基于多年水热背景的青藏高原刈割-放牧草地低土壤肥力相对风险筛查

《Remote Sensing》：Screening for Relative Risk of Low Soil Fertility in Mown-Grazed Grasslands of the Qinghai–Tibet Plateau Using Multi-Year Hydrothermal Backgrounds

　　

青藏高原刈割-放牧草地的土壤肥力反映水热条件、地形、草地类型和管理干扰。研究人员利用2023—2025年采集的1037个0–30 cm表层土壤样品，构建了土壤肥力指数（soil fertility index, SFI）。建模框架结合了静态生态背景变量、常规气候指标、多年季节性水热统计量、土壤水力属性以及自监督时间嵌入。采用空间分块、年份留出和生态区留出验证，并进行了适用域（area of applicability, AOA）分析和空间分块保形预测。多年季节性水热统计量提供了最强的预测信息，相对于静态背景模型，使空间分块R²提高了0.2435。10年季节窗口在解释方差、预测误差和秩一致性之间取得了最佳经验平衡。最终部署模型在空间分块验证下达到R²=0.5632，RMSE=0.1105，Spearman=0.4473，AUC=0.696。这些数值支持区域筛查和采样优先级排序，而不支持局部确定性诊断或地块级管理决策。网格预测确定区域2为相对低SFI风险的主要集中区。全样本AOA方案覆盖了系统评估网格单元的82.9%、81.9%和85.9%，而部署网格AOA覆盖率在更严格的部署设置下较低。这种对比将特征空间支持与操作性网格支持区分开来。分裂保形预测达到接近标称水平的90%覆盖率（PICP=0.899，MPIW=0.264）。自然背景残差将相对低SFI风险与低于预期自然条件的局部偏差区分开来。该框架为高寒草地的区域优先排序和后续实地验证提供了可复现的筛查工具。

土壤肥力是草地生产力和生态恢复的核心，但当前研究多聚焦单一土壤属性或宽泛的土壤质量评价，缺乏将综合肥力指数、多年水热背景、空间泛化与可靠性约束整合在同一证据链中的工作。青藏高原刈割-放牧草地的土壤肥力受水热条件、地形、草地类型和管理干扰的共同影响，区域尺度的低肥力风险筛查仍是一大挑战。为此，研究人员利用2023—2025年采集的1037个0–30 cm表层土壤样品，构建了土壤肥力指数（soil fertility index, SFI），并建立了融合多年水热背景、自监督时间嵌入、树集成预测、适用域（area of applicability, AOA）分析和保形预测的区域筛查框架。该研究发表在《Remote Sensing》，旨在为高寒草地提供可复现的低肥力风险筛查工具。

在方法上，研究人员将研究区划分为四个生态区，基于有机质、全氮、速效磷、速效钾、微生物生物量碳、粉粒、pH、容重和盐分九项指标构建SFI。建模框架包含781个候选特征，涵盖静态背景变量、常规气候指标、多年季节性水热统计量（如蒸散发、蒸散比、VPD、土壤湿度、积雪和冻融状态等）以及GRU和Transformer自监督嵌入。采用空间分块五折交叉验证作为主要验证方式，并设置年份留出、生态区留出等应力测试。使用ExtraTrees等树集成模型，结合AOA、分裂保形预测和自然背景残差分析界定可靠性边界。样本来源为青藏高原刈割-放牧草地2023—2025年野外采样。

研究结果如下：

3.1 SFI变化与阈值：在1037个样本中，SFI均值为0.532，标准差为0.110，中位数为0.534，范围为0.213–0.871。基于分位数确定Q20、Q33和Q40阈值分别为0.439、0.485和0.503，对应低SFI比例20.1%、33.0%和40.0%。Q33被选为主要阈值，因其在保留足够低SFI类别用于AUC评估、避免过窄的Q20和过宽的Q40之间取得了平衡，且bootstrap区间窄、标签一致性好。

3.2 变量消融与窗口竞争：通过对比M0–M10模型，多年季节性水热统计量是最稳定的核心信息源。静态背景模型M0的R²为0.2452，加入常规气候后M1升至0.3832，再叠加多年水热统计量后M2达到0.4887，相对M0增益0.2435。严格的采样前窗口实验表明，10年季节性水热背景在解释方差、预测误差和秩一致性间取得最佳平衡（T10-seasonal R²=0.4306）。泄漏控制实验显示，折叠独立自监督预训练相比不含嵌入的基线将R²从0.51提升至0.56，但增益有限，且低于传导式设置，表明自监督嵌入在有限标签下仅提供辅助信息。

3.3 泛化边界：随机五折验证下M6的R²=0.6713，空间分块验证下降至0.5632，RMSE=0.1105，Spearman=0.4473，AUC=0.696，说明随机分割存在乐观偏差，空间分块结果才是区域筛查能力的主要证据。年份留出验证R²降至0.257（H2）或0.4687（M6），生态区留出验证显示不同区域外推能力不均，区域4具有更高的DI和更低的AOA包含率，提示更大的外推风险。

3.4 网格预测与阈值敏感性：在1220个0.10°系统网格上，预测SFI均值为0.483，中位数为0.492。Q33阈值下低SFI风险评分（R>0.5）的网格占15.8%，高风险（R>0.7）占7.4%。区2具有最低预测平均SFI（0.409）、最高平均风险（0.606）和高风险比例（77.2%），是主要风险集中区。0.10°、0.06°和0.04°网格密度比较显示主要比例指标最大绝对变化为2.6个百分点，区2风险排序不变，说明输出支持区域优先排序而非更细尺度的管理决策。

3.5 AOA与保形预测：全样本AOA方案在系统评估网格上的覆盖率为82.9%（AOA_Mech）、81.9%（AOA_Full734）和85.9%（AOA_Core50），而部署网格AOA覆盖率在更严格的设置下为40.7%（0.10°）、38.9%（0.06°）和39.1%（0.04°），表明特征空间支持与操作网格支持不同。AOA内样本预测误差更低（RMSE=0.077，Spearman=0.711），AOA外RMSE=0.089，Spearman=0.542。分裂保形预测达到PICP=0.899，MPIW=0.264，接近标称90%覆盖；归一化保形预测PICP=0.809，MPIW=0.208，虽然更窄但覆盖不足。

3.6 水热解释与自然背景残差：基于M2H的分组SHAP分析显示，热/VPD/LST胁迫、蒸发需求、水量平衡/土壤湿度、积雪/冻融等水热特征共同贡献88.4%的预测重要性。ALE和相关性分析表明，低SFI风险随热干胁迫增强而增加，随根区水分、水量平衡和积雪日数缓冲而降低。自然背景期望模型的空间分块R²=0.457，其留出残差与长期人类活动强度（LHGI）呈显著负相关（ρ=-0.364，空间置换p=0.012），与放牧强度相关性较弱（ρ=-0.253，p=0.071），但属于筛选性关联而非因果证据。

讨论部分总结了多年水热背景对高寒草地土壤肥力的机制关联、自监督嵌入的辅助作用、AOA与保形预测联合界定可靠性域的必要性，以及管理残差的探索性。研究结论强调，该框架支持区域筛选和采样优先排序，不提供局部确定性诊断。具体结论如下：利用青藏高原刈割-放牧草地的1037个土壤样品和2015—2024年多源环境序列，本研究开发了整合多年水热背景表征、自监督时间特征提取、树集成预测、AOA和保形预测的SFI筛查框架。首先，多年季节性水热背景是解释SFI变异的重要信息源，相比静态背景模型，空间分块验证R²提高了0.2435。低SFI风险主要与更强的热干胁迫、更大的蒸散发亏缺、更低的根区水分供应和较弱的冷季缓冲相关。其次，自监督时间嵌入的增量信息有限，折叠独立预训练显示GRU和Transformer嵌入在不使用测试分块未标记像素的情况下改善了一些指标，但贡献不持续大于多年水热统计量。第三，空间SFI评估需要空间泛化、AOA和不确定性的联合约束。最终模型在空间分块验证下R²=0.5632，低SFI AUC=0.696。全样本AOA方案覆盖超过80%的系统评估网格，而部署网格AOA更严格。分裂保形预测在名义90%区间下PICP=0.899，MPIW=0.264；归一化区间更窄但覆盖不足。第四，相对低SFI风险主要集中于区2，并在阈值和网格密度下保持稳定。自然背景残差显示区1存在最清晰的局部负偏差。长期人类活动强度和放牧强度与残差负相关，但仍为相关性证据。低SFI风险和负残差不等于人为引起的肥力下降，需要实地验证、放牧历史重建和土壤剖面调查后才能转化为区域采样优先事项或管理评估目标。