综述：土壤厚度预测模型的类型、精度及影响因素

（编辑推荐）本文系统综述了土壤厚度预测模型类型（经验统计法、物理过程法、空间插值法）及其精度差异，揭示空间插值法在≤25,000 km2区域优势显著，并阐明样本密度（正相关）、预测因子数量与观测范围（负相关）对精度的影响机制，为地质灾害预警（RMSE/R2评估）和碳循环研究提供方法论参考。

　　

土壤厚度预测模型的突破与挑战

Abstract

土壤厚度作为全球土壤地图计划（GlobalSoilMap）核心属性之一，深刻影响地貌演化、水文过程及碳循环。其空间异质性和多因子驱动特性使得精准预测成为难题。最新研究表明，空间插值法在中小尺度（≤25,000 km²）预测中RMSE最低，而样本密度每增加1%可使R²提升0.15（P<0.05），但预测因子过多反而降低模型稳定性。

Introduction

从滑坡预警（如Basharat 2018模型）到荒漠化治理（Liu 2023），土壤厚度数据支撑着生命科学与环境健康的交叉研究。当前三大主流方法中，空间插值法凭借处理非线性空间变异能力崭露头角，而经验统计法（如多元线性回归）仍因计算高效被农业规划广泛采用。值得注意的是，相同流域尺度下研究区面积差异会导致R²波动达30%。

Data collection

基于123项研究的732组数据，采用双精度指标（RMSE/R²）量化模型表现。其中DEM分辨率与观测范围（50-300 cm）被证实存在阈值效应——当分辨率<30米时，预测误差骤增15%。

Prediction accuracy

• 空间插值法在81.77%的小尺度研究中表现最优

• 物理过程法仅在火山地貌等特定场景R²>0.8

• 国家尺度预测中机器学习模型（如XGBoost）比传统方法RMSE降低22%

Impacts of parameters

样本密度与精度呈显著线性相关（r=0.73），但预测因子超过7个时会出现过拟合。有趣的是，在黄土高原案例中，加入微生物群落数据使R²提升0.12，提示生物因子可能被现有模型低估。

Conclusion

未来研究应聚焦：

1. 多方法融合（如机器学习+地统计学）

2. 不确定性量化（蒙特卡洛模拟）

3. 模型可解释性（SHAP值分析）

   中国团队在喀斯特地貌的研究（Zhu et al.）证实，结合LiDAR地形数据可将喀斯特区预测误差控制在<20 cm，为全球脆弱生态系统监测提供新范式。