基于贝叶斯空间模型INLA-SPDE的中国南方农田土壤有机碳精细制图与驱动机制解析

本研究针对农田土壤有机碳(SOC)空间异质性强的难题，创新性采用集成嵌套拉普拉斯近似-随机偏微分方程(INLA-SPDE)贝叶斯空间模型，结合16,050个采样点和19种环境协变量，构建了江西省农田SOC高精度预测模型。相比传统地统计方法(OK/GWR)和随机森林(RF)，INLA-SPDE的R2提升达38.89%-117.39%，并通过SHAP值解析发现秸秆还田量(SRA)和年均降水(MAP)是主导SOC分布的关键因子。该研究为数字土壤制图(DSM)提供了兼具高精度与强解释性的新范式。

　　

土壤作为全球最大的有机碳库，其碳储量是大气层的三倍，微小的土壤有机碳(SOC)变化即可显著影响气候变化。然而，传统SOC监测方法效率低下，现有预测模型普遍存在计算效率低、解释性差等缺陷。特别是在中国南方丘陵区复杂地形条件下，如何实现高精度SOC制图并解析其驱动机制，成为优化农田管理和应对气候变化的关键科学问题。

针对这一挑战，浙江大学环境与资源学院的研究团队在《Geoderma》发表重要成果。研究人员整合16,050个农田采样点数据和19类环境协变量，首次将集成嵌套拉普拉斯近似-随机偏微分方程(INLA-SPDE)贝叶斯空间模型应用于中国南方丘陵区SOC制图。通过CARS-PLS算法筛选关键协变量，系统比较了INLA-SPDE与普通克里金(OK)、地理加权回归(GWR)和随机森林(RF)的性能差异，并创新性采用SHAP可解释机器学习模型量化了环境因子的贡献度。

关键技术方法包括：(1)通过土壤测试与配方施肥项目获取0-20cm表层土壤样本；(2)利用CARS-PLS算法从44个初始协变量中筛选19个关键因子；(3)构建INLA-SPDE贝叶斯空间模型，设置Matérn协方差函数和三角网格剖分；(4)采用SHAP值解析变量重要性；(5)通过R²、RMSE和CCC等指标进行模型验证。

研究结果揭示：

1. 模型性能比较：INLA-SPDE的预测精度(R²=0.50)显著优于OK(提升38.89%)和GWR(提升117.39%)，且略高于RF(R²=0.41)，其CCC值(0.65)表明与观测值具有更好一致性。
2. 空间分布特征：制图结果显示高SOC值主要分布在研究区中部，而北部含量较低，INLA-SPDE预测值范围较RF/GWR更广，更接近实际观测。
3. 不确定性分析：INLA-SPDE的95%置信区间较RF更宽，能更好识别边缘区和采样稀疏区的高不确定性位点。
4. 驱动机制解析：SHAP分析表明秸秆还田量(SRA)对SOC贡献最大(69.25%区域)，其次是年均降水(MAP，17.20%)。按因子类别统计，土壤管理措施(50.52%)和气候因子(22.06%)是主导SOC分布的关键要素。

这项研究的重要意义在于：首先，验证了INLA-SPDE在复杂地形区大样本SOC制图中的优越性，其贝叶斯框架能同时输出超参数后验分布，解决了传统模型解释性差的痛点。其次，通过SHAP值实现了像素级变量贡献度制图，发现秸秆还田是提升南方农田SOC的最有效措施，为"藏粮于地"战略提供了量化依据。最后，研究建立的"高精度预测-不确定性评估-机制解析"技术链条，为数字土壤制图领域的发展提供了新范式。

值得注意的是，研究也发现INLA-SPDE的计算耗时约为RF的47倍，在更大尺度应用时需平衡网格密度与计算效率。未来研究可通过纳入微生物多样性等新型协变量，结合空间交叉验证方法，进一步提升模型的普适性和预测精度。这项成果不仅推动了贝叶斯空间模型在环境科学中的应用，也为实现"双碳"目标下的农田碳管理提供了重要技术支撑。