利用机器学习技术指导原始生物炭施用实现土壤磷有效性的精准调控

《Biochar》：Achieving precise regulation of soil phosphorus availability by guiding the application of pristine biochars with machine learning techniques

　　

生物炭在调控土壤磷（P）有效性方面发挥着关键作用，但其效果受生物炭理化性质及土壤特性等多重因素影响。不当的生物炭施用可能降低植物可利用磷水平，或意外增加磷淋失的环境风险。通过分析生物炭理化性质与土壤条件之间的相互作用，可预测并量化生物炭调控土壤磷有效性的效率。本研究采用随机森林（Random Forest, RF）、支持向量回归（Support Vector Regression, SVR）和人工神经网络（Artificial Neural Networks, ANN）三种机器学习模型，基于包含19个输入特征的534组样本数据集，预测生物炭对土壤磷有效性的调控效率（活化或钝化）。模型优化与评估结果显示，随机森林模型预测精度最高（决定系数R2= 0.9107），优于其余两种模型。特征重要性分析揭示的机制表明，生物炭热解温度是影响土壤磷有效性的主导因素：中等热解温度有利于形成孔隙度与表面反应性均衡的生物炭，而高温制备的生物炭倾向于钝化土壤磷有效性。此外，生物炭施用量、土壤pH值及土壤全磷含量也是影响生物炭施用后土壤有效磷变化的关键因素。通过数据驱动框架，本研究表明，原始生物炭在磷调控性能上可达到甚至超过改性生物炭，并具有更优的经济与环境效益。研究结果融合环境科学、土壤化学与数据分析方法，为精准农业提供重要指导，促进全球范围内通过提高肥料利用率、降低环境成本来实现可持续农业实践。

本研究发表于《Biochar》，围绕生物炭调控土壤磷有效性的机制与应用展开深入探讨。磷是植物生长必需营养元素，但农田磷肥利用率仅为15%至20%，大部分磷在土壤中固定或流失，导致水体富营养化风险上升。传统统计方法难以解析生物炭—土壤—磷之间的非线性关系，且改性生物炭成本高、工艺复杂，限制了大规模应用。为此，研究人员收集了2014年至2024年间发表的32篇文献中的534组数据，涵盖生物炭理化性质、土壤特性及实验条件，构建了机器学习预测模型，以揭示影响土壤磷有效性变化的关键因子，并提出优化施用策略。

在技术方法上，研究人员首先基于方差膨胀因子（Variance Inflation Factor, VIF）剔除共线性特征，对分类变量编码并对缺失数据进行均值填补，随后对特征进行归一化处理。研究选用随机森林、支持向量回归和人工神经网络三种算法，利用网格搜索与五折交叉验证优化超参数，并通过决定系数（R²）和均方根误差（Root Mean Square Error, RMSE）评估模型性能。同时，结合皮尔逊相关系数（Pearson Correlation Coefficient, PCC）、特征重要性分析及SHAP（SHapley Additive exPlanations）方法解析关键因子对磷有效性变化的贡献。

研究结果分为多个部分：

特征统计与皮尔逊相关矩阵分析 显示，生物炭热解温度与磷有效性呈弱负相关（r = ?0.18），高温生物炭因孔隙度高、比表面积大，增强了磷吸附能力，从而降低土壤有效磷水平；土壤pH在4.29至10之间变化显著，中性至微碱性条件下生物炭对磷有效性的提升作用更强；土壤全磷含量与磷有效性变化呈正相关（r = 0.22）。

机器学习模型性能优化与比较 表明，随机森林模型的预测精度最高（测试集R²= 0.9107，RMSE = 0.5910），优于SVR和ANN，其鲁棒性适合小样本和高维数据。

输入特征重要性分析 指出，实验条件占总影响的44.1%，其中热解温度（17.69%）和施用量（16.62%）最为关键；土壤特性占33.0%，土壤pH（13.17%）和全磷含量（9.47%）为主要因子；生物炭自身磷含量的重要性较低，表明磷有效性提升主要来自土壤原有磷的活化而非生物炭直接释放。SHAP分析进一步验证了热解温度、土壤pH、施用量及土壤全磷的正向或负向影响方向与程度。

关键变量交互效应分析 发现，热解温度460–480℃与施用量1.5–1.7%组合可实现最佳磷有效性调控；高温生物炭在土壤全磷1.04–1.13 g·kg^?1时表现出更高的磷活化效率，而在高磷土壤中可通过吸附作用降低磷淋失风险。

讨论部分强调，原始生物炭在机器学习指导下可实现与改性生物炭相当的磷调控性能，同时显著降低生产成本（减少约45–480 USD·t^?1）和环境负担。研究还构建了基于随机森林的图形用户界面（GUI），可在特定土壤和生物炭参数范围内精准预测磷有效性变化，为农业生产提供决策支持。研究人员指出，未来应扩大样本量、完善数据采集与预处理、探索XGBoost等先进模型，并结合数字孪生技术评估经济性与可持续性。

结论部分翻译为：本研究证实机器学习可有效阐释并预测生物炭调控土壤磷有效性的机制，支持生物炭施用效率由生物炭理化性质与土壤条件共同决定的观点。随机森林模型的成功凸显了机器学习在解析复杂的土壤—生物炭—养分相互作用中的潜力，为设计环境可持续且经济可行的生物炭施用策略提供了方法学框架，推动精准、资源高效的土壤管理发展。