将历史上的作物轮作变化纳入中国东南部农田的土壤有机质测绘中

《Earth's Future》：Integrating Historical Crop Rotation Changes Into Soil Organic Matter Mapping in the Cropland of Southeastern China

土壤有机质（SOM）预测中整合历史作物轮换变化可显著提升精度。基于中国东南部多熟农业区2023年采集的202份土壤样本，结合Sentinel-2和Sentinel-1遥感数据，构建了包含261个环境协变量的SOM预测模型。通过前向递归特征选择算法（FRFS）筛选最优组合，发现五年的作物轮换动态变化（R2提升14.86%，RMSE降低26.43%）是关键影响因素，其空间异质性分布与轮换频率稳定性显著相关。研究证实，考虑人类农业活动累积效应的SOM数字制图模型能有效支持可持续农业管理。

　　土壤有机质（SOM）是评估农业生态系统功能的重要指标，它不仅影响作物产量和土壤肥力，还对碳汇和气候调节具有重要意义。然而，当前关于SOM的数字地图研究往往忽视了历史农业管理实践对土壤性质的影响，尤其是在动态的作物轮作变化方面。本文以中国东南部的一个多作物种植区为研究对象，探讨了作物轮作变化对SOM的长期影响，并通过数字土壤测绘方法，评估了这些历史变化对SOM预测的贡献。研究收集了202个表层土壤样本，结合Sentinel-2卫星数据和专家知识，提取了2019年至2023年的作物轮作变化信息，最终得出融合这些历史轮作变化的SOM预测模型，其准确度比仅使用传统环境变量和年度轮作数据的模型提高了14.86%，而均方根误差（RMSE）则降低了26.43%。特别是，五年的轮作变化被证明是SOM预测中最重要的因素。

农业活动对土壤有机质含量的影响是深远的，而其中作物轮作作为一项关键的农业实践，对土壤有机质的时空变化具有显著影响。传统的土壤调查方法依赖于实地采样和实验室分析，虽然有效，但过程繁琐、成本高昂，并且难以准确捕捉土壤性质的空间异质性。随着遥感、地理信息系统（GIS）、地统计学和计算机建模等技术的发展，数字土壤测绘（DSM）成为一种高效、经济且精确的土壤属性预测方法。DSM基于土壤-景观模型，通过分析采样点的土壤信息与环境变量之间的关系，构建数学或统计模型，以预测未采样区域的土壤属性。这项技术不仅提供了不同空间尺度的详细土壤信息，还能够更好地反映土壤质量的动态变化。

为了进一步提升SOM预测的准确性，研究团队引入了历史轮作变化作为新的环境变量。他们发现，轮作变化的频率与SOM含量之间存在密切关系。稳定轮作的区域往往具有较高的SOM含量，而频繁轮作变化的区域则呈现出较低的SOM水平。这表明，轮作的持续性和一致性对土壤有机质的积累和分解具有重要影响。例如，持续的作物轮作模式有助于土壤中养分的循环利用，减少对外部肥料的依赖，同时避免了特定土壤养分的过度消耗，从而有助于维持和提高土壤质量。相反，频繁的轮作变化可能会导致土壤结构不稳定，影响有机质的积累过程。

研究采用了一种基于Sentinel-2卫星数据的数字土壤测绘方法，通过遥感技术获取作物轮作的空间分布信息，并结合专家知识进行分类。具体来说，研究团队利用遥感图像和实地调查数据，构建了2019年至2023年的年度轮作地图，并进一步提取了三年、五年等时间尺度上的轮作变化数据。这些数据不仅反映了作物种植结构的变化趋势，还体现了人类农业活动的强度。例如，研究团队计算了轮作变化的频率，用以量化农业活动的强度。他们发现，轮作变化频率与SOM含量之间存在负相关关系，即频繁的轮作变化往往伴随着较低的SOM水平。

在模型构建方面，研究采用了多种机器学习算法，包括随机森林（Random Forest, RF）、Cubist、XGBoost和支持向量机（Support Vector Machine, SVM），并利用前向递归特征选择（Forward Recursive Feature Selection, FRFS）算法进行变量筛选。FRFS算法通过逐步加入变量，选择对模型预测性能影响最大的特征，从而减少模型复杂度，提高预测效率。研究发现，FRFS算法的应用显著提升了模型的预测能力，使得SOM预测的R2值从0.52提升至0.85，而RMSE则从7.47 g/kg降低至4.23 g/kg。此外，模型在三种不同的环境变量组合下表现各异，其中包含轮作变化的组合（S3）表现最优，说明轮作变化对SOM预测具有重要贡献。

土壤有机质的空间分布呈现出明显的异质性，这与作物轮作模式的变化频率密切相关。研究结果表明，SOM含量较高的区域主要集中在轮作变化频率较低的地区，而变化频繁的区域则呈现出较低的SOM水平。这种现象可能与土壤的长期稳定性和农业活动的强度有关。稳定轮作模式有助于维持土壤的结构和肥力，而频繁的轮作变化可能扰乱土壤的自然循环过程，导致有机质的流失。此外，研究还发现，轮作变化频率较低的区域往往具有更丰富的土壤有机质，这可能与长期的农业管理实践和稳定的作物种植模式有关。

值得注意的是，研究还发现，植被指数（Vegetation Index, VI）和现场土壤光谱数据的主成分分析结果在SOM预测中发挥了重要作用。植被指数反映了作物的生长状况和土地利用变化，而现场土壤光谱的主成分则捕捉了与SOM高度相关的光谱特征。这些变量能够更准确地解释土壤性质的空间变化，并提高模型的预测能力。例如，EV I202203这一特定时期的植被指数在三个不同的变量组合中均表现出较高的重要性，这可能与当时气候变化（如春季气温升高、冬季降水增多）对植被和土壤系统的影响有关。

农业活动的强度和频率对土壤有机质的分布和变化具有重要影响。研究团队通过分析轮作变化的频率和模式，发现频繁的轮作变化可能对土壤结构和肥力造成不利影响。例如，研究区域中靠近河流的地块，由于水流带来的细颗粒物质和沉积物，其土壤质地较为疏松，导致SOM含量较低。此外，轮作变化的频率较低的区域，往往具有更稳定的农业实践，有助于土壤有机质的积累。而轮作变化频率较高的区域，由于频繁的作物更换，可能导致土壤养分的流失和有机质的不稳定。

研究还指出，当前的数字土壤测绘方法在处理历史轮作变化时仍存在一定的局限性。例如，轮作变化的提取依赖于专家知识，这种方法在小范围研究中较为有效，但在大规模应用时可能面临挑战。因此，未来的研究可以考虑采用更先进的数据驱动方法，如深度学习算法，以实现更自动化和精确的轮作模式识别和分类。此外，遥感数据的分辨率和时间序列长度也会影响预测结果的准确性。当前研究仅利用了2019年至2023年的Sentinel-2数据，未来可以结合更长的时间序列数据（如30年以上的遥感数据）以更全面地评估农业活动对土壤有机质的长期影响。

综上所述，本研究强调了将历史轮作变化纳入数字土壤测绘的重要性。通过引入这些变化因素，研究团队不仅提升了SOM预测的准确性，还揭示了农业活动对土壤性质的累积影响。这些发现为优化农业策略、提高土壤质量、促进生态系统的可持续发展提供了科学依据。未来的研究可以进一步探索不同轮作模式对土壤有机质的影响机制，并结合更全面的环境变量和更先进的建模技术，以实现更高精度的土壤有机质预测。这将有助于农业管理的精细化，提高土地利用效率，并为全球粮食安全和生态保护提供更有力的支持。