复垦煤矿土壤中罗得草与指状黍的地上生理响应及基于随机森林算法的产量预测研究

本研究通过随机森林(RF)算法创新性预测复垦煤矿土壤中罗得草(Chloris gayana)与指状黍(Digitaria eriantha)的地上生物量，揭示混合改良剂(含有机肥、堆肥等)较传统石灰施肥(SMT)显著提升干物质(DM)产量70%-150%和叶面积指数(LAI)60%-95%，并确定可见光波段(400-700 nm)为最佳预测光谱区间(r2=0.90，RMSE=0.255 t ha?1)，为矿区生态修复提供精准监测新策略。

　　

摘要

研究团队在南非比勒陀利亚大学实验农场开展为期两年的田间试验，通过36个处理池（9种处理×4重复）评估混合改良剂对复垦煤矿土壤中罗得草与指状黍生长的影响。结果显示，混合改良剂（F8：紫花苜蓿+粪肥+堆肥）处理的地上干物质产量达11.10 t ha^?1，较未处理土壤(F9)提升192%，其叶面积指数(5.52 m² m^?2)和叶水势(?0.542 MPa)亦显著优化。

材料与方法

试验采用随机区组设计，土壤剖面模拟矿区修复结构（10 cm砾石层+50 cm煤矸石+30 cm底土+30 cm改良表土）。改良剂按40 t ha^?1均匀混入表土，包括单施粪肥(F1)、标准矿区处理(SMT，F2)、堆肥(F3)等及三种混合配方(F6-F8)。利用FieldSpec3光谱仪采集350-2500 nm高光谱数据，结合随机森林回归(RF)建模，通过ntree=1000和mtry=17参数优化模型。

结果与讨论

干物质产量：混合处理F8在两季均表现最优，其累计产量较SMT处理高89%-123%。单施粪肥(F1)因快速分解导致第二季产量下降，突显混合改良剂的持续供肥优势。叶面积指数：F8处理的LAI与生物量呈强相关性(r>0.75)，归因于改良剂提升的土壤孔隙度和有效水(PAW)。叶水势：F8的LWP(?0.782 MPa)显著优于对照(?3.395 MPa)，证实混合处理改善土壤持水能力。

光谱预测：通过1749个窄波段分析，确定644-690 nm红边区域为最佳预测波段，其NDVI指数与生物量相关性最高(r²=0.87)。变量重要性分析显示LAI和红边波段(693 nm)对RF模型贡献最大，验证了植被指数与生理参数的协同预测价值。

结论

混合改良剂通过协同改善土壤物理化学性质（降低容重、提升PAW）和养分缓释效应，显著促进矿区植被恢复。高光谱结合RF算法(r²=0.90)的创新应用，为大规模矿区生态监测提供可靠技术路径，但长期效应需进一步验证。研究结果对全球矿区生态修复的精准管理具有重要实践意义。