使用机器学习方法对丹麦农田硝酸盐淋溶进行模拟

《Water》：Modeling Nitrate Leaching from Danish Agricultural Fields Using a Machine Learning Approach

　　

农业土壤硝酸盐淋溶的环境和经济影响凸显了准确预测以支持有效氮管理的必要性。研究人员利用2993个田间观测数据评估了六种机器学习（machine learning, ML）模型——多元线性回归（Multiple Linear Regression）、弹性网络（Elastic Net）、K近邻（K-Nearest Neighbors）、决策树（Decision Trees）、极端随机树（Extra Trees）和多层感知机（Multi-Layer Perceptron），以预测硝酸盐淋溶。这些模型纳入了作物序列、粪肥和肥料投入、土壤及渗漏因素，并与丹麦氮调控中使用的经验性NLES5模型进行了基准比较。在独立测试数据上评估时，四种ML模型取得了高于NLES5的预测精度，其中Extra Trees模型表现最佳（R² = 0.63，RMSE = 23.3 kg N ha^?1），超过NLES5（R² = 0.39，RMSE = 29.8 kg N ha^?1）。模型可解释性分析确定了冬季渗漏、冬季植被覆盖和土壤类型为硝酸盐淋溶的关键驱动因素。进一步通过长期淋溶趋势、春季施用矿质氮的边际响应以及Bolbro B?k流域内空间格局的情景分析，对Extra Trees模型进行了评估。研究结果凸显了ML模型在无测站区域改进硝酸盐淋溶预测的潜力。未来研究可纳入更多变量，包括作物产量和耕作措施，以提高模型精度，并支持在保持生产力的同时减少硝酸盐淋溶的可持续农业实践。

农业土壤中的硝酸盐淋溶（nitrate leaching）是氮素流失的重要途径，对环境和经济效益产生显著负面影响。过量或不合理地施用氮肥，以及有机质矿化，均会导致硝酸根离子（NO₃^?）随渗漏水迁移出根区，进入地下水和地表水，引发水质污染和富营养化，并可能威胁人体健康。丹麦约60%的土地为农田，农业是人为氮损失的主要来源。尽管丹麦自1980年代中期以来实施了综合缓解战略，使沿海水域氮排放大幅减少，但2016年“食品与农业一揽子计划”后进展停滞，沿海生态系统仍面临严重退化。准确预测硝酸盐淋溶、识别其驱动因素和高风险区域，是制定有效氮管理措施的关键。目前丹麦用于估算农田硝酸盐淋溶的NLES5模型是一种经验性模型，在独立验证数据上预测精度中等（RMSE≈30 kg N ha^?1，R²≈0.40），其固定经验结构和对校准数据的依赖限制了其对新作物系统、未来气候情景和新兴缓解策略的适应性。机器学习（machine learning, ML）方法具有数据驱动、能够捕捉非线性复杂交互关系的优点，但此前在丹麦农业系统中，对不同ML算法的系统比较及其与NLES5模型的优势评估仍十分有限。为此，研究人员开展了本研究。该研究利用了来自28个丹麦农业站点和1个瑞典站点、收集于1976—2017年间的长期硝酸盐淋溶观测数据（共2993个样本），评估了六种机器学习模型：多元线性回归（Multiple Linear Regression, MLR）、弹性网络（Elastic Net, EN）、K近邻（K-Nearest Neighbors, KNN）、决策树（Decision Trees, DT）、极端随机树（Extra Trees, ET）和多层感知机（Multi-Layer Perceptron, MLP）。模型输入包括作物序列、粪肥和肥料投入、土壤特性及渗漏量，并以丹麦氮调控中使用的NLES5模型作为基准。研究结果显示，在独立测试集上，四种ML模型的预测精度高于NLES5，其中ET模型表现最佳（R²=0.63，RMSE=23.3 kg N ha^?1），显著优于NLES5（R²=