机器学习替代模型模拟德克萨斯高地平原多样化轮作对土壤有机碳和N2O响应

《Agronomy》：Machine-Learning Surrogate Modeling of SOC and N2O Responses to Diversified Crop Rotations in the Texas High Plains

　　

摘要：多样化轮作和覆盖作物日益被推广为在半干旱农业生态系统中提高土壤有机碳（SOC）同时减少氧化亚氮（N₂O）排放的气候智慧型管理策略。然而，由于跨大空间和气候域的过程模拟计算需求极高，区域尺度的SOC–N₂O权衡评估仍具挑战性。本研究将长期DSSAT模拟与机器学习（ML）替代模型相结合，以量化并空间预测德克萨斯高地平原（THP）多样化轮作和覆盖作物系统的SOC和N₂O响应。研究人员使用DSSAT输出训练随机森林模型，这些输出代表多种轮作、气候情景和土壤条件。研究人员开发了两种互补的建模框架：（i）BAU相对响应，量化相对于基线管理的SOC和N₂O变化；（ii）附加覆盖作物效应，分离多样化覆盖作物系统相对于简化的无覆盖作物改良轮作系统的额外效益。模型解释采用排列重要性和SHAP分析，以识别主要的环境和管理控制因素。替代模型准确再现了DSSAT衍生的响应，特别是BAU相对SOC和N₂O变化，R²≈0.90，而附加覆盖作物SOC的可预测性低于附加N₂O。空间预测显示气候智慧型响应区域存在强烈的地理变异性，在未来的气候条件下，特别是在2070年代，通常观察到更大的SOC效益。然而，一些地区也表现出更强的N₂O权衡，凸显了对空间针对性管理策略的需求。研究结果表明，将过程模拟与ML替代模型相结合，可为半干旱种植系统中的气候智慧型农业生成计算高效的决策支持工具。

**德克萨斯高地平原多样化轮作与覆盖作物系统SOC和N?O响应的机器学习替代模型研究解读**

**一、研究背景与问题**

农业系统日益需要同时承担粮食生产、气候变化减缓与长期土壤可持续性的多重功能。在诸多气候智慧型管理策略中，多样化轮作和覆盖作物因其提升土壤有机碳（SOC）、改善养分循环、减少侵蚀并增强系统对气候胁迫的恢复力而受到广泛关注。然而，在半干旱农业生态系统中，这些措施的环境效益常伴随氧化亚氮（N?O）排放的不确定性。增加残体输入和土壤碳积累的管理措施，在有利的水分和温度条件下也可能刺激微生物氮转化，进而潜在增加N?O排放。因此，仅基于SOC固存潜力评估管理系统，不能全面反映其气候智慧型表现。

德克萨斯高地平原（THP）是评估这些相互作用的典型区域。该地区在高度气候变异和水资源压力下广泛生产棉花、玉米、高粱和冬小麦，长期可持续性受土壤退化、地下水减少和未来气候变暖的威胁。多样化轮作和覆盖作物被视为改善土壤健康和增强韧性的有前景策略，但其环境结果可能并非空间均匀，因为SOC积累和N?O动态受气候、土壤和管理因素在THP景观中显著变化的交互控制。以往研究多强调作物生产力、水分利用或区域平均环境结果，未明确解析SOC和N?O耦合响应的空间异质性。由于THP在气候、土壤、灌溉依赖和种植强度上存在强烈梯度，区域平均有益的管理可能在不同地点产生不同结果，包括SOC增益部分被N?O排放增加抵消的区域。因此，需要空间明确评估以识别多样化轮作和覆盖作物最有潜力提供稳健减缓效益的区域，以及权衡需要谨慎管理的区域。

过程模型如农业技术转让决策支持系统（DSSAT）可模拟复杂交互，但其在大规模多轮作、多土壤、多气候情景下的计算成本高昂，限制了快速区域评估。机器学习（ML）替代模型可通过高效模拟过程模型的主导响应模式克服此限制。以往的农业ML研究多集中于产量预测、灌溉管理或遥感应用，对耦合SOC和N?O响应的ML模拟研究较少，且多强调预测精度而未明确检查环境权衡或保持与农业生态过程的可解释联系。

**二、研究内容与结论**

研究人员整合了四个很少在该区域结合的元素：长期过程DSSAT模拟、ML替代建模、基于SHAP的可解释驱动因子分析，以及空间明确的SOC–N?O响应区域制图。通过区分BAU相对轮作效应与覆盖作物添加效应，该框架能够区分多样化轮作的区域效益与覆盖作物的增量贡献及潜在N?O代价。研究目标是：（i）开发能重现DSSAT模拟的THP多样化轮作SOC和N?O响应的ML替代模型；（ii）区分相对于常规管理的整体轮作效应与覆盖作物引入的增量效应；（iii）利用SHAP分析识别主要气候、土壤和管理驱动因子；（iv）生成未来气候情景下SOC效益和SOC–N?O权衡区域的空间图。结果表明，随机森林替代模型能准确再现DSSAT衍生的BAU相对SOC和N?O响应（R2≈0.90），而附加覆盖作物SOC的可预测性较低（R2=0.58），附加N?O的R2为0.84。空间预测显示，2070年代SOC效益更大，但部分区域伴随更强的N?O权衡。混合豆科/非豆科覆盖作物系统（N1-L1）通常比仅豆科系统（N0-L2）产生更有利的SOC–N?O综合结果。

该研究发表于《Agronomy》。其重要意义在于：结合过程模拟与ML替代模型，为半干旱种植系统提供了计算高效且可解释的气候智慧型农业决策支持工具，能够快速识别优先实施区域，并为空间针对性管理提供依据。

**三、关键方法**

研究人员使用了先前发表的DSSAT-v4.8模拟输出，涵盖THP网格点、土壤剖面、历史及未来气候期（2030s、2070s）和RCP4.5/RCP8.5情景。构建了两套数据集：BAU相对响应（相对于常规轮作）和附加覆盖作物效应（相对于改进无覆盖轮作N0-L0）。用随机森林回归训练四个模型，预测因子包括气候变量（温度、降水、辐射、CO?浓度）、土壤属性（0–30、0–60、0–100、0–200 cm深度加权）和管理类别（轮作类型或覆盖作物类型）。模型评估采用按网格点分组交叉验证，并用排列重要性和SHAP分析解释，最后将预测插值到THP农田并划分为响应区域。

**四、研究结果**

**4.1 交叉验证性能**
BAU相对SOC模型R2=0.90，RMSE=1.84百分点；BAU相对N?O模型R2=0.90，RMSE=2.92百分点。附加SOC模型R2=0.58，附加N?O模型R2=0.84。表明替代框架能准确再现宽幅轮作效应，但对窄幅覆盖作物SOC增量效应预测精度较低。

**4.2 SHAP解释**
BAU相对SOC模型中，轮作身份和大气CO?浓度是主要预测因子；BAU相对N?O模型中，温度相关预测因子（Tmax、Tmin）重要性升高。附加SOC模型中，CO?浓度和覆盖作物类型主导；附加N?O模型中，降水贡献突出，湿条件趋向增加N?O响应。

**4.3 BAU相对SOC空间格局**
2030s期，N0-L2和N1-L1产生的SOC增益约10–13%，南部和西南部最强；2070s期，增益普遍超过16–18%，N1-L1系统在西部和中部略强于N0-L2。响应区域图显示，2030s期大部分区域为中度双受益或N?O主导受益类；2070s期更多区域转为SOC主导或强双受益类，但北部仍有中度受益区。

**4.4 附加覆盖作物SOC效益与权衡**
2030s期，附加SOC增益约5.5–7.5%，N1-L1系统在西部和中部较强；2070s期，N1-L1在西部和南部超9–10%。N0-L2系统在2070s期出现广泛强N?O权衡区，而N1-L1在中部和南部保留了大规模“高附加SOC/低N?O代价”区域，表明覆盖作物组成强烈影响SOC增益与N?O代价的空间平衡。

**五、讨论与结论**

讨论部分指出，BAU相对模型的高性能证明随机森林能有效捕获DSSAT输出的非线性关系，支持ML模拟器用于区域评估。附加SOC模型性能较低源于覆盖作物处理对比窄、SOC响应缓慢且受土壤缓冲。SHAP模式仅代表模型归因，不能视为因果证据；但高CO?与SOC正关联、温度对N?O正贡献等与已有机制文献一致。空间异质性表明，统一管理建议不适用，需结合局部条件进行空间靶向。局限性包括：模型是DSSAT的替代而非实测校准；外推需谨慎；插值可能平滑局部极值。结论部分（翻译）：本研究开发了一个可解释的机器学习替代框架，模拟了德克萨斯高地平原多样化轮作和覆盖作物系统对DSSAT模拟SOC和N?O的响应。随机森林模型再现了主要DSSAT响应模式，特别是BAU相对SOC和N?O变化，并实现了SOC效益和SOC–N?O响应区域的高效空间预测。结果表明，多样化轮作通常相对BAU提高SOC，2070年代效益更强；然而覆盖作物的附加效益空间变异，部分地区伴随N?O权衡。混合豆科/非豆科系统（N1-L1）通常比仅豆科系统（N0-L2）提供更有利的SOC–N?O综合结果，表明覆盖作物组成和轮作设计对平衡碳固存与温室气体减缓具有重要意义。总体上，所提出的DSSAT–ML替代方法为识别半干旱农业生态系统中气候智慧型轮作策略最有可能带来稳健环境效益的区域，提供了计算高效且可解释的框架。