。研究团队特别指出，未来可通过融合无人机激光雷达(LiDAR)获取厘米级地形数据，并尝试集成XGBoost等算法来突破现有模型对极端薄土层(<10 cm)的预测瓶颈。这些发现不仅为《长江保护法》实施提供科学依据，更为全球喀斯特地区生态修复树立了"中国样板"。