集成堆叠方法提升农田土壤有效氮空间预测精度：机制解析与农业环境应用

本研究创新性地采用集成学习（尤其是堆叠方法，Stacking）提升机器学习模型（MLMs）对关中平原根区土壤有效氮（AN，含NO3--N和NH4+-N）的空间预测性能，揭示了土壤属性（贡献度46%）和地形因子（51%）对氮形态分异调控机制，为农业精准施肥与面源污染治理提供关键技术支撑。

　　

Highlight

土壤有效氮（AN）是作物生长、粮食产量和可持续农业管理的关键因素。关中平原（GP）作为黄河流域重要产粮区，具有2000多年集约农业历史且存在硝酸盐过量负荷问题。为预测根区（0-100 cm）AN空间分布，研究通过钻孔采集124份土壤样本，结合实验室分析与预测模型开发（机器学习模型MLMs和集成模型EMs）。结果表明：硝酸盐（NO₃^--N）和铵态氮（NH₄⁺-N）含量随深度增加而降低，且表层0-40 cm含量显著更高。NH₄⁺-N含量较低且在各土层相对稳定。集成模型（EMs）优于机器学习模型（MLMs），其中堆叠方法（Stacking）表现最佳——对NO₃^--N预测的R²、RMSE和MAE分别提升10.48%、4.93%和6.99%；对NH₄⁺-N预测则提升6.75%、9.41%和8.94%。土壤变量是NO₃^--N预测最关键因子（相对重要性46%），其次为地形（22%）和气候（17%）；而NH₄⁺-N预测主要受地形变量主导（51%）。这些发现凸显了土壤与地形在氮动态调控中的差异化作用：土壤属性通过控制硝化与淋溶过程影响NO₃^--N，而地形通过调控水分再分布与滞留影响NH₄⁺-N。本研究为关中平原精准施肥与面源污染控制提供参考，并强调集成模型（尤其是堆叠方法）在提升农业生态系统AN预测精度方面的潜力。

The spatial characteristics of AN and its relationship with covariates

AN空间特征及其与协变量的关系

关中平原研究区0-100 cm土层中，NO₃^--N含量范围0.12–110.02 mg kg^?1（均值10.70 mg kg^?1），NH₄⁺-N含量范围0.25–29.72 mg kg^?1（均值2.88 mg kg^?1）。NO₃^--N与NH₄⁺-N含量在表层（0-10 cm）最高，并随深度增加而降低。NO₃^--N含量显著高于NH₄⁺-N，尤其在0-40 cm土层。相关性分析表明：NO₃^--N与土壤电导率（EC）、有机碳（SOC）、总氮（TN）呈极显著正相关（p < 0.01），与pH呈显著负相关；NH₄⁺-N则与高程、坡度等地形因子显著相关。这些关系揭示了土壤化学性质对硝态氮积累的主导作用，以及地形对铵态氮空间分异的强烈影响。

Conclusions

结论

本研究解析了关中平原根区AN空间特征并开发了集成预测模型。结果表明：NO₃^--N是AN的主要形态，其0-40 cm含量显著高于40-100 cm。四种机器学习模型（MLMs）中，GBDT对NO₃^--N预测表现最佳，而RF对NH₄⁺-N预测更优。集成模型（EMs）显著提升预测精度，其中堆叠方法（Stacking）性能最优。驱动因素分析显示：土壤变量（46%）主导NO₃^--N预测，地形变量（51%）主导NH₄⁺-N预测。该研究为区域尺度氮素精准管理提供了可靠方法学框架与实证依据。