复杂地形条件下农田尺度土壤有机碳预测及其对氮肥推荐的影响

《Journal of Soil Science and Plant Nutrition》：Crop-field scale prediction of soil organic carbon in a complex terrain and its implications for nitrogen recommendation

　　

目的：本研究旨在评估可见光-近红外-短波红外（Vis–NIR–SWIR）区域的光谱数据与地形及土壤变量相结合，利用不同机器学习算法预测土壤有机碳（SOC）的潜力，并分析这些估算值对玉米（Zea mays L.）氮肥推荐的影响。 方法：在一个21公顷的农田中共采集了179个土壤样品，其中144个用于模型校准，35个用于独立验证。SOC采用干烧法测定并作为参考方法。研究人员使用偏最小二乘回归（PLSR）、随机森林（RF）和Cubist（CUB）算法开发模型。光谱数据单独使用或与源自5米、10米和30米空间分辨率的地形协变量集成使用。 结果：结合光谱平滑处理并整合10米分辨率光谱与地形协变量的PLSR模型表现出最佳性能（一致性相关系数CCC=0.95；均方根误差RMSE=3.30 g kg-1）。相对重要性最高的地形协变量为坡位、LS因子、谷深、高程和河道网络距离。光谱波段解释了超过90%的SOC变异性相对重要性。光谱预测的SOC值与参考方法高度一致，并产生了统计上等效的氮肥推荐，与传统方法相比降低了施肥成本。 结论：本研究表明，在地形变异性高的农业景观中，Vis–NIR–SWIR光谱学是一种可靠且可操作的田间尺度SOC估算和氮素管理工具。

复杂地形下农田尺度土壤有机碳预测及其对氮肥推荐的影响——论文解读

1. 研究背景与科学问题

土壤有机碳（SOC）是衡量土壤质量和农业可持续性的关键指标，在土壤结构保持、水分调节、生物活性维持、养分循环以及温室气体排放调控中发挥着基础性作用。SOC也是土壤有机质（SOM）的主要可测量组分，广泛应用于肥料推荐和土壤肥力管理实践中。因此，获取准确且具有空间显式表达的SOC估算值对于规划可持续的土地管理实践至关重要。

SOC的空间分布受气候、成土因素、地形和土地利用等多重因素的共同控制。特别是在地形变异度高的景观中，即使微小的地形起伏也会显著改变水、沉积物和养分在景观中的再分配过程，进而影响成土多样性和SOC的空间格局。然而，在亚热带复杂地形环境下，如巴西南部高原的崖壁地带，进行田间尺度的SOC精确预测仍面临诸多挑战。这些挑战包括：数字高程模型（DEM）空间分辨率对地形协变量表征效果及SOC预测性能影响的不确定性；以及基于预测SOC数据所获得的SOM分类和氮肥推荐能否与常规实验室方法的结果相媲美。

基于上述科学问题，该研究提出了三项假设：（i）将Vis–NIR–SWIR光谱数据与环境协变量（特别是地形属性）相结合，能够改善高地形变异环境下的SOC预测；（ii）地形数据的空间分辨率和来源差异会通过影响地形协变量的表征而影响模型性能；（iii）由预测模型获得的SOC估算值能够支持农艺决策，提供与常规实验室方法相当的SOM分类和氮肥推荐。该研究发表于《Journal of Soil Science and Plant Nutrition》。

2. 主要关键技术方法

研究人员采用了以下关键技术方法：首先，利用条件拉丁超立方采样（cLHS）方法，以30米空间分辨率航天飞机雷达地形测绘任务（SRTM）DEM衍生的坡度作为辅助变量，在研究区布设了144个训练集采样点和35个独立验证集采样点。其次，使用FieldSpec 4地物光谱仪获取土壤样品在350-2500纳米范围的Vis–NIR–SWIR反射光谱，并采用平滑处理（SMO）、Savitzky–Golay一阶导数（SGD）、标准正态变量变换（SNV）、多元散射校正（MSC）和连续统去除（CRR）五种预处理技术。第三，从5米、10米和30米三种空间分辨率的DEM/数字地形模型（DTM）中提取了17种地形协变量。第四，测定了土壤磁化率（MS），包括低频磁化率（χLF）、高频磁化率（χHF）和频率依赖磁化率（χFD）。第五，采用偏最小二乘回归（PLSR）、随机森林（RF）和Cubist（CUB）三种机器学习算法构建SOC预测模型。模型训练采用10折交叉验证进行超参数调优，并以一致性相关系数（CCC）、均方根误差（RMSE）、平均绝对误差（MAE）和性能与四分位距比（RPIQ）作为评价指标。

3. 研究结果

3.1 土壤有机碳的描述性统计

训练数据集SOC含量范围为12.74至65.32 g kg^-1，均值35.96 g kg^-1，变异系数（CV）为33.82%。验证数据集SOC含量范围为23.79至60.36 g kg^-1，均值36.65 g kg^-1，CV为28.16%。Levene检验确认两个数据集方差齐性（p=0.2434）。

3.2 SOC与土壤及地形变量的相关性

Spearman相关分析显示，SOC与土层厚度（ρ=-0.49）和A层厚度（ρ=-0.40）呈中等负相关，与石砾含量呈弱正相关（ρ=0.29），与砂粒和粘粒含量相关性极弱且不显著。在地形协变量中，SOC与地形湿度指数（TWI）呈中等负相关（ρ=-0.34），与其他地形变量相关性较弱且不显著。

3.3 不同建模场景下SOC预测模型的性能

共拟合了198个模型。在仅使用光谱数据的场景1中，PLSR+SNV模型表现最佳（CCC=0.94；RMSE=3.53 g kg^-1）。在仅使用地形协变量的场景2中，模型性能显著降低，RF在10米分辨率下最优（CCC=0.62；RMSE=7.18 g kg^-1）。在整合光谱与地形协变量的场景3中，10米分辨率下的PLSR+SMO模型综合表现最佳（CCC=0.95；RMSE=3.30 g kg^-1；RPIQ=3.72）。在进一步加入MS测量的场景4中，CUB算法在各分辨率下表现稳定。在加入所有协变量的场景5中，CUB+SNV组合在10米分辨率下表现最佳（CCC=0.94；RMSE=3.36 g kg^-1）。在不含光谱数据的场景6中，模型精度远低于包含光谱信息的场景。总体而言，10米空间分辨率在不同场景中显示出最高的一致性值和最低的预测误差。在所有场景中，Vis–NIR–SWIR光谱变量贡献了超过90%的相对重要性，而地形协变量的贡献在场景3中仅为约1.6%。

3.4 基于土壤有机质的氮肥推荐

基于SOM分类的氮肥推荐结果显示，常规实验室方法（ROM）的平均推荐量最高（77 kg N ha^-1），而参考方法（REM）为69 kg N ha^-1。光谱预测模型SAM1和SAM2的平均推荐量分别为68和69 kg N ha^-1，与REM无显著差异。ROM相对于REM的RMSE为12.60 kg N ha^-1，而两种光谱模型的RMSE均为6.76 kg N ha^-1。在尿素施用量和施肥成本方面，光谱模型同样与REM更为接近，且与ROM存在显著差异。

4. 讨论与结论

讨论部分总结：

研究发现，Vis–NIR–SWIR光谱数据在SOC预测中占据主导地位，即使在整合多种环境协变量的情况下，光谱信息的相对重要性仍超过90%。这表明在该研究条件下，光谱数据本身已具备较高的SOC预测能力。地形协变量的贡献虽然有限，但其引入在一定程度上调整了光谱波段的重要性分布，显示出互补效应。10米空间分辨率的表现优于5米和30米，这可能是因为5米DTM引入了过多局部噪声，而30米SRTM则无法充分捕捉复杂地形的关键变异。在农艺应用层面，基于光谱预测的SOC估算值能够产生与干烧法参考方法统计等效的氮肥推荐，同时减少了施肥成本，展示了光谱技术在精准农业中的实际应用潜力。

研究结论翻译：

本研究表明，Vis–NIR–SWIR光谱学是一种可靠且可操作的田间尺度SOC估算和氮素管理工具，适用于地形变异性高的农业景观。