加权土壤质量指数（SQIw）与混合机器学习–地统计模型在秘鲁西北部干旱农业生态系统盐碱土质量空间预测中的应用

《Journal of Plant Nutrition and Soil Science》：Hybrid Machine Learning–Geostatistical Modeling of Soil Quality in Saline–Sodic Soils Under Arid Agroecosystems of Northwestern Peru

　　

秘鲁北部芒果与香蕉生产系统的土壤肥力管理受显著空间异质性制约，该异质性由化学失衡驱动，尤以盐渍化、碱化与钠质化为甚。本研究构建了一个空间预测框架，用于评估皮乌拉（Piura）莫罗蓬省（Morropón）农业区的土壤质量，该框架将专门设计用于诊断盐渍化、钠质化与碱化相关约束的加权土壤质量指数（weighted soil-quality index, SQI_w）与混合机器学习–地统计建模相结合。土壤采样在依据坡度、质地与土壤颜色划分的均质单元内进行。在每个单元内，由0–30 cm层次的子样本混合而成，共获得1304个代表性观测值，涵盖芒果与香蕉田块。SQI_w的构建采用实验室测定的土壤理化性质，并结合环境协变量，包括在Google Earth Engine中从Sentinel-2影像提取的植被指数。通过数据变换、共线性筛选与主成分分析（principal component analysis, PCA）确定最小数据集（minimum data set, MDS）。各变量经标准化后，依据其对解释方差的贡献赋权，利用评分函数归一化，并线性集成以计算该指数，进而划分为五个质量等级。空间预测采用普通克里金（ordinary kriging, OK）、随机森林（random forest, RF）以及随机森林结合残差克里金（RF with residual kriging, RF + RK）的混合方法。在随机交叉验证中，OK表现最低（R² = 0.245；均方根误差（root mean square error, RMSE）= 0.155），RF提高了精度（R² = 0.315；RMSE = 0.147），RF + RK（R² = 0.309；RMSE = 0.148）取得了相当的改进。基于最具相关性预测变量的简化RF + RK模型取得了最佳数值表现（R² = 0.340；RMSE = 0.144），但与其他基于RF的模型无统计学差异。所得图件可为秘鲁北部芒果与香蕉生产系统的位点特异性肥力管理提供支持。

**研究背景与问题**

土壤是维持全球粮食生产的关键资源，对实现多项联合国可持续发展目标（Sustainable Development Goals, SDGs）至关重要。然而，全球农业生态系统日益受到集约化土地利用、表土侵蚀与土壤有机碳流失等退化过程的影响，导致土壤肥力逐步下降，在干旱与半干旱地区尤为突出。在各类退化过程中，土壤盐渍化与钠质化对农业生产力、环境健康与社会经济稳定性构成重大威胁。全球超过100个国家逾10亿公顷土地受过量盐分影响，限制植物生长并降低土地生产力。气候变化预计将加剧这一挑战，气候预估表明本世纪干旱生态系统将显著扩张，从而提高农业土壤盐分累积的敏感性。因此，理解控制土壤盐渍化与钠质化的空间格局及其驱动因素，对于设计有效且可持续的管理策略至关重要。

尽管对土壤退化与盐渍化作为农业生产力主要威胁的认识不断提高，传统土壤肥力评估方法在捕捉土壤性质空间变异方面仍存在局限。施肥常在全田块均匀施用，假定土壤条件均质，导致养分利用效率低下。土壤化学性质在多个尺度上表现出显著空间异质性，即使采用密集采样与实验室分析也难以刻画。此外，传统土壤评估方法（包括基于实验室的土壤质量指数）劳动密集且成本高昂，限制了大尺度监测的应用。传统盐分监测依赖特定地点与时间的测定，难以揭示土壤退化的宏观格局。尽管遥感与地理信息系统（geographic information system, GIS）已被证明在大范围土壤盐渍化制图中有效，但其与机器学习（machine learning, ML）及空间预测建模相结合用于综合土壤质量评估与位点特异性土壤管理的研究仍然有限。

土壤退化与功能能力丧失的证据日益增多，推动了综合土壤质量指数（soil-quality index, SQI）的发展，该指数旨在将物理、化学与生物属性综合为可解释的指标，反映土壤维持生产力、调节水文过程与保持环境质量的能力。近期研究表明，采用复合指标评估土壤健康对于提高投入利用效率与推进韧性农业系统具有核心作用。应用案例表明，基于SQI的分区能够识别关键土壤约束并支持差异化管理：例如，Barman等（2021）为印度钠质土壤开发了包含六项指标的SQI，表明SQI引导的分区可实现定制化施肥方案、改善养分平衡、减少投入并稳定生产。类似地，Arévalo-Hernández等（2024）在哥伦比亚水稻系统中将SQI与地统计方法结合，生成针对养分的分区推荐，从而提高养分利用效率与产量稳定性；Rabot等（2022）提出了多功能土壤质量指数以指导区域农艺规划。在秘鲁安第斯地区，Solórzano-Acosta等（2025）应用加权土壤质量指数结合多元分析，刻画了玛卡单作相关的土壤退化，进一步证明了综合土壤质量指标在识别不同农业环境土壤约束方面的适用性。这些及其他研究证实，将加权土壤质量指数（SQI_w）与空间建模相结合，可显著提高量化土壤限制并设计位点特异性干预措施的能力。然而，尽管取得了这些进展，由于土壤类型、气候与生态系统的多样性，校准和定义可全球通用的土壤参数仍具挑战性。此外，当前建模方法常存在局限，可能源于未能充分考虑影响土壤质量的重要因素，或过于复杂和特定而限制其普遍适用性。尽管土壤质量指标、阈值与模型参数需要本地重新校准以适应土壤类型、气候与种植制度的差异，本文提出的方法框架通过标准化的指标选择、指数构建与空间预测工作流程，设计为可跨农业生态系统适应。因此，需要一种整合预测精度、空间表征与方法灵活性的途径，以促进其在不同环境条件下的应用。

在异质性农业景观中，SQI_w应与空间预测技术相结合，以捕捉田块内变异并促进精准管理。回归克里金将基于协变量的建模与残差空间插值相结合，可改善土壤质量与养分供应的预测，近期在秘鲁农业生态系统中的应用证明了其在绘制SQI_w、养分约束与土壤改良需求方面的效用。ML方法如随机森林（RF）擅长建模非线性关系并能处理非正态分布数据，但不直接考虑空间自相关。相反，地统计方法适合建模空间依赖性，但在捕捉复杂非线性交互方面效果较差。混合方法如随机森林结合残差克里金（RF + RK）结合了两者的优势，通过处理未解释的空间变异提高预测精度。研究表明，RF + RK在预测土壤性质方面优于独立模型，包括RF、分类与回归树（classification and regression tree, CART）及多种ML算法。

农业是皮乌拉地区经济框架的重要组成部分，约占区域国内生产总值（gross domestic product, GDP）的9%至10%，占正规就业的27%至29%，凸显其在秘鲁北海岸的经济与社会意义。在该省内，莫罗蓬、苏亚纳与皮乌拉是水果种植的战略枢纽，芒果主要种植于圣洛伦索谷，大蕉集中于奇拉谷。芒果是该地区第三大作物，约占农业生产的7.1%。此外，皮乌拉地区承担全国约70%的芒果产量。2024/2025季芒果产量约415,000 t，出口约259,900 t。香蕉通常采用有机方法种植，约占区域农业价值的5.7%，使皮乌拉成为全国第二大生产区，估计份额为14.4%。这些作物共同支撑区域农业出口、促进农村生计，并对干旱农业生态系统的粮食安全至关重要。然而，土壤质量约束强烈制约其生产力。

皮乌拉干旱农业生态系统土壤性质的强烈空间异质性以及盐渍化与钠质化的频繁发生，加剧了上述要求。两种作物均有特定的土壤与营养需求，偏好深厚、排水良好且pH接近中性的土壤，以确保充足的养分有效性与稳定产量。两种作物均对盐分敏感：香蕉尤其不耐盐，饱和浸提液电导率（electrical conductivity, EC）的临界阈值通常低于1 dS m^?1，超过该值即观察到生长与产量的显著下降。芒果在土壤或灌溉水盐度升高时同样表现出生育与生产力下降。在此背景下，在土壤异质田块上常规均匀施肥常导致农艺与环境低效：过度施肥区易发生养分淋失与污染，而施肥不足区则限制产量潜力并加速土壤退化。因此，需要空间显式方法来改善养分管理与土壤改良策略。

据此，本研究旨在利用加权土壤质量指数（SQI_w）与混合ML–地统计方法，开发土壤质量空间预测模型，以识别芒果与香蕉生产系统中的土壤约束并划定管理分区。具体目标为：（1）构建能够诊断芒果与香蕉种植土壤主要土壤约束的SQI_w；（2）通过比较普通克里金（OK）、RF以及随机森林结合残差克里金（RF + RK）混合框架，对SQI_w的空间分布进行建模，以捕捉空间变异并划定土壤管理分区。

**主要关键技术方法**

研究在秘鲁皮乌拉省莫罗蓬省开展，于2024–2025农业季采集1304个0–30 cm复合土壤样本（n = 1304），样本来自芒果与香蕉田块，并分布于全省以代表优势土壤气候单元。土壤分析由国立农业创新研究所（National Institute of Agrarian Innovation, INIA）土壤、水与叶面实验室网络（LABSAF-INIA）完成。关键技术包括：（1）基于偏度变换、Pearson相关共线性筛选（|r| > 0.70）与主成分分析（PCA）构建最小数据集（MDS）；（2）依据主成分贡献赋权、采用评分函数归一化并线性集成计算SQI_w；（3）在Google Earth Engine中基于Sentinel-2影像计算归一化差异植被指数（normalized difference vegetation index, NDVI）作为环境协变量；（4）采用Kruskal–Wallis检验与Dunn事后检验进行非参数比较；（5）采用嵌套交叉验证框架，结合贝叶斯超参数优化（Optuna）、OK、RF与RF + RK进行空间预测，并以Friedman检验与Nemenyi事后检验比较模型性能。

**研究结果**

3.1 最小数据集选择的多变量统计分析

相关矩阵显示多种土壤理化性质间存在显著关联。有效阳离子交换量（effective cation exchange capacity, ECEC）与Ca（r = 0.96）及Mg（r = 0.79）呈强正相关，容重（bulk density, BD）与砂粒（r = 0.95）以及Ca与Mg（r = 0.70）亦呈强正相关。砂粒与粉粒百分比（r = ?0.86）以及BD与黏粒（r = ?0.83）呈强负相关。相反，饱和浸提液电导率（ECe）、有效K与交换性K未满足与NDVI关系的预设显著性标准（p ≥ 0.001），因此在指标筛选步骤中未被保留。尽管ECe被排除于MDS之外，盐渍化在整个数据集中广泛存在，第25百分位数为5.52 dS m^?1。因此，ECe主要表征研究区的总体盐 affected状况，而非为NDVI相关SQI_w所捕捉的相对土壤质量梯度提供足够的区分信息。为避免冗余并确保SQI_w构建中指标的独立性，保留六个与NDVI显著相关且非冗余的变量（pH、Na、有机质（organic matter, OM）、Ca、砂粒与黏粒）作为PCA的候选变量。PCA识别出两个特征值>1的主成分，共同解释总方差的61.09%。PC1解释41.69%的方差，与黏粒（0.84）、Ca（0.81）、砂粒（?0.80）与OM（0.55）呈强关联，反映土壤养分保持能力与胶体反应性的连续体。PC2（19.40%）由pH（0.74）与Na（0.51）的强正载荷定义，捕捉影响土壤物理行为的碱化与钠质化主导梯度。基于各成分中最高绝对载荷，选入MDS的变量为pH、Na、Ca与黏粒。这些变量在最小化指标冗余的同时捕捉了土壤变异的主要维度。

3.2 MDS变量对加权土壤质量指数的土壤影响

MDS变量的权重值（W_i）反映其对SQI_w的相对贡献。交换性钠（Na）与pH权重最高（W_i = 0.275与0.261），表明其在水果种植区土壤质量中的主导影响。相反，黏粒与Ca权重最低（0.243与0.222），表明尽管其对土壤化学肥力仍具相关性，但空间变异性较为有限。总体而言，这些格局凸显了钠质化与碱化的核心作用，其次是质地与交换性Ca在塑造控制土壤通气、水分保持与养分供应的土壤条件中的作用。SQI_w频率分布呈近似正态格局，取值范围为0.00至0.97，表明研究区土壤高度变异。依据既定分类阈值，SQI_w值分为五个土壤质量等级：极低（<0.30）、低（0.30–0.50）、中等（0.50–0.60）、高（0.60–0.70）与极高（>0.70）。低等级占观测值的最大比例（37.35%），其次为中等（19.93%）与极高（18.71%）。相反，高与极低等级分别仅占样本的13.96%与10.05%。该分布凸显了低土壤质量条件的普遍性。各土壤质量等级SQI_w变量的均值（±SD）揭示了与指数解释一致的梯度。极高质土壤表现出更均衡的质地条件，砂粒含量较高（42.76% ± 15.42%），粉粒与黏粒比例居中（分别为31.33% ± 14.08%与25.91% ± 7.34%）。相反，极低质土壤砂粒含量显著增加（66.15% ± 18.52%），粉粒（19.79% ± 12.78%）与黏粒（14.07% ± 10.59%）大幅减少，表明基质较粗且结构较弱。化学指标亦表现出明显的质量依赖性格局。极高与高等级土壤维持中等pH值（7.03 ± 0.61与7.35 ± 0.55）以及相对较高的交换性Ca（13.95 ± 6.54与12.84 ± 4.89 cmol kg^?1）与Mg（3.73 ± 1.48与3.78 ± 1.53 cmol kg^?1），反映更有利的化学环境。相反，极低质土壤pH较高（7.72 ± 0.54），Ca（8.93 ± 3.44 cmol kg^?1）与Mg（2.58 ± 0.92 cmol kg^?1）浓度最低，表明盐基状况下降。钠质化程度向较低SQI_w等级显著增加，交换性钠百分比（exchangeable sodium percentage, ESP）从极高质土壤的1.73% ± 1.33%升至极低质土壤的11.51% ± 7.03%。该格局与ESP同指数的强负相关（r = ?0.62）一致。交换性Na呈类似趋势，沿梯度从0.31 ± 0.27增至1.71 ± 1.42 cmol kg^?1。有机质从极高至极低质量呈适度下降（1.79% ± 0.61% vs. 1.35% ± 0.62%），与其正相关（r = 0.27）一致。BD从1.49 ± 0.04增至1.56 ± 0.06 g cm^?3，呈轻微但系统性增加，与其同SQI_w的负相关（r = ?0.37）一致，表明较低质量土壤逐渐压实或结构完整性降低。EC与K在各等级间未显示一致的单调趋势，与其低Pearson相关（分别为r = ?0.04与r = 0.11）相符。总体而言，SQI_w等级反映了质地、钠质化、盐基阳离子状况、pH与BD方面一致且可解释的变化，有效捕捉了数据集所代表的多维退化梯度。

3.3 SQI_w在不同盐碱土类型与气候类型间的非参数比较

SQI_w在盐碱土类型间表现出系统性差异，支持其作为识别化学与物理退化梯度的多变量指标的效用。中位数比较揭示了类别间多个统计学显著差异（校正p < 0.0001）。碱性盐碱土（中位数 = 0.34）、中性盐碱土（0.42）与碱性盐土（0.46）的SQI_w值显著低于酸性盐土（0.75）、中性盐土（0.61）与非盐 affected土壤（0.60）。这些格局表明并非所有盐渍化对SQI_w的影响方式相同：以碱性钠质化为主的土壤倾向于显著压低该指数，而某些微酸性及中性盐土则保持维持相对较高SQI_w的性质。SQI_w跨SENAMHI气候类型的非参数分析揭示了特定类别间的显著差异（校正p < 0.0001），从而证实该指数对研究区主导气候梯度的敏感性。具体而言，分类为D(i,p)A′（具有明显季节性降水的暖半干旱 regime）的气候SQI_w值（中位数 = 0.54）显著高于E(d)A′（具有持续年度水分亏缺的干旱至超干旱 regime；中位数 = 0.46）。其余气候两两比较未观察到统计学显著差异，部分归因于某些类别样本量有限。

3.4 ML与地统计模型对SQI_w的预测性能

嵌套交叉验证显示评估模型间预测性能存在差异。模型性能采用RMSE、平均绝对误差（mean absolute error, MAE）、R²、归一化均方根误差（normalized root mean square error, nRMSE）、相对误差（relative error, RelError）与Lin一致性相关系数（concordance correlation coefficient, CCC）评估，仅在留出的外层测试折上计算，并报告为均值 ± 标准差。非参数Friedman检验检测到算法间预测精度存在显著差异（α = 0.05），并采用Nemenyi事后检验进行两两比较。共享相同字母的模型属于统计学同质组。OK预测性能最低，RMSE = 0.1545 ± 0.0072，MAE = 0.1245 ± 0.0073，nRMSE = 29.809% ± 1.612%，RelError = 35.377% ± 4.638%，拟合优度指标较低（R² = 0.2453 ± 0.0484，CCC = 0.3729 ± 0.0486）。相反，RF模型通过降低绝对误差与RelError并提高解释与预测能力（R² = 0.3148 ± 0.0282，CCC = 0.4966 ± 0.0290）改善了预测精度。混合RF + RK模型取得了最佳性能，预测误差最低（RMSE = 0.1478 ± 0.0062；MAE = 0.1162 ± 0.0048；nRMSE = 28.492% ± 1.348%；RelError = 32.051% ± 3.867%；R² = 0.3098 ± 0.0330，CCC = 0.5036 ± 0.0301）。然而，根据Nemenyi检验，RF与RF + RK未显示统计学显著差异。嵌套交叉验证留出外层测试折上计算的置换重要性显示，空间坐标（Ycoord与Xcoord）对RF预测性能贡献最大。在环境协变量中，降水、高程与温度是最具影响的预测变量，而地形崎岖指数（Terrain Ruggedness Index, TRI）贡献相对较小。其余大多数预测变量的置换重要性值接近或低于零，表明对预测性能贡献很小或无一致贡献。该简化模型在交叉验证中表现良好（R² = 0.3544 ± 0.0444；RMSE = 0.1429 ± 0.0048；MAE = 0.1112 ± 0.0033；nRMSE = 27.55% ± 1.01%；RelError = 21.45% ± 0.75%；CCC = 0.6013 ± 0.0322）。基于此分析，采用Ycoord、Xcoord、降水、高程、温度与TRI拟合简化RF + RK模型。该简化模型在评估模型中取得最佳数值性能，RMSE = 0.1444 ± 0.0050，MAE = 0.1126 ± 0.0035，R² = 0.3398 ± 0.0571，nRMSE = 27.847% ± 1.026%，RelError = 31.137% ± 3.558%，CCC = 0.5386 ± 0.0411。然而，Nemenyi事后检验表明简化RF + RK模型与RF或完整RF + RK模型无统计学差异。总体而言，简化RF + RK模型以更简约的预测变量集提供了最佳数值性能，因此被选用于后续SQI_w空间预测。SQI_w的实验变异函数显示存在空间依赖性，半方差随距离增加而增大。OK模型的残差变异函数表现出降低的空间结构，表明地统计方法捕捉了部分空间变异。相反，RF模型的残差变异函数表现出更平坦的变异函数与较低半方差，表明环境协变量与空间坐标解释了SQI_w空间格局的相当部分。RF + RK模型的残差变异函数表现出与RF残差相似的行为，表明残差克里金的额外贡献有限。利用在完整数据集上重新拟合的简化RF + RK模型生成SQI_w空间预测图，揭示了研究区明显的空间变异。通过结合RF的预测变异与残差的克里金方差，还构建了不确定性图，从而识别预测不确定性最高的区域。莫罗蓬省农业区SQI_w空间分布显示明显的空间异质性。在省级尺度（93,886.17 ha），低与中等等级占主导，覆盖47,061.67 ha（50.12%），其中低等级24,223.94 ha（25.80%），中等级22,837.73 ha（24.32%）。高等级占43,758.86 ha（46.61%），极高等级覆盖2170.74 ha（2.31%）。极低类别为边缘性（894.90 ha；0.95%），主要集中于Chulucanas区。在区级尺度，Chulucanas农业面积最大（24,896.23 ha），并在所有等级中表现出内部变异。Chalaco（12,660.15 ha）与Yamango（12,748.11 ha）高等级比例较高，分别为11,954.53与9334.42 ha。同时，La Matanza（10,384.32 ha）低质量土壤量可观，为5593.18 ha。Santo Domingo（10,281.37 ha）以高等级强烈主导为特征，为10,133.21 ha。

**讨论部分总结**

讨论首先解释SQI_w及其与秘鲁北海岸干旱农业生态系统盐碱土评估的关系。SQI_w将多种理化属性整合为单一且高度敏感的指标，用于诊断莫罗蓬省盐碱土的肥力。SQI_w与ESP（r = ?0.62）、黏粒含量（r = 0.41）、BD（r = ?0.37）与pH（r = ?0.35）呈显著相关。然而，各土壤质量等级的ECe均值均较高（10.77 ± 11.18至16.10 ± 44.60 dS m^?1）。该结果表明盐渍化是广泛存在的背景条件，而相对土壤质量梯度更多由钠质化区分。该解释得到SQI_w与ESP（r = ?0.62）及交换性Na（r = ?0.53）的强关系支持，而与ECe的关系可忽略（r = ?0.04）。此外，在盐碱土中，高电解质浓度可能通过促进絮凝部分抑制Na诱导的黏粒分散，从而减弱钠质化的某些不利物理效应。因此，ECe单独无法重现NDVI相关SQI_w所捕捉的土壤质量梯度，而钠质化与土壤质量下降表现出更一致的关系。这些观察与Chaudhry等（2024）报告综合土壤质量指数优于单变量方法以及Abdu等（2023）强调土壤质量在可持续施肥管理中的核心作用相一致。中等至极低质量土壤表现出更大的钠质化（ESP介于5.96% ± 4.87%与11.51% ± 7.03%之间），同时BD从1.49 ± 0.04增至1.56 ± 0.06 g cm^?3。约26.64%的农业总面积受土壤物理肥力丧失影响（R² = 0.3398；RMSE = 0.1444）。La Matanza与Chulucanas区低与极低土壤质量土地占比最大（分别为54.33%与49.97%）。值得注意的是，极低质量等级（894.90 ha）还表现出碱化问题（pH = 7.72 ± 0.54）以及低K（116.50 ± 211.8 mg kg^?1）与Ca（8.93 ± 3.44 cmol kg^?1）含量。比较分析进一步证实SQI_w在区分莫罗蓬干旱土壤不同退化模式方面具有高度敏感性。较低质量土壤被分类为钠质土（中性钠质）、盐碱土（中性盐碱）与碱性盐碱土，表现出质量的渐进下降（中位数SQI_w值介于0.45与0.34之间）。这些结果与气候对土壤质量的影响一致：以全年水分亏缺为特征的超干旱条件SQI_w（中位数 = 0.46）显著低于受偶发降雨影响的半干旱环境（校正p < 0.0001）。这些发现强化了气候 regime 与控制干旱与半干旱环境土壤质量的成土过程之间的机制联系。在具有季节性水分脉冲的半干旱气候中，入渗与径流事件促进活跃的传输过程，包括盐分再分配与交换性钠淋洗，可改善钠质化并维持较高的SQI_w值。相反，在极端干旱下，有效水分的近乎缺失限制了迁移与淋洗，有利于有害盐分的持续与表层累积，从而导致较低的SQI_w得分。与这些机制一致，近期研究表明盐渍化与钠质化动态受降水季节性变异的强烈调节，对ECe与ESP的空间分布具有直接影响。总体而言，证据支持使用综合土壤质量指数作为稳健且敏感的工具，以综合多种理化属性并区分与盐碱土管理与修复相关的土壤气候条件。

其次讨论土壤质量空间格局及其对芒果与香蕉系统的农艺意义。这些土壤约束对芒果与香蕉的产量与营养状况产生直接且协同的影响，二者合计占莫罗蓬省所分析土壤上种植作物的64.5%。因此，钠质化、盐渍化与碱化升高是干旱与半干旱条件下两种水果系统生产力的主要限制因素。过量交换性Na⁺诱导土壤细颗粒分散、团聚体失稳、大孔隙度降低与BD增加，进而导致入渗与有效根深下降。此类物理改变限制了植物有效土壤体积的探索，从而限制树木作物对水分与养分的吸收。相反，改善土壤物理与水文性质的管理措施可能有助于缓解干旱农业环境中的水分限制。例如，Condori-Ataupillco等（2025）证明生物炭改良提高了秘鲁安第斯地区水分胁迫条件下的土壤持水能力并改善了作物表现。从生理角度看，高浓度钠盐产生渗透胁迫、离子毒害（Na⁺与Cl^?）与离子失衡。特别是K⁺/Na⁺比降低与Ca²⁺的竞争性置换削弱了K、Ca及其他必需养分的吸收，导致黄化、营养生长下降以及产量与商业果实品质损失。在芒果中，土壤钠质化与碱化与生理性能及作物产量的渐进恶化相关。ESP与pH升高降低了整个剖面的土壤导水率与结构稳定性，制约根系建立与径向扩展，进而限制必需水分与养分如Ca²⁺、Mg²⁺、K⁺、Fe与Zn的提取。钠诱导的阳离子置换及由此导致的组织K⁺/Na⁺比下降损害离子转运蛋白的选择性，加剧渗透胁迫，降低气孔导度与光合速率，并破坏光合同化物向生殖器官的分配与转运。同时，Ca²⁺的功能丧失削弱膜与细胞壁完整性，增加膜透性，加速衰老，并提高对采后病害的易感性。这些生理途径解释了在钠质与碱性土壤上建立的芒果园开花诱导减少、坐果下降与保果较差，并最终解释了观察到的生产力下降。对于依赖浅表不定根系统的香蕉，钠质化相关的压实与BD增加效应尤为有害。根系探索受限减少了相对不移动养分（尤其是K⁺与H₂PO₄^?）的吸收，表现为活力降低与果串重量及品质下降。在碱性–钠质土壤（pH = 8.83；Na⁺ = 13.21 cmol kg^?1）中，已有报道生长组织中Na浓度升高以及假茎中Na⁺/K⁺比极高（>3.80），限制了果实中K的积累并损害商业品质。鉴于香蕉对K的高需求（养分移除量可达480 kg ha^?1），这一点尤为关键。与这些生理与农艺机制一致，本研究结果表明，分类为高与极高土壤质量的区域对香蕉与芒果表现出更大的肥力潜力，其特征为较高的有效K（140.39 ± 127.13至161.03 ± 118.26 mg kg^?1）与较低的交换性Na⁺（0.31 ± 0.27至0.61 ± 0.61 cmol kg^?1）。此类土壤条件促进维持K⁺/Na⁺离子稳态以及根与果之间更有效的源–库关系，支持提高生产力与果实品质。

再次讨论模型性能及其对空间土壤质量评估的意义。嵌套交叉验证框架下获得的结果显示评估模型间预测性能存在差异。OK总体预测性能最低，而RF显著改善了SQI_w的预测。完整RF + RK模型表现出与RF相当的性能，评估指标仅有边际变化。相反，简化RF + RK模型取得最佳数值性能，RMSE、MAE、nRMSE与RelError最低，R²与CCC最高。然而，根据Nemenyi事后检验，其性能与RF及完整RF + RK模型无统计学差异。这些结果表明减少预测变量集提供了更简约的模型，同时保持并在数值上改善了预测性能。本研究中获得的R²值属中等水平。该结果可由所建模变量的性质与分析的空间尺度解释。根据Patriche等（2023）的发现，预测性能在很大程度上取决于所研究的土壤性质。氮（N）与钾（K）往往与遥感数据相关性较高，而磷（P）是最难预测的性质之一，在大空间尺度上常导致低R²值。在本研究中，响应变量对应于由多种理化性质衍生的复合土壤质量指数，并在省级尺度上评估，这可能解释所观察到的中等R²值。置换重要性分析表明，空间坐标（X、Y）以及降水、高程、温度与TRI是最具影响的预测变量，表明SQI_w具有强空间结构。该空间结构与先前秘鲁农业土壤的证据一致，其中土壤、地球化学与地貌因素（包括母质、土壤分类与交换性阳离子关系）解释了土壤组分的显著空间变异。尽管先前研究表明光谱指数如SRI、GNDWI或NDWI结合RF可优于单波段方法，但其在本研究中的贡献有限。这可能与年际变异以及来自不同来源与时间段的数据集的整合有关，增加了预测变量的离散度与响应的变异性，从而为建模引入额外不确定性。RF + RK模型的优越性能与表明整合ML与地统计益处的相关研究一致。Takoutsing与Heuvelink（2022）表明RK在绘制土壤pH、黏粒与有机碳方面优于RF，实现了更低的RMSE与更好的外推能力。然而，也存在相互矛盾的结果。Pouladi等（2019）观察到OK在某些情境下可优于混合模型，而Suleymanov等（2023）证明RF与RK的相对性能取决于所建模的特定土壤性质或元素。此外，比较研究表明RF在ML算法中往往在预测能力方面表现良好。然而，克里金在样本密度方面存在局限，且对由高程、气候或植被梯度驱动的局部变异建模能力降低。在此背景下，适当选择辅助变量可改善RF + RK的性能，尤其是当目标变量与预测变量之间存在强相关时。总体而言，本研究所用检验表明RF、RF + RK或OK的相对性能可能取决于所考虑的土壤性质、空间依赖性与辅助变量质量，这解释了本研究中混合方法所观察到的中等改进。

最后讨论局限性与未来展望。本研究存在若干局限，在解释结果时应予以考虑。首先，由于进入该省某些农业区的复杂性，无法以土壤采样均匀覆盖整个种植区。这导致某些区域采样密度较低，可能增加了这些区域的局部不确定性与估计变异性。因此，在空间外推方案中应考虑这一点。其次，SQI_w作为由多种理化性质衍生的复合指数，将不同的土壤与管理过程整合为单一指标，可能简化各单一性质的具体动态。此外，本研究代表基于2024–2025农业季单次采样活动的空间评估。土壤盐分的季节性波动可能因降雨、灌溉实践与蒸散变化而发生。因此，所得图件应解释为采样期主导条件的代表，而非永久性土壤条件。未来纳入重复季节性采样的研究将有助于评估时间动态并进一步改善长期监测与模型稳健性。另一方面，尽管纳入了地形、气候与光谱协变量，高比例的结构性方差表明SQI_w的部分变异可能源于未完全反映在纳入变量中的景观尺度过程。未来研究可通过纳入与盐分动态（如EC与ESP）、土壤水分、灌溉条件与农业管理实践直接相关的额外协变量来改善预测性能，这些变量可能更好地代表短期环境变异与人为影响对土壤质量的作用。最后，尽管混合方法在省级尺度被证明可行，其在其他地区的应用将需要本地重新校准与更高采样密度以确保模型可迁移性与预测稳健性。

**结论翻译**

本研究开发了一个空间预测模型，基于综合土壤质量指数（SQI_w）估算秘鲁北部芒果与香蕉系统中大量养分的潜在供应与农业石膏需求。SQI_w的开发使不同理化属性得以归组为一个敏感指标，用于诊断盐 affected环境中土壤质量约束，特别是与钠质化与碱化相关的约束。SQI_w与交换性钠百分比或pH等变量之间观察到的关联表明其作为评估盐 affected环境肥力的诊断工具的效用。OK、RF、RF + RK与简化RF + RK之间的比较表明，基于ML的方法取得了优于OK的数值预测性能。尽管混合模型的改进属中等水平，结果表明ML与地统计的整合是数字土壤制图的稳健方法。就农艺目的而言，所生成的图件可划定具有不同生产潜力的区域并指导具体管理决策，包括差异化施用肥料与农业石膏以缓解钠质化并改善养分有效性。总体而言，所提出的方法学是支持秘鲁北海岸农业生态系统可持续肥力管理的重要技术工具。