《Soil Science Society of America Journal》:Pedotransfer functions for estimating the maximum bulk density of major Brazilian agricultural soils: Model comparison and validation
编辑推荐:
击实试验是确定土壤最大容重(Dbmax)的标准方法,该参数是获取压实度的关键指标。然而,该方法耗时费力,使其不适用于常规土壤质量评估。研究人员开发了土壤传递函数(PTF),利用质地、土壤有机碳(SOC)和容重(Db)来估算巴西农业土壤的Dbmax。研究人员使用
击实试验是确定土壤最大容重(Dbmax)的标准方法,该参数是获取压实度的关键指标。然而,该方法耗时费力,使其不适用于常规土壤质量评估。研究人员开发了土壤传递函数(PTF),利用质地、土壤有机碳(SOC)和容重(Db)来估算巴西农业土壤的Dbmax。研究人员使用包含来自同行评审研究的234条压实曲线的数据集,采用交叉验证和两个独立验证数据集(包括来自巴西和美洲的补充数据),比较了线性回归(LR)和机器学习方法。随机森林(RF)和支持向量回归(SVR)降低了巴西土壤验证数据集的预测方差,但高估了Dbmax;然而,加入Db减少了这种偏差。对于美洲数据集,LR表现出高方差和低偏差,SVR导致低方差但偏差较高,而RF表现出最佳的偏差-方差权衡。尽管RF提供了最佳预测(包含和不包含Db时的均方根误差(RMSE)分别为0.069和0.078 g cm?3),但研究人员数据集范围内土壤的Dbmax也可以通过以下公式估算:Dbmax = 2.355 + 0.6 × SAND2 ? 0.4 × SILT2 ? 0.44 × ln(SAND) ? 0.52 × ln(CLAY) ? 0.38 × (CLAY:SAND) ? 0.81 × (SOC/CLAY + SILT) 和 Dbmax = 1.41 + 0.32 × SAND2 ? 0.10 × SILT2 ? 0.23 × SOC + 0.37 × Db(质地和SOC单位为g kg?1,Db单位为g cm?3),其RMSE值分别为0.084和0.066 g cm?3。这促进了Dbmax的估算,并支持在土壤质量评估中更广泛地使用压实度。
研究背景与目前存在的问题:Proctor击实试验是确定土壤最大容重(Dbmax)的标准方法。Dbmax是获取土壤压实度的关键参数,而压实度是评价不同土壤物理质量、比较作物对土壤压实反应的相对有用指标。然而,Proctor击实试验耗时费力,难以在常规土壤质量评估中广泛应用。此外,以往针对巴西土壤的Dbmax提出的一些预测模型应用范围极为有限,往往受限于观测数量少或土壤类型狭窄。因此,巴西农业土壤迫切需要一项综合性、国家尺度且比较多种建模方法的土壤传递函数。
研究内容、结论与意义:研究人员开展了开发并测试PTF以估算巴西农业土壤Proctor Dbmax的研究。研究得出结论,利用土壤质地和土壤有机碳(SOC)含量可以有效预测巴西土壤的Dbmax,若加入容重(Db)作为预测变量可进一步提高预测精度。该研究不仅提供了高精度的机器学习模型,还提出了简单易用的线性方程。这对于促进Dbmax的估算,并推动压实度作为实用指标在土壤物理质量评估中的广泛应用具有重要意义。该论文发表在《Soil Science Society of America Journal》。
技术方法概括:样本队列来源于同行评审研究中汇编的来自巴西50种不同土壤的234条压实曲线。此外,还使用了两个独立验证数据集:包含48条来自巴西东南部Lavras市的压实曲线和包含124条来自南、中、北美洲的文献数据。研究人员测试了多种预测变量组合,包括原始土壤质地、其平方值、对数转换值、质地分数间的比值、等距对数比转换及所有变量的组合,并结合SOC、SOC衍生比率以及Db构建不同预测变量组。在建模方法上,对比了多元线性回归(MLR)、前向和后向逐步线性回归、装袋树、支持向量回归(SVR)、随机森林(RF)以及专家变量选择线性回归(EXP)。模型通过10折交叉验证进行调优和评估,并采用均方根误差(RMSE)和决定系数(R2)进行准确性度量。
研究结果:
Descriptive statistics of soil attributes:通过对234个巴西土壤样本数据集进行分析,发现大部分数据为农业表土。粘粒、粉粒和砂粒含量范围跨度较大,这些差异部分与土壤类型有关,如Latossolos和Cambissolos的属性范围较广,但也受到数据不平衡的影响。Dbmax范围在1.12至2.03 g cm
?3之间。粗质地土壤的Dbmax较高,而Nitossolos的平均Dbmax较低且最优含水率较高。尽管数据在地理分布上存在偏差,但所涵盖的五类土壤约占全国土壤的73.4%。
Predictions based on soil texture, organic carbon, and Db:通过对比不同预测方法发现,仅使用土壤质地数据时,SVR在结合平方值、对数转换值或等距对数比时表现最佳。当加入SOC作为预测变量时,预测精度有所提高,RF和SVR表现最佳。当进一步加入Db作为预测变量时,R
2值增加而RMSE降低,RF仍是表现最佳的方法,而MLR和EXP的预测精度超过了SVR。这表明,除了质地和SOC,Db的加入能够进一步提升对Dbmax的预测精度。
Selected models based on cross-validation:通过绘制观测值与预测值对比图发现,仅基于质地数据的EXP模型预测值较为分散,且对Argissolos的Dbmax存在明显低估。当加入SOC或Db后,预测点更紧密地围绕在1:1线周围。对于SVR,加入SOC或Db同样能改善预测精度。RF模型在仅使用质地数据时就表现出极高的预测准确性,加入SOC或Db使预测值进一步贴近1:1线,表明RF对原始质地数据具有很好的处理能力,无需复杂转换。
Independent validation and comparison to other PTFs:通过使用LAV和LIT两个独立数据集对所选模型进行验证,并与以往文献中的模型对比发现,在包含Db作为预测变量时,EXP和RF在LAV数据集上表现最佳。然而,在仅使用质地和SOC数据时,以往针对特定土壤类型开发的模型在LAV数据集上表现更好,这可能反映了本研究提出的PTF在区域泛化性上的局限。对于LIT数据集,RF模型的整体表现最佳,其预测值最接近1:1线,而SVR在低Dbmax值时存在一定偏差。大多数仅基于质地和SOC的模型均倾向于高估Dbmax,而加入Db能有效纠正这一偏差。
讨论部分总结:在预测变量方面,土壤质地长期被认为是控制Dbmax的主要因素,而SOC与粉粒和粘粒之和的比值通常比单独的SOC更能反映有机质的复合影响。Db与Dbmax高度相关,加入Db能提高预测精度,但由于Db受土壤利用和管理影响,建议使用代表性Db值来计算压实度。在预测方法上,线性回归和机器学习各有优劣。RF对多重共线性具有鲁棒性,总体预测精度最高,但计算量大且需要原始训练数据;而线性模型虽然精度略低,但方程简单实用。预测模型在独立验证中表现出偏差-方差权衡:仅基于质地和SOC的模型往往高估Dbmax,这表明可能存在黏土矿物学等未被充分代表的因素影响Dbmax。因此,将模型应用于不同土壤时需谨慎。
研究结论部分翻译:在训练数据集所代表的范围内(粘粒49–787 g kg
?1,粉粒10–533 g kg
?1,砂粒17–927 g kg
?1,SOC 0.6–42.0 g kg
?1),土壤质地和SOC可用于预测巴西土壤的Dbmax。加入Db可进一步改善预测,尤其是对于线性回归模型,但应使用代表性Db值。机器学习方法RF和SVR在使用质地和SOC预测时的交叉验证RMSE约为0.08 g cm
?3;加入Db仅对RF进一步降低了RMSE,达到0.069 g cm
?3。在两个独立验证数据集的评估中,偏差-方差权衡变得明显:RF和SVR降低了巴西验证数据集的预测方差,但倾向于高估Dbmax,加入Db可减少此偏差;对于美洲数据集,线性回归表现出高方差和低偏差,SVR方差低但偏差高,而RF提供了最佳的偏差-方差权衡。尽管RF总体表现最佳,但实际应用受限。Dbmax也可以通过以下线性模型简便估算:仅含质地和SOC的Dbmax = 2.355 + 0.6 × SAND
2 ? 0.4 × SILT
2 ? 0.44 × ln(SAND) ? 0.52 × ln(CLAY) ? 0.38 × (CLAY:SAND) ? 0.81 × (SOC/CLAY + SILT)(RMSE = 0.084 g cm
?3),以及包含Db的Dbmax = 1.41 + 0.32 × SAND
2 ? 0.10 × SILT
2 ? 0.23 × SOC + 0.37 × Db(RMSE = 0.066 g cm
?3)。这些方程为估算计算压实度所需的参考Db提供了一种简单实用的方法。