从预测到生态洞察：基于集成空间模型探索土壤可蚀性的环境驱动机制

本研究针对土壤侵蚀风险评估中环境变量交互机制不明确的问题，通过整合XGBoost机器学习与SHAP/LIME/SEM解释性模型，揭示了塞尔维亚Jablanicki地区土壤可蚀性(K因子)的空间分异规律。研究发现气候变量(如HTC和SPEI)对K因子影响最显著，地形与植被存在阈值响应，构建的集成框架为景观尺度土壤保护决策提供了可迁移工具。

　　

土壤侵蚀是全球土地退化的核心过程，其中土壤可蚀性(K因子)是评估侵蚀风险的关键参数。传统K因子测量方法依赖田间试验，成本高且难以大范围应用，而环境变量(气候、地形、植被)与土壤属性的非线性关系尚未明晰。塞尔维亚Jablanicki地区作为典型地貌异质性区域，其土壤侵蚀风险受复杂环境梯度影响，亟需建立可解释的预测模型。

Veljko Perovic等研究者通过整合多源环境数据与机器学习技术，在《Landscape Ecology》发表研究，开发了融合XGBoost预测与SHAP/LIME/SEM解释的集成框架。研究采集200个土壤样本测定K因子，结合14种环境变量(包括HTC_{hydro-thermal coefficient}、SPEI_{Standardized Precipitation Evapotranspiration Index}等)，采用五折交叉验证优化模型，通过空间不确定性分析和阈值响应检测揭示驱动机制。

主要技术方法

1. 基于USLE_{Universal Soil Loss Equation}改进公式计算K因子；
2. 使用XGBoost模型整合气候/地形/植被变量，网格搜索优化超参数；
3. 应用SHAP和LIME解析变量贡献度与局部效应；
4. 采用SEM_{Structural Equation Modeling}量化环境因子交互路径。

研究结果

空间分布特征

XGBoost模型(R²=0.696)显示K因子值域0.025-0.050 t·ha·h·ha^-1·MJ^-1·mm^-1，西部粘壤土区抗蚀性较强，中部砂质农业区风险较高。不确定性分析表明山地预测误差(1.5%)显著高于平原(0.8%)。

关键驱动因子
SHAP分析揭示气候变量主导K因子变异(HTC贡献度最高)，SPEI呈负相关而HTC正相关。SEM路径系数显示：

• 气候直接负效应(β=-1.144)
• 地形直接正效应(β=1.355)
• 植被通过气候介导间接作用(γ=0.451)

阈值响应
LIME识别出HTC>0.05时促蚀效应显著(+0.0066)，而SPEI>-0.41时抑制侵蚀(-0.0023)。地形因子中VD_{Valley Depth}>148.28时微弱促蚀(+0.0006)。

研究结论
该研究创新性地将预测模型与生态解释结合，证实气候变量(特别是HTC和SPEI)通过调控土壤团聚体稳定性主导K因子空间格局，地形复杂性通过水文重分布产生正向效应。提出的集成框架兼具预测精度(RMSE=0.0059)与机制解释力(CFI=0.98)，为差异化土壤保护策略提供了量化工具，如粘壤区应维持现有管理而砂质区需强化植被覆盖。研究模型可扩展应用于全球变化背景下的动态侵蚀风险评估。