半干旱地区土壤硫和微量营养素的空间变异性与不确定性：多指标方法研究

《Physics and Chemistry of the Earth, Parts A/B/C》：Spatial Variability and Uncertainty of Soil Sulfur and Micronutrients in a Semiarid Zone: A Multiproxy Approach

本研究采用多传感器数字土壤制图（DSM）框架结合分层回归森林（QRF）算法，预测并量化了半干旱地区土壤硫、铁、锰、锌和铜的空间分布及不确定性。结果表明85%土壤硫和43%锌严重缺乏，QRF模型在R2=0.24-0.49和RMSE=1.10-3.70范围内表现良好，并首次成功量化空间不确定性（PICP=89.0%-94.3%）。环境驱动因素分析显示地形因素主导铁和锰分布，而植被指数等人为因子影响锌和铜。该研究为缺水干旱区精准施肥提供技术支持。

　　

B. Bhakiyathu Saliha | S. Kaviya Sri | R. Sakthivel V | M. Manikandan | Sanjiv Kumar | M. Jegadeeswaran | G. Guru | A. Geethakarthi

印度泰米尔纳德邦Kovilpatti农业研究站

摘要

土壤中微量营养素的过量或缺乏会严重限制作物产量，尤其是在受强烈环境和人为因素影响的半干旱干旱地区，这些地区的空间变异性尤为明显。由于传统的大规模采样方法成本高昂且耗时，本研究旨在预测泰米尔纳德邦Thoothukudi地区476公顷半干旱区域内土壤养分（S、Fe、Mn、Zn和Cu）的空间分布及其不确定性。研究采用了基于分位数回归森林（QRF）算法的多传感器数字土壤制图（DSM）框架，整合了112个土壤样本和42个环境变量（地形、多光谱和雷达数据）。分析结果显示，S和Zn的缺乏现象普遍且严重（分别占85%和43%）。QRF模型有效处理了极端的空间异质性，解释能力适中（R2 = 0.24至0.49），预测误差也相对较低（RMSE = 1.10至3.70）。与传统模型不同，QRF成功量化了空间不确定性；预测区间覆盖概率（PICP）值介于89.0%至94.3%之间。尽管Cu的预测值略有高估（94.3%），但总体而言模型与90%的置信水平相当吻合，确保了估计结果的可靠性。此外，变量重要性分析揭示了不同的土壤形成驱动因素：物理地形变量决定了Fe和Mn的稳定分布，而生物和人为光谱指标（如NDVI、NDBI）则影响了Zn和Cu的变异性。总之，该研究表明，整合多传感器QRF模型为从通用施肥转向基于地点的养分管理（SSNM）提供了高度可扩展的模板，为数据稀缺的干旱地区实现可持续农业集约化提供了重要的决策支持工具。

引言

土壤肥力是决定发展中国家（如印度）农业产量的关键因素，农业是该国经济和就业的基础（Yaqoob等人，2023年）。预计全球人口将从2024年的82亿增长到2084年的103亿，而印度2023-2024年的人口约为14.4亿，因此可持续的土壤肥力管理对于保障未来粮食安全至关重要（经济部，2024年）。然而，由于密集的种植系统、不当的农药使用以及利益相关者对土壤养分动态和内在状况的认识不足，农业生产率正在下降，这对这一有限的自然资源构成了严重威胁（Singh，2024年）。

除了传统的农业压力外，土壤系统还受到更广泛的环境变化的影响。最新研究表明，环境动态是由气候变异性和人为压力之间的复杂相互作用所决定的（Banerjee等人，2025年）。在半干旱地区，降水和温度的波动通常与区域气候变化直接相关，进而影响土壤水分状况，进而影响必需养分的矿化、溶解度和迁移（Chatterjee等人，2024年；Dandeniya & Vidanagamage，2024年）。此外，空气污染与气候变异性之间的联系表明，气候变化加剧了人为污染物的迁移和大气沉降。这种耦合效应成为土壤化学变化的外部驱动因素，改变了微量营养素的可用性和循环，凸显了高分辨率环境监测对全球研究社区的重要性（Banerjee等人，2025年）。

监测这些动态对于像硫（S）和铁（Fe）、锰（Mn）、锌（Zn）和铜（Cu）这样的关键大量营养素和微量营养素至关重要，因为它们直接影响作物健康和产量（Mamatha等人，2024年）。全球范围内，硫（Zenda等人，2021年）和微量营养素（Shukla等人，2014年）的缺乏是农业生产力的主要限制因素。大约28.5%的印度土壤存在硫缺乏问题，5700万至6400万公顷（占种植面积的40-45%）受到硫缺乏的影响（Shukla等人，2021年）。由于高分析肥料的使用和集约化农业实践，锌（51.2%）、铁（19.2%）、锰（17.4%）和铜（11.4%）的缺乏现象仍然普遍（Shukla等人，2021年；Chakraborty等人，2021年；Gupta等人，2019年）。在泰米尔纳德邦，55.6%的土壤硫含量较低（< 10 mg kg?1）（Shukla等人，2021年）。由于土壤本身的异质性，养分分布受地形、母质、土壤有机碳（SOC）、pH值和局部土地利用历史等因素的显著影响（Tagore等人，2023年）。识别这些空间模式对于基于地点的养分管理（SSNM）至关重要，这有助于优化肥料效率、降低投入成本并促进可持续的农业集约化（Kaleeswari，2012年；Pratyusha等人，2023年）。

传统的土壤制图方法依赖于密集的野外调查和实验室分析，耗时且成本高昂，且在捕捉细尺度空间变异性方面能力有限，因此迫切需要更高效、准确和可扩展的方法，如数字土壤制图（DSM）（Heil等人，2022年）。DSM通过整合土壤数据与环境因素（如地形、植被、气候和遥感数据），利用先进的统计和机器学习模型生成高分辨率的连续土壤地图，能够在以前未采样的地点预测土壤特性（Kalambukattu等人，2024年；Dharumarajan等人，2019年），成为克服传统土壤制图局限性的变革性技术。这种方法对于精准农业特别有价值，有助于在作物选择、养分和灌溉管理方面做出明智的决策（Shamshiri等人，2024年）。此外，它还为全球研究社区提供了一个可扩展的框架，以追踪当地土壤健康对环境因素（包括水文变量和人为压力）的变化响应（Banerjee等人，2025年）。机器学习的发展进一步增强了DSM的能力，能够模拟土壤特征与环境变量之间的复杂非线性关系（Asare & Kumar，2023年）。其中，分位数回归森林（QRF）作为随机森林模型的扩展，具有显著优势。传统模型仅预测平均值，而QRF可以估计土壤参数的完整条件分布（如第10、50和90百分位数），从而提供可靠的空间不确定性量化（Baltensweiler等人，2021年）。这种对预测不确定性的明确量化对于精准农业中的风险意识决策至关重要。

在本研究中，多代理方法是指整合多种环境指标，包括来自数字高程模型（DEM）的地形属性、光学和雷达遥感的植被指数以及土壤物理化学性质，以解释和预测土壤硫和微量营养素的空间变异性。这一方法得到了最新研究结果的支持，这些研究表明植被动态不仅受气候变化的影响，还反映了土壤-水分-养分相互作用和区域人为影响的本质（Banerjee等人，2023年）。这种综合框架通过捕捉诸如地形控制的重分配、植被-土壤相互作用和人为影响等互补的土壤形成过程，提高了预测精度，而这些过程无法仅通过单一指标充分表示（Loba等人，2023年）。

尽管人们认识到土壤健康的重要性，但在印度南部半干旱地区，高分辨率的空间数据仍然有限，因为气候变异性和集约化土地利用导致了复杂的养分模式。现有研究很少将不确定性量化纳入微量营养素制图，限制了其在农场管理中的实用性。鉴于在不考虑养分空间变异性的情况下施用微量营养素往往会导致肥料使用效率低下和作物产量不可持续（Vasu等人，2021年），在土地利用集约化的半干旱地区，迫切需要高分辨率的空间数据。与整合多种物理和人为驱动因素的最新环境监测框架一致（Banerjee等人，2023年，2025年），本研究采用了一种强大的机器学习方法来模拟土壤养分的变异性。

本研究旨在使用多代理QRF方法预测土壤硫和微量营养素（Fe、Mn、Zn和Cu）的空间分布并量化其不确定性。研究重点关注泰米尔纳德邦Thoothukudi地区Karungulam和Alwarthirunagiri区块内的476公顷农业景观。这一高变异性的干旱系统为开发适用于类似数据稀缺半干旱地区的可转移空间建模框架提供了严格的测试平台。具体目标如下：

1. 评估整合42个环境变量（地形、植被指数和雷达数据）预测土壤养分变异性的有效性。
2. 使用分位数回归森林（QRF）算法模拟S、Fe、Mn、Zn和Cu的空间分布。
3. 通过计算预测区间（90% PICP）量化这些预测的空间不确定性。
4. 识别影响该半干旱地区养分异质性的主要环境驱动因素，以支持基于地点的养分管理（SSNM）。

材料与方法

本研究采用QRF方法估计了土壤养分（如S、Fe、Mn、Zn和Cu）的空间变性。该方法结合了土壤采样、实验室分析、环境变量和先进的机器学习技术，生成了具有不确定性估计的高分辨率土壤属性地图，促进了可持续精准农业的发展。

土壤性质的可变性和统计总结

根据描述性统计分析（表4），研究区域内硫和微量营养素的分布存在显著差异。可用硫浓度的空间变异性中等，范围在2.40至12.7 mg kg?1之间。偏度值为1.12，峰度值为2.97，表明低硫浓度的频率较高。可用Fe、Mn、Zn的平均浓度...

结论

本研究证明，由QRF算法驱动的集成多传感器DSM框架能够有效捕捉复杂半干旱地区土壤养分的高分辨率空间变异性和不确定性。一个关键结果是发现了硫（85%）和锌（43%）的严重且普遍的缺乏现象，这是由土壤形成限制、短暂的水文条件和人为压力共同作用的结果。

CRediT作者贡献声明

Sanjiv Kumar V：撰写 – 审稿与编辑、方法论。 Jegadeeswaran M：撰写 – 审稿与编辑、可视化、验证。 Sakthivel R：可视化、验证、软件、资源、方法论。 Manikandan M：撰写 – 审稿与编辑、资源。 Guru G：撰写 – 审稿与编辑、方法论。 Geethakarthi A：撰写 – 审稿与编辑、验证、方法论。 S KaviyaSri：撰写 – 审稿与编辑、原始草稿撰写、可视化、验证、监督、方法论。

未引用参考文献

Harrell Jr和Dupont，2020；Sanad等人，2024a。

数据可用性声明

如需获取支持本研究结果的数据或进一步的数据处理方法详细信息，请联系相应作者。

利益声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

资助声明

本研究未接受来自公共、商业或非营利部门的任何特定资助。

致谢

作者感谢泰米尔纳德农业大学以及Killikulam农业学院和农业化学系的土壤科学与农业化学系提供的必要资源和设施，以支持这项研究。