基于残差随机森林的东北典型省份黑土层厚度时空演变研究及其对粮食安全的启示

针对黑土层(Mollic Horizon)厚度区域评估精度不足的问题，中国科学院土壤研究所团队创新性开发残差随机森林(RRF)模型和土壤层转换算法(CSMH)，构建1982-2022年黑龙江黑土层厚度高精度图谱(R2>0.79)，揭示40年间耕地黑土层年均减薄0.27 cm的时空规律，为东北黑土保护提供方法论突破和科学依据。

　　

在中国东北广袤的黑土带上，孕育着被誉为"耕地中的大熊猫"的肥沃土壤——黑土层(Mollic Horizon)。这种富含有机质的暗色表土层，不仅是支撑东北粮仓的核心资源，更是维系国家粮食安全的战略屏障。然而近年来，长期耕作导致的黑土层变薄问题日益严峻，据估算黑龙江黑土层正以每年0.3厘米左右的速度流失，相当于每生成1厘米黑土需要200-400年的自然积累过程被加速消耗。更令人担忧的是，现有评估方法存在明显局限：传统土壤剖面调查(TSP)成本高昂难以推广，而基于小流域尺度的预测模型在区域尺度上误差显著(R²仅0.38-0.45)，无法满足精准监测的需求。

针对这一困境，中国科学院南京土壤研究所土壤与农业可持续发展国家重点实验室的研究团队在《CATENA》发表了突破性研究成果。该研究创新性地融合快速调查法(RIM)和历史数据转换算法(CSMH)，结合自主研发的残差随机森林模型(RRF)，首次实现了黑龙江省黑土层厚度的高精度时空动态解析。研究团队通过三个关键技术突破构建研究体系：首先采用快速调查法(RIM)获取2022年357个样点的黑土层厚度数据，验证显示其与传统剖面法(TSP)精度达95.32%；其次开发土壤层深度-黑土层厚度转换算法(CSMH)，将1982年1746个历史剖面重构为可比数据集(精度86.17%)；最终建立包含残差校正和分位数回归的RRF-RQRF模型体系，显著提升区域尺度预测性能。

【Verification of CSMH and RIM against TSP survey】
通过31个验证点系统比较显示，RIM与CSMH方法测定结果具有高度一致性(R²=0.84)，功率分析证实样本量满足统计要求。特别值得注意的是，当黑土层厚度>60cm时，CSMH算法存在4-8cm的系统性低估，研究通过建立校正方程(y=0.84393x+4.584)有效消除偏差。

【Comparability of Mollic Horizon thickness across different years】
尽管1982年与2022年调查方法存在差异(前者基于有机质-深度关系，后者依据颜色/结构特征)，但严格遵循国际黑土层诊断标准确保数据可比性。空间分析表明，松嫩平原(Songnen Plain)和三江平原(Sanjiang Plain)等传统农区呈现显著变薄趋势，而丘陵山区周边低洼耕地因沉积作用出现局部增厚现象。

【Model performance evaluation】
RRF模型展现出卓越的预测能力，解释方差(R²)达0.79以上，较传统随机森林(RF)提升82.52%，均方根误差(RMSE)降低至10.01cm以下。引入的分位数回归森林(RQRF)成功量化预测不确定性，为风险区域识别提供概率依据。

研究最终揭示：1982-2022年间黑龙江省耕地黑土层厚度以年均0.27cm的速度递减，累计减薄约10.8cm，其中松嫩平原部分区域减薄幅度超过15cm。这一发现不仅首次从连续空间角度量化了黑土层退化速率，更通过创新的RRF建模框架突破了区域尺度土壤厚度预测的技术瓶颈。该成果为《东北黑土地保护规划纲要》实施提供了精准的数据支撑，其开发的CSMH-RIM-RRF技术体系可推广至全球其他黑土区监测，对保障全球粮食安全具有重要战略意义。文末作者特别指出，未来需结合¹³⁷Cs同位素示踪等技术深化侵蚀-沉积机制研究，并建议将模型预测结果与遥感动态监测数据融合，构建黑土层健康预警系统。