机器学习与环境-土壤变量融合预测旱区可溶性钾与交换性钾：农业应用新视角

来自苏丹的研究团队针对旱区土壤钾素动态预测难题，创新性地结合随机森林算法(RF)与环境协变量(ECOVs)，构建了预测水溶性钾(WSK)与交换性钾(ExchK)的pedotransfer函数(PTFs)。研究发现pH、CaCO3和黏粒含量会削弱WSK-ExchK关联性，其中基于降水季节性和最冷季均温的RF-PTFs对ExchK预测最优(MAE=0.83±0.10)，而土壤参数驱动的PTFs对WSK预测更佳。该研究为建立国家土壤数据库提供了可扩展的数字化解决方案。

　　

当机器学习遇上旱区土壤科学，一场关于钾元素形态转化的解密之旅就此展开。研究人员巧妙运用随机森林(Random Forest, RF)这把"算法手术刀"，剖解了苏丹旱区水溶性钾(Water-Soluble K, WSK)与交换性钾(Exchangeable K, ExchK)的复杂关系网络。

气候、生物群落、地形等环境协变量(Environmental Covariates, ECOVs)在算法模型中跳起了"预测华尔兹"——最冷季度平均温度和降水季节性变化成为预测ExchK的"领舞者"(MAE=0.83±0.10，NRMSE=21%)。而土壤pH值和黏粒含量则像严谨的"化学裁判"，随着它们的升高，WSK与ExchK的亲密关系逐渐疏远，CaCO₃和阳离子交换量(CEC)也在一旁推波助澜。

这项研究为构建国家土壤数据库提供了"数字化钥匙"，未来只需简单测量几个土壤指标，就能通过PTFs这把"万能换算尺"预测钾素动态。研究者们还埋下伏笔：若考虑土地利用方式等本地化因素，这套模型有望升级为钾肥施用的"智能导航仪"。

（注：翻译中保留原文所有专业术语英文缩写及_{/^{标签，如CaCO3、WSK-ExchK等表述）}}