机器学习驱动的可持续土地利用：马尔可夫链与XGBoost模型在泰国黑高良姜种植适宜性评估中的应用

本研究针对泰国黑高良姜（Kaempferia parviflora）种植的土地适宜性评估难题，创新性地结合马尔可夫链模型（动态土壤质量分析）与XGBoost算法（高精度分类），构建了数据驱动的混合机器学习框架。研究识别出10个省份22个高/中度适宜种植区，发现土壤渗透性差、质地不良等挑战下仍存在可开发区域，关键驱动因子为种植采纳率、黄钾铁矾深度和海拔。成果为泰国国家草药发展计划提供了科学依据，推动可持续土地利用政策制定。

　　

在东南亚传统医学中，黑高良姜（Kaempferia parviflora）因其抗炎和抗氧化特性被誉为"植物黄金"，全球市场需求激增使其成为泰国重点发展的经济作物。然而，传统种植依赖经验判断，面临土壤毒性（如黄钾铁矾沉积）、根系发育受限等瓶颈，且现有GIS（地理信息系统）和MCDA（多标准决策分析）方法难以捕捉环境因子的动态非线性关系。

为突破这一局限，Sasarose Jaijit团队在《Environmental and Sustainability Indicators》发表研究，首次将马尔可夫链的时序建模能力与XGBoost的集成学习优势相结合。通过分析泰国中西部27省37,768条土壤数据，利用马尔可夫链对1,434条训练数据生成无偏标签（S1-S4分级），XGBoost模型最终实现97.5%的预测准确率。关键创新在于采用马尔可夫链的稳态分布量化长期适宜性，规避了传统专家评分的主观性。

关键技术方法

1）数据采集：整合泰国中西部27省231个区的土壤序列数据，包含年降雨量（F1）、土壤流失量（F2）等10个因子；

2）马尔可夫标签生成：通过2,054,922次两两对比构建转移概率矩阵，计算稳态分布作为客观评分；

3）XGBoost建模：采用网格搜索优化超参数（max_depth=5, eta=0.3），通过特征重要性分析识别关键驱动因子。

研究结果

3.1 马尔可夫标签验证

训练集数据与现有种植区（如Phitsanulok府Chat Trakan区）匹配度达100%，证实模型对土壤质量和海拔的敏感性。当正则化参数λ=0.4时，概率阈值>0.0007的区域被划为S1级（如Khao Kho山区）。

3.2 适宜区空间分布

全区域仅0.2%（22,439公顷）属高度适宜（S1），1.4%为中度适宜（S2）。特征重要性显示，种植采纳率（F10, Gain=0.641）是最强预测因子，其次是黄钾铁矾深度（F3）和海拔（F9）。

3.3 经济潜力

蒙特卡洛模拟表明，若在219,448公顷适宜区推广种植，预期收益可达1.4万亿泰铢，较传统种植区（3730万泰铢）提升375倍。

结论与意义

该研究通过机器学习破解了传统土地评估的静态局限，首次量化了土壤动态属性（如黄钾铁矾深度）对黑高良姜种植的影响。发现的22个优先发展区中，如Kanchanaburi府Sai Yok区虽土壤条件优越，却因灌溉不足未被开发，提示政策需配套基建投资。模型框架可扩展至其他药用作物评估，为泰国"草药经济4.0"战略提供算法支撑。未来研究可融合IoT（物联网）实时数据，构建动态决策系统，进一步优化资源分配。