基于分位数回归森林的中国山东多土层深度分辨数字土壤盐度制图研究

《Scientific Reports》：Mapping soil salinity and prediction uncertainty across different depths using quantile regression forests

　　

摘要

精确评估整个土体剖面中的土壤盐度是实现可持续农业管理所必需的，然而传统的基于地表观测的方法往往难以提供关于地下盐度状况的充分信息。本研究建立了一个具有深度分辨能力的数字土壤制图框架，用于预测中国东部山东省五个标准土层（0–25、25–50、50–75、75–100和100–125厘米）中的土壤电导率（EC）。研究共使用了617个土壤剖面样本，并利用等面积二次样条函数将连续剖面观测数据整合到标准土层中。以30米空间分辨率汇编了代表光谱盐度特征、植被状况、气候和地形属性的环境协变量。采用主成分分析降低预测变量之间的多重共线性，并运用分位数回归森林（QRF）模型估计EC及其90%预测区间。模型精度通过重复10折交叉验证进行评估。结果表明，预测性能随深度增加而明显下降：决定系数从0–25厘米土层的0.79降至100–125厘米土层的0.51，而均方根误差从0.142增加到0.295 dS m?1。地表EC预测主要受盐度敏感光谱指数的驱动，包括SSIB、CSI和SC，而这些变量的贡献在更深层中减弱。相反，地形湿润指数、谷深、相对坡位以及气候变量在50厘米以下的贡献逐渐增强，表明控制因素从地表附近以光谱主导转变为深层以水文地形和气候调节为主。研究区域东部和东南部普遍预测为较高EC值，而西部和中部过渡区域的不确定性更为显著。研究结果表明，将特定深度的环境信息与概率机器学习相结合，能够生成空间明确且具有不确定性认识的土壤盐度地图，有助于改善监测和因地制宜的土地管理。