基于Shapley加性解释的土壤pH驱动机制与影响因素研究

研究人员针对土壤pH空间分布机制解析难题，采用机器学习结合Shapley值(SHAP)方法，分析了俄罗斯南乌拉尔地区2651份土壤样本数据，揭示了气候(降水、云量)、海拔和土壤类型是影响0-60 cm土层pH的关键因子，构建了预测精度达54-62%的深度分层模型，为半干旱区土壤健康管理提供了量化依据。

　　

土壤酸碱度(pH)作为调控养分循环和生态功能的"土壤晴雨表"，其空间异质性机制解析一直是环境科学领域的难点。传统研究中，机器学习模型虽广泛应用于土壤属性预测，但"黑箱"特性阻碍了机理阐释——正如俄罗斯巴什科尔托斯坦共和国9500平方公里区域内，山地森林向半干旱草原过渡带中pH的突变现象长期缺乏量化解释。

针对这一挑战，乌法国立石油技术大学(Уфимский государственный нефтяной технический университет)人工智能环境研究实验室的Azamat Suleymanov团队创新性地引入博弈论衍生的Shapley加性解释(SHAP)方法，对2651份分层土壤样本(0-20 cm、20-40 cm、40-60 cm)展开多尺度分析。这项发表在《CATENA》的研究，首次实现了土壤pH垂直分异规律的机器学习和可解释性分析的深度融合。

研究采用随机森林(Random Forest, RF)算法结合SHAP值分解技术，整合气候(降水、云量、地表温度)、地形(海拔)、植被和母质等32个环境协变量。通过特征重要性排序和边际效应分析发现：12月降水超过30-35 mm、云量达58-60%、海拔400-450 m时，各土层pH均显著低于平均水平。模型解释力随深度递减(R²=0.62→0.54)，但成功捕捉到降水淋溶与蒸散发盐分累积的拮抗效应——这正是森林向草原过渡带pH升高的核心驱动力。

【关键技术方法】
团队采集巴什科尔托斯坦共和国政府土壤调查数据，运用SHAP值量化预测变量贡献度，构建深度分层RF模型。采用10折交叉验证评估性能，通过局部依赖图解析非线性关系，最终生成空间预测图及不确定性分布。

【主要研究发现】

1. 模型性能
   • 预测精度随深度递减：0-20 cm层R²=0.62(RMSE=0.42)，40-60 cm层R²=0.54(RMSE=0.55)
   • 纳什效率系数(NSE)0.53-0.62，优于同类空间模型

2. 驱动因子解析
   • 气候因子贡献度超35%：12月降水阈值效应显著
   • 海拔400-450 m出现pH突变拐点
   • 土壤类型对深层(40-60 cm)pH影响增强

3. 空间格局
   • 山地森林区pH较草原低0.8-1.2个单位
   • 东西向梯度变化速率达0.15 pH单位/km

【结论与意义】
该研究通过可解释AI破解了土壤pH的"深度密码"：

1. 证实气候-地形互作是欧亚过渡带pH分异的主控因素，为全球变化背景下土壤酸化预警提供新指标；
2. 建立首个基于SHAP的土壤垂直剖面解释框架，推动数字土壤制图(Digital Soil Mapping, DSM)从预测向机理认知跨越；
3. 揭示的降水阈值(30-35 mm)可直接指导半干旱区精准施肥。正如Yakov Kuzyakov在讨论中指出，该方法可扩展至重金属迁移等环境过程研究，为"双碳"目标下的土壤固碳潜力评估提供新范式。