基于地理加权人工神经网络的中国东北黑土多尺度土壤养分空间变异解析与驱动机制研究

针对东北黑土区土壤养分空间异质性强的难题，中国科学院团队创新性地采用地理加权人工神经网络(GWANN)模型，结合二维经验模态分解(2D-EMD)和半变异函数分析，揭示了SOC、TN、TP在374-483km大尺度受气象因子主导，中尺度(62-118km)以生物因子为主，地形因子贡献随尺度增大而增强的规律。该研究为黑土区精准施肥提供了理论依据和技术支撑。

　　

东北黑土被誉为"耕地中的大熊猫"，其肥沃的土壤支撑着中国1/4的粮食产量。然而，长期高强度利用导致这片"黄金玉米带"正面临严峻挑战——土壤有机碳(SOC)以每年0.1%的速度递减，全氮(TN)、全磷(TP)等关键养分也呈现明显空间变异。传统土壤检测方法犹如"盲人摸象"，耗时费力且难以捕捉大范围的空间异质性；而常规机器学习模型如随机森林(RF)和人工神经网络(ANN)则像"一刀切"的裁缝，无法适应黑土区复杂的环境梯度变化。更棘手的是，气象、地形和生物因子在不同空间尺度上交织影响，形成"俄罗斯套娃"般的多尺度效应，使得精准预测土壤养分分布成为农业可持续发展的重要科学难题。

中国科学院地理科学与资源研究所的研究团队在《Solid Earth Sciences》发表的最新研究，创新性地将地理加权思想与深度学习相结合，开发出地理加权人工神经网络(GWANN)模型。通过对覆盖11万平方公里黑土区的1100个采样点数据分析，结合二维经验模态分解(2D-EMD)和变异分配分析，首次系统揭示了东北黑土养分多尺度驱动机制。研究发现GWANN模型对SOC、TN、TP的预测精度显著优于传统方法，其中SOC预测均方根误差(RMSE)降低0.063-0.362?g/kg。更重要的是，研究破解了"尺度密码"：气象因子在374-483km大尺度主导所有养分变异，而62-118km中尺度呈现明显分异——SOC和TN受生物因子控制，TP则仍受气象影响；14-28km小尺度上，微生物活动成为调控主角。这些发现为黑土保护提供了"时空导航图"。

关键技术方法包括：1) 采集覆盖东北黑土带110,051?km²的1100个表层土壤样本；2) 开发GWANN模型，集成地理加权回归与ANN优势；3) 采用2D-EMD进行多尺度分解；4) 结合半变异函数和变异分配分析量化不同尺度驱动因子贡献。

【研究结果】

1. 模型性能比较：GWANN对SOC、TN、TP的预测R²分别达0.72、0.68和0.65，较RF和ANN提升显著，特别是在地形复杂的过渡带表现优异。

2. 多尺度变异特征：2D-EMD分解显示SOC变异呈现明显的三尺度结构——大尺度(483km)反映气候带分异，中尺度(118km)对应土地利用类型变化，小尺度(28km)体现田间管理差异。

3. 驱动机制解析：变异分配分析表明气象因子对SOC变异的解释度随尺度增大从28%(小尺度)升至52%(大尺度)，而生物因子贡献在中尺度达到峰值39%。

4. 空间预测制图：生成的1km分辨率养分分布图清晰显示，松嫩平原中部存在明显的SOC"亏损岛"，与过度垦殖区高度吻合。

【结论与意义】
该研究突破了传统土壤预测模型的尺度局限，首次建立起东北黑土"宏观气候框架-中观生物过程-微观人为干预"的多级驱动理论框架。GWANN模型成功实现了"因地制宜"的局部建模，其预测精度提升相当于为每公顷耕地节省约200元的无效施肥成本。发现的尺度依赖规律为黑土保护提供了重要启示：大尺度需关注气候变化应对，中尺度应优化种植制度，小尺度则要强化精准农艺措施。这项成果不仅为《东北黑土地保护性耕作行动计划》提供了科学依据，其建立的GWANN-2D-EMD技术体系也可推广至全球其他黑土区研究，对保障全球粮食安全具有深远意义。