基于可解释机器学习与因果推断的豆科轮作土壤健康评估新框架：理论创新与生态应用

本刊推荐：本研究创新性地将可解释机器学习（SHAP）与因果推断（CI）及网络分析（NA）相结合，构建了CI-SHAP-NA土壤健康评估框架。该框架通过双机器学习量化施肥与土壤属性的因果贡献，筛选出土壤有机碳（SOC）、有效铁（AFe）和纤维二糖水解酶（CBH）三大核心指标，显著提升了对豆科轮作系统土壤健康梯度（SHI范围0.01-0.92）的判别力（R2=0.80）和产量预测效度（r=0.21, p<0.001），为可持续农业管理提供突破性工具。

　　

Highlight

Methodological innovations of the CI-SHAP-NA framework

随机森林与线性混合效应模型结果表明，土壤健康、施肥和气候因素以层级式和交互式作用共同调控土壤生产力。与先前研究强调气候因素为耕作系统主导因子不同，本研究凸显管理措施（尤其是施肥）的核心决定作用，而土壤健康则扮演关键协同调控者。尽管氮肥成为产量最主要预测因子，土壤属性通过增强施肥效率展现出显著协同效应。这一发现为基于"输入-输出"经济理论的土壤健康假说提供了坚实证据：健康土壤能以更低投入实现更高产出。

双机器学习（DML）模型成功量化了土壤属性对产量的因果贡献，克服了传统相关性分析中混淆因子带来的偏差。SHAP值分析进一步揭示土壤属性与施肥水平间存在显著交互作用，证实土壤健康通过调节肥料利用效率间接影响生产力。基于SHAP交互网络构建的拓扑结构，实现了从复杂土壤-管理互作中精准提取最小数据集（MDS）指标。

与传统方法（PCA、NA）相比，CI-SHAP-NA框架展现出三大核心优势：1）通过因果推断剥离管理混淆效应，识别出真正反映土壤内在健康的指标；2）利用机器学习捕捉非线性关系，发现传统方法忽略的关键指标（如有效铁）；3）网络分析将统计显著性转化为生态功能相关性，赋予指标选择明确生物学意义。

Conclusions

本研究建立了新型因果推断-可解释机器学习-网络分析（CI-SHAP-NA）框架用于豆科轮作农田土壤健康评估。通过构建以土壤指标为混杂因子、施肥为处理变量的产量预测模型，我们通过SHAP值量化土壤属性贡献并将这些互作转化为功能网络。该方法筛选出包含三个核心指标（有效铁、土壤有机碳和纤维二糖水解酶）的最小数据集（MDS），其衍生的土壤健康指数（SHI）在判别力、预测效度和跨系统迁移性方面均优于传统方法。该框架成功解析了不同管理模式下曾被掩盖的土壤健康梯度，证明水田-豆科轮作系统持续优于旱地系统。本研究为土壤健康评估提供了兼具理论创新性和实践应用价值的突破性工具，对可持续农业管理具有重要指导意义。