基于机器学习与SHAP解释的土壤化学组成质量分类研究

《Environmental Challenges》：Soil Quality Classification from Chemical Composition Using Machine Learning Methods with SHAP-Based Explanation

本研究针对土壤质量评估复杂性问题，通过机器学习方法构建了基于主要农化指标（pH、Corg、NH4+、NO3-、P2O5、Ca2+、K+）的土壤质量三分类模型。研究发现MLP神经网络在独立测试集上表现最优（G-Mean达0.894-0.915），SHAP分析揭示有效磷、酸度和有机碳为关键影响因子。该研究为精准农业提供了可解释的土壤质量评估新范式。

　　

土壤是农业生产的基石，其质量直接关系到作物产量和生态环境安全。然而，土壤质量是一个复杂的功能性概念，无法通过单一指标直接测量。传统的土壤质量评估方法往往依赖经验判断或简单的统计模型，难以全面反映多种农化指标的综合影响。特别是在乌克兰这样的农业大国，拥有全球三分之一的黑钙土资源，如何科学评估和预测土壤质量，对保障粮食安全和农业可持续发展至关重要。

以往的研究多聚焦于单一土壤参数预测，缺乏对多种关键指标协同作用的综合分析，更鲜有研究将先进的机器学习技术与模型可解释性方法相结合，导致预测结果缺乏农学意义上的透明度和指导价值。正是为了突破这些局限，研究人员在《Environmental Challenges》上发表了这项创新性研究。

本研究主要采用了以下关键技术方法：首先在乌克兰赫梅利尼茨基州两个社区采集了960份土壤样本（768份用于训练验证，192份用于独立测试），测定了交换性酸度、有机碳、铵态氮、硝态氮、有效磷、交换性钙和钾等7项关键农化指标。接着应用10种机器学习算法（包括高斯朴素贝叶斯、逻辑回归、随机森林、XGBoost、支持向量机和MLP神经网络等）建立土壤质量三分类模型，并通过准确率、召回率、F1分数和G-Mean等指标评估性能。最后采用SHAP（SHapley Additive exPlanations）可解释性框架对最优模型进行全局和局部解释，量化各输入特征对预测结果的贡献度。

3.1. 机器学习结果

通过系统比较10种机器学习算法，发现随机森林、XGBoost和MLP神经网络在测试集上表现最为突出，均实现了完美分类。其中MLP神经网络采用三层隐藏层结构（32-64-32神经元），配合Dropout正则化和Adam优化器，在训练过程中表现出稳定的收敛特性。值得注意的是，当这些"冠军模型"面对来自不同地区的独立测试集时，MLP神经网络展现出最强的泛化能力，在三个质量类别上都保持了最佳平衡性。

3.2. 最优模型的附加测试

在192个新样本的独立验证中，MLP模型取得了最均衡的性能表现：对类别1的精确度达0.9682，F1分数0.8840；类别2的召回率高达0.9587，F1分数0.9207；类别3也保持了0.9029的G-Mean值。ROC曲线分析显示，模型对三个类别的AUC值分别为0.9704、0.9373和0.8799，证实了其良好的分类判别能力。

3.2.3. MLP模型的SHAP分析

通过SHAP可解释性分析揭示了模型决策的农学基础：全局重要性分析表明，有效磷(P₂O₅)、土壤酸度(pH)和有机碳(C_org)是影响分类的最关键因素，其平均绝对SHAP值显著高于其他指标。类别特异性分析发现，不同质量等级的土壤受到不同主导因子的控制：低质量土壤主要受磷含量和有机质的负向影响；中等质量土壤中钙离子和氮素形态发挥重要作用；高质量土壤则主要受pH值和钙含量的正向驱动。

对162号样本的局部解释演示了模型决策的具体过程：该样本最终被划分为类别2（中等质量），其中pH值(-0.2749)是最大的负向贡献因子，而钙离子(+0.1686)和铵态氮(+0.1598)则提供了主要正向贡献，这种解释与农学常识高度吻合。

本研究成功开发了一套基于机器学习与可解释人工智能的土壤质量评估框架。通过综合多种农化指标，MLP神经网络模型能够准确地将土壤质量划分为三个等级，且在独立测试中表现出优异的泛化能力。SHAP分析不仅提高了模型透明度，更重要的是揭示了不同质量等级土壤的关键限制因子，为针对性土壤改良提供了科学依据。

该研究的创新之处在于将先进的机器学习技术与农学专业知识有机结合，既解决了土壤质量复杂系统的建模难题，又通过可解释性分析赋予了预测结果明确的农学意义。这种方法不仅适用于乌克兰地区的黑钙土，也为全球其他农业生态区的土壤质量评估提供了可借鉴的技术路线，对推动精准农业发展和可持续土地管理具有重要实践价值。