基于XGBoost-ANN混合模型预测机械压实对大豆产量的影响及其农业可持续性意义

本研究针对农业机械作业导致的土壤压实问题，通过构建XGBoost-ANN混合模型，实现了对大豆产量变化的高精度预测（R2=0.889）。研究创新性地采用两步建模方法，首次建立了机械特性-土壤贯入阻力-产量变化的量化关系，为农业机械优化和土壤资源保护提供了重要技术支撑。

　　

随着农业机械化程度的不断提高，农田土壤压实问题日益成为制约农业可持续发展的隐形杀手。重型农业机械在耕作、播种、施肥和收割等作业过程中反复碾压土壤，导致土壤结构恶化、孔隙度降低，形成坚硬的犁底层。这种"土壤硬化"现象不仅阻碍作物根系下扎，影响养分吸收，还显著降低作物产量——研究表明严重压实环境下玉米产量可减少高达50%。

目前针对机械压实影响的研究多局限于数据统计分析层面，缺乏精准的预测模型。东北农业大学的科研团队意识到，要解决这个难题，必须建立机械作业参数、土壤物理特性与作物产量之间的量化关系。他们创新性地提出采用机器学习方法，通过两步建模策略来预测机械压实对大豆产量的影响，研究成果发表在《Information Processing in Agriculture》上。

研究团队采用了多种关键技术方法：首先设计田间压实试验，使用大、中、小三种型号拖拉机进行2-12次不同频次的压实处理，测量0-80cm深度土壤贯入阻力；接着运用多输出回归方法处理不同深度土壤阻力的耦合关系；然后采用XGBoost和ANN算法分别构建土壤阻力预测模型和产量变化预测模型；最后通过特征重要性分析确定关键影响因素。所有试验在哈尔滨市向阳农场（44°04′N, 125°42′E）进行，数据采集持续两年，确保了数据的可靠性和模型的泛化能力。

在土壤贯入阻力多输出回归模型方面，研究发现不同深度土壤阻力存在显著相关性，特别是30-80cm深度层的相关系数高达0.75-0.95。XGBoost算法在该环节表现最佳，其R²比MLR提高0.51，比ANN提高0.125，这得益于其处理非线性关系和列采样的优势。

在大豆产量变化模型方面，研究比较了直接使用实测土壤阻力和两步预测法的效果。结果表明，基于多输出回归预测值的XGBoost-ANN混合模型表现最优，测试集R²达到0.889，MAE为1.47，RMSE为1.964，相比直接使用实测数据建模的精度提升26.85%。这种提升主要源于多输出回归减少了土壤阻力数据的噪声干扰。

特征重要性分析揭示了关键规律：机械重量、作业次数和接地压力是影响土壤阻力的主要因素，其中机械重量对表层阻力影响最大，而接地压力对40-60cm深度阻力影响显著。更重要的是，0-40cm深度的土壤阻力变化对大豆产量影响最大（重要性得分是40-80cm的3.02倍），特别是20-30cm深度的阻力最为关键（重要性得分0.256）。

研究还通过第二年的压实试验数据验证了模型的稳健性，XGBoost-ANN模型在验证集中保持最佳性能（R²=0.874），证明了该方法的可靠性和实用性。

该研究的结论表明，基于XGBoost-ANN混合算法的两步预测模型能够准确预测机械压实对大豆产量的影响，为农业机械优化使用提供了科学依据。研究发现0-40cm深度土壤阻力是影响产量的关键因素，建议农业生产中采用轻型机械、减少不必要的压实作业、使用橡胶履带拖拉机降低接地压力，并及时对已压实土壤进行干预改良。

这项研究的重大意义在于首次建立了机械作业-土壤物理特性-作物产量的量化预测模型，为智能农业和精准农业提供了技术支撑。不仅有助于农民合理规划机械作业，减少土壤压实危害，还能为农业机械设计改进提供指导，最终促进农业可持续发展。未来研究可进一步拓展到其他作物和不同气候区域，并纳入土壤容重、含水量等更多土壤特性参数，以完善预测模型。