利用多源传感器数据开发大豆田高分辨率数字土壤健康图

《Smart Agricultural Technology》：Developinghigh-resolution digital soil health maps for soybean field using multiple-source sensor data

　　

土壤健康制图对于理解土壤属性的时空变异至关重要。然而，目前缺乏可信、可验证且具有成本效益的框架来在田块尺度量化农田土壤健康。本研究旨在通过将基于传感的信息与数字土壤制图（DSM）相结合，检验量化土壤健康的可行性。研究人员在连续两年收获后，从一块1.2公顷的大豆试验田中在两个深度（0-5 cm和5-15 cm）采集了总计69个地理参考土壤样本，分析了实验室测量的23项土壤健康与肥力指标。使用移动式表观电导率（Apparent Electrical Conductivity, ECa）制图系统收集了土壤ECa。使用联合收割机的产量监测系统集成大豆籽粒产量图。从基于无人机（Unmanned Aerial Vehicle, UAV）的多光谱影像中导出数字高程模型（Digital Elevation Model, DEM）和植被指数（Vegetation Indices, VIs）。在ArcGIS Pro中实施了四种空间建模方法，即经验贝叶斯克里金（EBK）、EBK回归（EBKR）、地理加权回归（GWR）和混合GWR-EBK，利用ECa、产量图、DEM和VIs作为预测因子进行DSM。模型性能排序为GWR-EBK>GWR>EBKR>EBK，平均R2值分别为0.62、0.49、0.40和0.26。湿团聚体稳定性（Wet Aggregate Stability, WAS）、粒径分布、pHs、中和酸度（Neutralizable Acidity, NA）、阳离子交换量（Cation Exchange Capacity, CEC）和锰（Manganese, Mn）是最具可预测性的属性（所有相应模型中R2 > 0.4）。GWR系数分析确定浅层ECa（ECa-shallow）和高程是大多数可预测指标中DSM的驱动因素。这一集成的DSM框架提供了一种基于传感的土壤健康评估的有前景的方法，促进了田块内土壤异质性的表征，并提升了大豆的长期盈利能力、可持续性及对气候变化的韧性。

该研究背景指出土壤健康定义为受环境差异和人为干扰影响的土壤综合化学、生物和物理状态，其涉及的碳固存、养分循环等是主要生态系统服务。气候变化如二氧化碳浓度升高、全球变暖及农业管理强化导致土壤退化、侵蚀、压实及生物多样性丧失等问题，亟需恢复土壤健康的策略以支撑精准农业的可持续发展。然而，现有数字土壤制图（Digital Soil Mapping, DSM）缺乏可信、成本效益高且可扩展的田块尺度框架，网格采样难以实现高空间分辨率，传统插值法未充分利用多源传感数据，且现有研究多聚焦区域尺度单一指标，难以满足田块水平土壤健康时空模式制图的需 求。为此，研究人员开展研究旨在开发并评估集成多源传感信息、多种建模方法和多土壤健康指标的田块尺度土壤健康制图技术框架与知识发现体系，具体目标包括量化施肥与覆盖作物对土壤健康的影响、评估基于传感器数据的田块土壤健康制图精度及识别土壤健康时空变异的主要驱动因素，研究成果发表于《Smart Agricultural Technology》。

研究人员开展研究用到的主要关键技术方法包括：在美国密苏里大学Bradford研究农场的1.2公顷免耕大豆田（样本队列来源）设置四年肥料与覆盖作物处理试验，采集69个地理参考点双深度土壤样本测定23项指标；利用移动式电磁感应仪测表观电导率（EC_a）、联合收割机产量监测系统获产量图、无人机（UAV）多光谱影像提取数字高程模型（DEM）与植被指数（NDVI、NDRE）；采用经验贝叶斯克里金（EBK）、EBK回归（EBKR）、地理加权回归（GWR）及混合GWR-EBK四种空间模型在ArcGIS Pro中制图，以留一交叉验证（LOOCV）评估性能，结合全局莫兰指数（Global Moran’s Index）分析空间自相关，利用地理加权回归系数解析驱动因子。

研究结果部分结论如下：

3.1. Statistical and spatial analysis of soil fertility and soil health 土壤肥力与土壤健康的统计及空间分析

通过对2022与2023年0-5 cm和5-15 cm土层23项属性的描述性统计，研究人员发现土壤呈粉粒主导质地（平均粉粒69.89%），有机碳与有机质中等但酸化显著（平均pH_s 5.66），湿团聚体稳定性（WAS）高于区域均值而磷、钾等宏量养分受抑制，铁（Fe）、锰（Mn）因低pH富集。全局莫兰指数（Global Moran’s Index, I）显示大部分属性具显著正空间自相关，其中粒径、pH_s、中和酸度（NA）、Mn具稳定高自相关；表层生物活性指标（如总有机碳（SOC）、可高锰酸盐氧化碳（POXC））自2022年弱自相关至2023年结构化，深层较稳定，证实土壤健康具显著时空异质性。

3.2. Impact of treatments on soil fertility and soil health 处理措施对土壤肥力与土壤健康的影响

双因素方差分析（Two-way ANOVA）表明覆盖作物（C）在2023年显著提升表层SOC、全氮（TN）、土壤有机质（SOM）及WAS（p<0.01），亚表层TN亦显著增加；施肥（F）持续极显著影响pH_s、NA、阳离子交换量（CEC）及磷（P Bray I）、钙（Ca）、镁（Mg）等，白云灰石+磷+钾处理提升pH_s并降低NA。颗粒组成不受管理及交互作用影响（p>0.05），证实变化纯属生化层面。活性碳（POXC）在2022年亚表层对施肥敏感，2023年表层受覆盖作物驱动且亚表层存显著C×F交互。

3.3. Relationship between explanatory variables and soil properties 解释变量与土壤属性的关系

皮尔逊相关分析显示产量与土壤健康关联弱（|r|<0.3）；浅层EC_a（EC_a_S）与黏粒含量、镁（Mg）、钾（K）、CEC正相关（r>0.35），与粉粒、Mn负相关；高程与粉粒、pH_s正相关，与黏粒、NA负相关，反映侵蚀与排水导致的颗粒再分配；中期生长阶段（R5-R6）归一化植被指数（NDVI）与WAS、Fe、铜（Cu）强正相关，归一化红边指数（NDRE）关联较弱。土层间WAS、粒径、pH_s、NA、CEC、硫酸盐硫（SO₄-S）具高相关性（r>0.6），黏粒与粉粒、Mn与盐基离子呈相反关联。

3.4. Model output of different digital soil mapping models 不同数字土壤制图模型的输出

四种模型平均R²为EBK 0.26、EBKR 0.40、GWR 0.49、GWR-EBK 0.62，性能排序GWR-EBK>GWR>EBKR>EBK。WAS、粒径分布、pH_s、NA、CEC、Mn在所有模型中R²>0.4，属最可预测属性；生物及管理敏感属性（SOC、POXC、TN等）精度较低。基于EBK回归（EBKR）的空间图中pH_s年际相似度最高（MSSIM 0.40），SOC与WAS变动大（MSSIM<0.22）；SOC与pH_s层间相似度达0.85，磷（P）层间仅0.39显分层。EBKR在低值区不确定性较高，低值P Bray I空间分布与控制区吻合，证明制图能部分捕捉试验设计模式，但未显覆盖作物空间印记。

3.5. Driven factors of digital soil health mapping 数字土壤健康制图的驱动因素

地理加权回归（GWR）平均系数表明EC_aS是WAS、黏粒、粉粒、Ca、Mg、K、CEC、铜（Cu）最主要预测变量；高程主导砂粒、pH_s、NA、SO₄-S、Mn；产量主导生物指标潜在矿化氮（PMN）、碳矿化（Resp）；NDVI正贡献于SOC、SOM、P Bray I、锌（Zn）、Fe；NDRE负贡献于POXC、硼（B）。最可预测属性的制图驱动为EC_aS与高程，系数标准差大表明局部主导预测因子具空间变异性，贡献为局部关联而非固定全场效应。

讨论部分总结：

研究人员在讨论中指出回归与克里金在数字土壤制图中存在精度与效率权衡，克里金依赖密集采样建模空间依赖但成本高，回归借环境变量外推效率高但漏局部异常；混合回归克里金（如GWR-EBK）在本研究小样本（69点）田块尺度优于单一法，因EBK补偿GWR局部趋势缺失的残差结构，而大样本区域尺度机器学习更具优势但小样本易过拟合。驱动因素分析确认EC_a_S与高程为核心，EC_a反映离子浓度与质地，高程控水文流致pH_s低洼酸化与养分沉积脱钩；覆盖作物效应具累积性（2023年显碳氮增益与WAS提升）但短期微弱未显于空间制图，需长期过程导向研究解耦碳氮动态与产量权衡。研究暗示具强空间自相关、层间相关与时稳的属性（WAS、粒径、pH_s、CEC）最适线性模型预测，大豆作为固氮作物应侧重pH_s、水分及生物固氮相关养分制图以支撑精准管理如排水、酸度改良与耕作优化。

结论部分翻译：

本研究开发了一种集成土壤与作物传感及地统计与回归模型的高分辨率数字土壤健康制图方法。具强空间自相关、深度相关与时稳性的土壤属性，即湿团聚体稳定性（WAS）、粒径分布、pH_s和阳离子交换量（CEC），预测精度最高，浅层表观电导率（EC_a）与高程被确定为首要驱动因素，而生物主导与管理敏感的属性对所有方法仍难以预测。平均而言，混合地理加权回归-经验贝叶斯克里金（GWR-EBK）表现最佳，尽管无单一方法对所有指标最优，强调结合局部异质性与残差空间自相关的价值取决于各属性的可预测性。总体而言，结果证明作物与土壤传感可共同支撑一种可信且成本效益高的田块尺度土壤健康评估方法，与精准大豆管理相关。未来工作应将框架扩展至更大范围与更多样化田块，纳入额外作物与管理信息，并在长期监测数据可用时采用机器学习。

要不要我帮你把这篇论文解读里的关键专业术语（如DSM、EBK、GWR等）整理成一个带简要解释的词汇表，方便你后续快速查阅？