基于最小数据集与随机森林模型的黄土高原中部集约农业胁迫下土壤退化空间评估及不确定性制图

《Frontiers in Environmental Science》：Spatial assessment of soil degradation under intensive agricultural pressure in the central loess plateau

　　

土壤退化（Soil Degradation, SD）威胁着黄土高原中部半干旱农业系统的可持续性，该地区集约化耕作和反复的土地利用周期加速了土壤恶化。本研究通过整合土壤质量指标（Soil Quality Indicators, SQIs）、环境数据、遥感影像和随机森林（Random Forest, RF）建模，开发了一个空间显式且具有不确定性感知的SD评估与制图框架。研究人员共采集并分析了350份表层土壤样品。采用主成分分析（Principal Component Analysis, PCA）和最小数据集（Minimum Data Set, MDS）方法识别具有代表性的土壤质量指标。最终MDS包含黏粒（clay）、土壤容重（soil bulk density）、pH、土壤有机碳（soil organic carbon, SOC）、碳酸钙当量（calcium carbonate equivalent, CCE）、阳离子交换量（cation exchange capacity, CEC）、钾（potassium, K）和钠吸附比（sodium adsorption ratio, SAR）。其中，pH、SAR、CEC、SOC、K和clay权重最大，凸显了土壤化学条件、钠化度、养分保持能力、有机质和质地等因素在土壤质量评估中的重要性。研究人员通过将农业土壤的SQI值与自然生态系统参考值进行比较，对土壤退化进行了量化。随后，研究人员将环境预测因子纳入RF模型，以估算SD的空间分布并评估预测因子的重要性。该模型表现出良好的预测性能，训练集R2值为0.83，验证集R2值为0.76，RMSE值介于0.031至0.034之间。严重退化主要集中在研究区中部和西南部，反映了集约耕作、养分耗竭和SOC损失累积效应的综合影响。预测区间分析识别出了不确定性较大且需优先补充采样的区域。所提出的框架为空间靶向的土壤保育、可持续农业管理和长期生态系统韧性提供了实用基础。未来研究应纳入生物指标和时间监测，以改善气候变化和土地利用变化情境下的SD预测。

论文解读：黄土高原中部集约农业胁迫下的土壤退化空间评估与不确定性制图

一、研究背景与科学问题

土壤退化（Soil Degradation, SD）已成为全球农田和半干旱农业生态系统中最普遍的威胁之一。在黄土高原中部，深厚的第四纪黄土沉积、固有的弱团聚体稳定性和高可蚀性使得该区域对土壤退化极为敏感。季风驱动的降水、陡峭的地形不连续性和长期农业集约化共同塑造了土壤转化路径。尽管已有大量研究关注该区域的侵蚀和土壤流失，但关于土壤理化属性（如pH、钠吸附比（Sodium Adsorption Ratio, SAR）、阳离子交换量（Cation Exchange Capacity, CEC）、有机碳含量和养分动态）如何与环境梯度交互作用并影响SD进程的认识仍然有限。传统基于田间的评估方法难以捕捉SD的空间异质性模式，亟需整合土壤质量指标、环境协变量和先进建模技术的综合框架。随机森林（Random Forest, RF）模型凭借其集成架构、处理非线性和多重共线性关系的能力、抗噪声性和强泛化能力，成为SD预测的有力工具。然而，现有研究在SD预测的空间不确定性方面仍存在重大空白，决策者可能因缺乏明确的不确定性制图而误读模型输出。因此，开展高分辨率、不确定性感知的SD评估，将土壤质量指标与环境预测因子及机器学习方法相结合，对于制定区域针对性的土壤保育策略至关重要。

二、研究目标与意义

本研究旨在为黄土高原中部开发一个综合的SD评估框架，具体目标包括：（1）通过最小数据集（Minimum Data Set, MDS）和主成分分析（Principal Component Analysis, PCA）识别最具影响力的土壤质量指标；（2）利用相关性分析量化SD与环境变量之间的关系；（3）通过优化后的RF方法对SD进行建模；（4）生成空间显式的SD分布图。该研究将田间获取的土壤质量指标（SQIs）与多源环境数据及稳健建模相结合，为理解退化动态提供了精细化认知，并支持制定区域针对性的土壤保育策略。

三、主要关键技术方法

研究人员在陕西省中部黄土高原约30,000 km²的研究区域内，系统采集了350份0–30 cm深度的农田表层土壤样品，采样设计考虑了作物类型、海拔、坡度、成土母质和土壤分类等关键因素，采用不规则网络设计以充分捕捉空间异质性。实验室分析采用标准化方法测定多种土壤物理和化学属性。土壤质量评估采用MDS方法，通过PCA对标准化数据集进行分析，保留特征值≥1.0且解释总方差超过5%的主成分，在高载荷变量中通过Pearson相关分析消除冗余（|r|≥0.70），最终确定包含clay、土壤容重（SBD）、pH、SOC、碳酸钙当量（CCE）、CEC、钾（K）和SAR的MDS。采用线性评分函数对属性进行标准化，并通过综合质量指数（Integrated Quality Index, IQI）量化整体土壤质量。SD通过比较农业土壤SQI值与10个草地和林缘自然参考样点SQI均值（SQI_ref）的差值计算。环境预测因子包括Landsat 8 OLI的合成土壤图像（SYS）波段、WorldClim V2气候数据、SRTM DEM衍生的地形属性、SoilGrids 2.0土壤协变量等，全部重采样至30 m制图网格。RF模型采用500棵回归树（ntree=500）和每次分裂3个随机预测因子（mtry=3），通过网格搜索和十折交叉验证优化超参数，按70:30比例划分训练集（245个样本）和验证集（105个样本）。不确定性通过500棵单树预测的5th和95th百分位区间宽度（W₉₀）和像素级标准差量化，并计算预测区间覆盖率（PICP）评估可靠性。

四、研究结果

4.1 数据分析结果

描述性统计显示，研究区土壤质地高度异质，砂粒含量5%–73%，粉粒10%–65%，黏粒7%–47%，存在8种质地类型。黏粒变异系数最高（CV=42.80%），可能与漫灌引起的细颗粒再分布有关。平均pH为7.88，CCE均值16.84%，土壤呈轻度至中度碱性。平均CEC为17.12 cmol kg^-1，属中等容量等级。SOC平均1.12%，处于中等水平。EC（0.57 dS m^-1）、SAR（2.75）和ESP（3.23%）表明土壤既非盐渍化也非钠质化。全氮（TN）极低（0.029%），磷（P）中等（14.25 mg kg^-1），钾（K）相对较高（415.30 mg kg^-1）。磷的变异系数最高（386.86%），TN最低（3.45%）。

4.2 MDS分析结果

MDS分析显示各土壤参数的权重差异显著：SAR（0.246）、pH（0.242）、CEC（0.155）、SOC（0.119）、K（0.098）和Clay（0.078）权重最大，凸显了土壤碱度、钠化度、有机碳储量、阳离子保持能力和细颗粒分布的主导作用；SBD（0.031）和CCE（0.030）贡献较低但功能互补。PCA分析表明前六个主成分解释了85.2%的总方差。PC1（30.1%）由CEC（0.94）、Na⁺（0.90）和Clay（0.76）主导；PC2（20.1%）由SOC（0.94）和孔隙度（0.92）主导；PC3（14.4%）由pH（0.98）、SAR（0.98）和ESP（0.98）主导；PC4–PC6分别对应SBD、K和CCE的次要结构、养分和缓冲变异。

4.3 环境与SD的相关性及RF建模结果

RF模型在训练集上R²=0.83，验证集R²=0.76，RMSE介于0.031–0.034之间，表现出良好的预测性能。严重退化主要集中在中部和西南部区域，反映了集约耕作、养分耗竭和SOC损失的累积效应。预测区间分析识别出不确定性较大的区域，为优先补充采样提供了依据。

五、讨论与结论

该研究通过整合MDS-PCA方法、多源环境数据和RF建模，成功构建了黄土高原中部空间显式的SD评估框架。研究证实了化学属性（pH、SAR）和有机质相关指标（SOC、CEC）在土壤质量评估中的主导作用，同时揭示了地形和气候因子对SD空间分布的重要影响。不确定性制图为模型输出的可靠性提供了量化评估，有助于识别需要优先采样和管理的区域。研究结论指出，所提出的框架为空间靶向的土壤保育、可持续农业管理和长期生态系统韧性提供了实用基础。未来研究应纳入生物指标和时间监测，以改善气候变化和土地利用变化情境下的SD预测能力。该研究为黄土高原乃至类似半干旱农业区的土壤退化评估提供了方法学参考，对区域土地管理和生态保护具有重要的实践意义。