基于机器学习的茶园一氧化二氮排放预测及可持续氮管理驱动因素识别

《Sustainability》：Machine Learning-Based Prediction of N2O Emissions from Tea Plantations and Identification of Driving Factors for Sustainable Nitrogen Management

　　

摘要

茶园是高投入的农业生态系统，已被认为是土壤氧化亚氮（N₂O）排放的重点区域；然而，这些排放的关键控制因子及其定量预测仍然理解不足。我们汇编了来自26篇已发表论文的115条野外观测记录，构建了一个涵盖气候、土壤特性和施肥管理等多因素数据库，并采用5折交叉验证对比了五种机器学习模型——多元线性回归（MLR）、岭回归、支持向量回归（SVR）、随机森林（RF）和梯度提升回归树（GBRTs），结合Spearman相关性和特征重要性分析进行综合评估。年N₂O排放量差异较大（0.40–73.20 kg·hm^?2·a^?1；均值为9.85 kg·hm^?2·a^?1），且平均直接排放因子（EFd，2.04%）远高于IPCC默认值。排放量与总氮（TN）投入量呈显著正相关，但与年均气温（MAT）和年均降水量（MAP）呈负相关。GBRT模型表现最佳，能够有效捕捉多因素间的非线性交互作用；TN投入量和土壤pH是最主要的预测因子，其次是降水量。然而，特征重要性排名具有方法依赖性：RF/SHAP分析将MAT排为首位而非第五位，反映了两种方法不同的算法机制。基于GBRT的模型为估算茶园N₂O排放量（留一交叉验证R² = 0.668）提供了实用工具，也为茶园生产系统中的可持续氮管理和针对性温室气体减排策略提供了定量支持。