《Soil and Tillage Research》：Spatially explicit assessment of phosphorus runoff loss in Chinese paddy fields: An interpretable machine learning model
编辑推荐：
•在六种用于预测水稻田磷流失的机器学习模型中，XGBoost的表现最为优异。•通过SHAP分析，降雨量、土壤pH值以及C:N比例被确定为影响磷流失的关键因素。•中国水稻系统每年的磷流失量约为23.03?±?1.46 Gg。•在不同水稻种植区，导致磷流失的主要因素存在空间差异。引言
- •
在六种用于预测水稻田磷流失的机器学习模型中，XGBoost的表现最为优异。
- •
通过SHAP分析，降雨量、土壤pH值以及C:N比例被确定为影响磷流失的关键因素。
- •
中国水稻系统每年的磷流失量约为23.03?±?1.46 Gg。
- •
在不同水稻种植区，导致磷流失的主要因素存在空间差异。
引言
磷是水稻生产所需的重要的生物养分（Yamaji等，2017），而施肥则是水稻田土壤磷的主要来源（Xu等，2020）。中国水稻田的平均磷施用量为约28.4?kg?ha?1 yr?1（Zhang等，2023），这一数值远高于全球平均水平。过量的施肥导致水稻系统普遍出现磷过剩现象（Zou等，2022）。除了通过作物收获和淋溶流失外（Chu等，2023），在水稻生长周期中产生的径流也会导致大量磷的流失（Darzi-Naftchali等，2016；Wang和Huang，2021），这不仅威胁到水稻田的生产力，还会影响周边水生环境的可持续性（Zhang等，2023；Song等，2024；Wang等，2024）。此类磷流失加剧了全球磷资源的短缺以及地区土壤磷的耗竭，全球范围内陆地磷流失和不可持续的农田磷使用问题日益严重（Alewell等，2020；Zou等，2022）。近几十年来，水稻田的磷流失严重增加了中国主要河流中的磷浓度（Liang和Xian，2018）。根据第二次全国污染源普查数据，中国水稻田径流造成的磷流失量约为24?±?4 Gg yr?1（《第二次全国污染源普查公报》，2020；Fu等，2021），磷被称为中国水环境安全的“定时炸弹”（Mekonnen和Hoekstra，2018）。尽管已有许多研究探讨了田间和流域尺度上磷流失的规模及其控制因素，但针对区域尺度上控制因素及流失强度的系统性评估仍然有限。因此，明确自然因素和人为因素如何共同调控不同地区的磷流失，对于改善全国范围内的农业非点源污染控制至关重要。
水稻田磷流失的调控机制十分复杂且多变。目前对影响磷流失因素的认识主要基于田间观测和小型试验研究，包括降雨特征（Liu等，2025）、施肥方式（Xu等，2020）、土壤中原有的磷储备（Zhang等，2025）以及土壤质地（Wang等，2024）。总体而言，磷流失量会随着降雨深度的增加而增加（Liu等，2016），仅雨滴溅射就可能导致总磷流失量的五分之一（Huang等，2025）。施肥方式会通过水稻田表面径流显著影响磷的流失，从而增加降雨或排水时磷外流的风险（Wang和Huang，2021）。土壤中的磷储备为磷流失提供了物质基础，双季水稻系统的田间实验表明，径流中的磷流失量与土壤总磷含量之间存在很强的相关性（Zhang等，2025）。土壤质地还会影响水分的下渗和输送过程（Yi等，2020），进而间接影响田间积水中的磷浓度。此外，磷的生物地球化学过程，如吸附-解吸以及微生物的矿化-固定作用，也会影响磷的可用性及其进入径流的可能性，这些因素也不容忽视（Fu等，2021）。中国的水稻种植分布广泛，不同地区的气候条件、土壤理化性质以及施肥方式各不相同，这些差异很可能导致全国范围内水稻田磷流失量的显著区域差异。虽然现有研究已经确定了局部尺度上磷流失的主要驱动因素，但全国主要水稻种植区的主导控制因素及其空间异质性仍不清楚。
由于水稻田磷流失的主要控制因素存在明显的空间异质性，要在大范围区域尺度上准确估算磷流失强度仍是一项艰巨任务。目前，经验统计模型和基于过程的机制模型是被广泛用于预测磷流失及进行水质管理的手段。例如，有一种多元线性回归模型，通过纳入土壤温度、土壤质地以及磷施用率等参数，用于预测日本低地水稻田的磷流失量（Leon和Kohyama，2017）。尽管该模型结构简单且对数据要求较低，但它缺乏机制层面的解释，无法清晰呈现磷流失的过程。为改进机制表达能力，人们开发了基于过程的模型。MLEpaddy-P模型基于改进的一阶动力学框架，利用初始磷浓度和衰减系数来模拟积水中的磷浓度变化，但它无法模拟整个水稻生长周期内的磷流失量（Zhang等，2024）。PWNPRS模型则将一阶动力学与遥感技术相结合，用于识别潜在的磷流失热点区域，但在准确量化流失强度或区分田间管理措施对水稻田水中磷浓度的影响方面存在局限（Ren等，2024）。DayCent模型在模拟试验田土壤总磷动态时能够较好地体现长期磷平衡关系，但由于需要高分辨率的日度输入数据，其在大范围空间尺度上的应用受到限制（Muntwyler等，2023）。其他基于过程的模型，如SWAT-Paddy（Ouyang等，2020）和APEX-Paddy（Choi等，2017），也存在类似的局限性。虽然这些机制模型在较小空间尺度上（如田间或流域尺度）具有实用价值，但它们通常需要大量参数且对数据要求极高，这限制了其在全国尺度上模拟磷流失的应用。相比之下，人工智能领域的最新进展表明，机器学习算法能够通过捕捉多个相互关联变量之间的复杂非线性关系，实现更出色的预测性能。因此，机器学习方法在农业和环境科学领域得到了越来越广泛的应用（Gu等，2023；Wu等，2023；Dubey和Choubey，2024）。对于中国那些气候条件、土壤性质以及管理方式在广阔空间范围内差异巨大的水稻种植区而言，亟需一种优化且易于理解的机器学习框架，用以量化磷流失并分析其空间异质性的控制因素。然而，目前很少有基于机器学习的养分流失研究能够整合全国范围的水稻田磷流失数据、进行系统的模型比较与优化，以及从空间角度明确分析主要驱动因素。
基于以上情况，我们提出假设：全国尺度上的磷流失是由自然因素（如降雨量和土壤理化性质）与人为因素（如施肥量）共同控制的，且不同水稻种植区的主导控制因素存在差异。为验证这一假设，我们整合了2004年至2023年间发表的64项研究数据，以及来自中国多个省份的田间观测数据。本研究的具体目标为：（1）构建中国水稻田磷流失的全面数据集，并分析其统计特征；（2）评估具有不同学习结构的各类机器学习算法，筛选出一种适合且在不同水稻田条件下具备良好解释性的模型，用于预测磷流失量；（3）通过结合模型分析与空间分析，模拟中国水稻种植系统中的磷流失强度与总量，并确定不同区域的主导控制因素。
章节概要
数据收集与处理
我们通过Web of Science、Elsevier、Wiley以及中国国家知识基础设施库（CNKI）等数据库，使用以下检索语句查找相关文献：“（“rice” OR “paddy” OR “paddy field” OR “rice paddy”） AND （“phosphorus runoff” OR “phosphorus loss” OR “nutrient runoff”）”。文献筛选和数据整理遵循以下五项标准：（1）实验必须在中国的水稻种植系统中开展；（2）研究必须报告基于田间的磷含量测量数据
汇总的田间磷流失数据集的特征与相关性
在所有汇总的观测数据中，中国水稻田的磷流失强度平均为0.60?±?0.71?kg?ha?1季节?1，中位数为0.34?kg?ha?1季节?1，最大值为4.05?kg?ha?1季节?1（见图2）。磷流失量的分布呈右偏态，均值高于中位数，这一特点反映了水稻田中高流失事件的偶发性。平均氮肥和磷肥的施用量分别为163.29 ?± 84.51 kg?ha?1季节?1和28.83?±?17.64 kg?ha?1季节?1。季节性
水稻田磷流失特征及相关因素分析
汇总数据集中磷肥的平均施用量为28.83?±?17.64 kg?ha?1季节?1?1季节?1之间（中国农业农村部，2023），这说明
结论
本研究构建了中国水稻田磷流失的全面全国性数据集，发现磷流失量与降雨量以及磷肥施用量之间存在显著的正相关关系。通过十折交叉验证和贝叶斯超参数优化，在所评估的六种机器学习算法中，XGBoost在预测精度、非线性响应表现以及基于SHAP的解释能力之间取得了最佳平衡，因此被选用于模拟
CRediT作者贡献说明
吕正辉：研究调查、数据整理。 葛蒂达：方法设计、研究调查、概念构建。 赵颖：文章撰写与修改、项目管理、方法设计、资金筹集。 王毅：文章撰写与修改、结果验证、项目管理、方法设计、研究调查、资金筹集、数据整理、概念构建。 吕宇辰：软件应用、研究调查、数据整理。 刘健：文章撰写与修改、结果验证。 麦子琪：结果验证、软件应用。 范鹏飞：
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
作者感谢中国国家自然科学基金（编号：W2541025）以及山东省重点研发计划（编号：2022TZXD0045、2023TZXD005）对本研究提供的资金支持。
齐俊佳|王毅|赵颖|刘健|吕宇辰|葛蒂达|吕正辉|杨浩林|范鹏飞|麦子琪
