《Engineering Applications of Artificial Intelligence》：Soil property prediction method incorporating spatial variability through local association analysis
编辑推荐：
•显式局部关联表征了土壤性质在多个空间尺度上的变异性。•深度回归同时学习中心响应与坐标及协变量。•该方法联合建模了宏观空间趋势与局部化变异。•不确定性校准与特征分析支持工程评估。引言在岩土工程中，土壤性质通常利用钻探、原位测试、室内试验和长期监测获得的数据进行表征。由于地质成因的
- •
显式局部关联表征了土壤性质在多个空间尺度上的变异性。
- •
深度回归同时学习中心响应与坐标及协变量。
- •
该方法联合建模了宏观空间趋势与局部化变异。
- •
不确定性校准与特征分析支持工程评估。
引言
在岩土工程中，土壤性质通常利用钻探、原位测试、室内试验和长期监测获得的数据进行表征。由于地质成因的复杂性、频繁的构造活动以及工程勘察条件的限制，工程地质体内土壤性质数据的空间分布通常表现出显著的空间异质性（Zhu等，2025）和复杂的变异性（Liu等，2025）。相应的空间结构反映了相邻采样点之间明显的局部波动与控制场地尺度整体分布的更宏观空间变化趋势的共存（Zhu等，2024）。这些以空间异质性为特征的地质空间模式构成了土壤性质数据描述、解释和分析的基本背景（H. Zhang等，2024）。在此背景下，有限且离散分布的测量数据不足以表征土壤性质的连续空间变化和局部结构差异。这一局限性给未采样位置处土壤性质的分析和预测引入了显著的不确定性（Z. Zhang等，2024）。因此，在复杂空间异质性条件下，联合捕捉宏观空间趋势和局部化变异仍然是实现土壤性质精确可靠预测的关键挑战。近期关于石灰岩多尺度孔隙损伤、煤层裂隙连通性、沉积演化和滨海湿地过程的研究进一步表明，地质和环境系统在多个尺度上表现出空间组织性（Wang等，2026；Zhang等，2026；Xu等，2026；Zhi等，2025）。
复杂空间异质性是制约土壤性质数据空间建模精度和可靠性的关键因素之一。空间预测方法以不同方式表征空间依赖性。克里金等地统计模型（Rakotonirina等，2024）通过协方差或变异函数结构表征空间依赖性，而反距离加权等确定性方法（Zhao等，2024a）则根据空间距离分配权重。在整个研究区域内，这些方法能够有效捕捉宏观空间趋势。然而，土壤性质除呈现较宏观的空间模式外，通常还表现出明显的局部化变异（Abbasnejadfard等，2023）。实测数据中这些局部化变异的表征取决于采样配置、空间尺度和地质背景，这些因素共同影响可识别的空间影响范围和局部变异模式。为表征这些模式，一些研究引入了分区建模、局部加权方案或考虑空间异质性的策略（Zhao等，2024b）。典型例子包括地理加权回归（Guo等，2023）和k近邻法（Miao等，2026）。这些方法提高了局部自适应性，但其邻域或加权结构可能无法在统一框架内显式表征多个空间影响范围。因此，数据驱动方法日益被用于建模土壤性质与包含空间坐标和多个协变量的高维输入之间的非线性关系（Yang等，2024；Ghorbanzadeh等，2026）。近期研究还将机器学习应用于空间网格上的岩土性质预测，并利用可解释人工智能估计多种土壤性质（Park和Yoon，2026；Jain等，2026）。代表性方法包括极端梯度提升（Wang等，2023）和DeepKriging等空间神经模型（Nag等，2025）。尽管该领域取得了显著进展，但仍存在若干局限性。一方面，传统方法通常采用全局或局部的单一建模视角，这限制了其表征土壤性质局部差异和邻域关联的能力，往往无法同时捕捉全局变化趋势和局部空间关联特征。这一缺陷可能导致在高度异质条件下对趋势的过度平滑或局部异常的遗漏。另一方面，虽然数据驱动方法具有较强的非线性建模能力，但它们往往充当黑箱模型。当仅依赖空间坐标或隐式学习的空间特征时，这类数据驱动方法可能无法提供空间变异性的显式表征，从而在复杂空间条件下可能损害可解释性和预测可靠性。因此，现有方法在统一非线性框架内同时表征宏观空间趋势和局部化变异方面仍面临困难。近期地学和遥感研究还采用了注意力引导的特征增强、多尺度特征分离、物理信息反演的深度学习以及遮挡空间观测的重建，表明人工智能在从异质数据中提取空间信息方面发挥着日益重要的作用（Wang等，2025；Wei等，2026；Yin等，2025；Liu等，2026a）。
为解决上述问题，本研究提出一种通过局部关联分析纳入空间变异性的土壤性质预测方法。该方法通过空间聚类提取代表性中心，并在多个空间影响范围内保留对各中心的响应。这些特征被显式输入深度回归模型，从而能够联合建模宏观空间趋势和局部化变异。利用有限且离散分布的土壤性质数据，该方法预测未采样位置的土壤性质并量化不确定性。其有效性通过随机场和两个欧洲土壤数据集进行评估。
章节片段
方法
本研究的核心原理是构建一种局部关联预测方法（LAPM），旨在考虑土壤性质的空间变异性，以实现未采样位置处土壤性质的可靠预测和不确定性量化。如图1所示，该框架以有限且离散分布的土壤性质实测数据为输入。通过显式表征，支持在复杂空间异质条件下的预测
模拟研究
生成了二十个独立随机场，以评估LAPM在空间变化协变量效应和异质空间结构条件下土壤性质预测的性能。
案例研究
采用两个具有不同空间采样模式和可用协变量的实测土壤数据集来评估所提方法。其地理位置如图12所示。
结论
- (1)
本研究提出了用于土壤性质预测的局部关联预测方法。通过聚类识别的空间中心用于构建多尺度局部关联特征，并通过深度回归与坐标和可用协变量集成。所提方法联合捕捉宏观空间趋势和局部化变异，以提高在有限且离散分布条件下的土壤性质预测和不确定性量化的精度与可靠性。
CRediT作者贡献声明
胡伟：写作——审阅与编辑，写作——原稿，软件，方法学，数据管理。 刘珍：写作——审阅与编辑，项目管理，方法学。 周翠英：项目管理，经费获取。 陶子宇：软件，数据管理。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：刘珍报告获得国家自然科学基金委员会的财务支持。如果有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
致谢
本研究得到国家自然科学基金委员会的资助（项目编号：42277131、42293354、42293351、42293355、42293350）。
胡伟|刘珍|周翠英|陶子宇
