机器学习解析玉米-大豆轮作中长期土壤肥力遗留效应与季节性天气影响

《Soil Science Society of America Journal》:Machine learning insights into long-term soil fertility legacy and seasonal weather effects in corn–soybean rotation

【字体: 大 中 小 】 时间:2026年09月18日 来源:Soil Science Society of America Journal 2.6

编辑推荐:

  诸多因素,如累积的肥力遗留效应(fertility legacy)、作物轮作(crop rotation)、土壤属性(soil properties)及季节性天气变量(seasonal weather variables),因其非线性(nonlinearity

  
诸多因素,如累积的肥力遗留效应(fertility legacy)、作物轮作(crop rotation)、土壤属性(soil properties)及季节性天气变量(seasonal weather variables),因其非线性(nonlinearity)与相互依赖性(interdependencies)而使长期研究趋于复杂。为此,研究人员假设基于机器学习(machine learning,ML)的数据分析方法有助于弥补这一不足,并可识别与玉米(Zea mays)和大豆(Glycine max)长期产量相关的最具影响力变量。研究目标在于识别与玉米和大豆产量变异性相关的关键土壤与天气变量、评估作物特异性变量,并评价单一非线性ML方法在长期产量预测中的稳健性。为此,在堪萨斯州托皮卡(Topeka, KS)开展了一项为期43年的土壤肥力试验,设置20种氮(N)、磷(P)、钾(K)肥施用量的组合。将温度、降水、灌溉、土壤pH、土壤P和K含量、土壤质地以及N–P–K施肥量(年度及累积)等变量整合入随机森林(Random Forest,RF)ML模型。对于玉米,氮肥、土壤磷和土壤pH是与产量变异性相关的重要变量,而大豆产量则与天气变量(尤其是降雨、蒸散发(evapotranspiration,ET)和土壤磷)更为相关。RF模型对玉米(决定系数R2=0.81,均方根误差RMSE=1449 kg ha?1)和大豆(R2=0.74,RMSE=527 kg ha?1)的产量估算均表现良好。结果表明,ML模型有助于识别产量变异性的关键预测因子并提供稳健的产量估算,从而支持改善长期作物管理决策。
长期土壤肥力试验为理解管理措施与作物生产力在长时间尺度上的交互作用提供了独特平台。然而,养分遗留效应、作物轮作、土壤理化性质及季节天气变化等多重因素间存在高度非线性和相互依赖关系,使传统统计方法难以捕捉其复杂动态。玉米-大豆轮作是美国大平原地区最主要的谷物-豆科种植体系,但两种作物在养分需求与生理响应上存在本质差异。玉米具有高氮需求,对氮磷钾肥响应强烈;大豆则通过共生固氮满足自身约50%–60%的氮需求,对氮肥需求较低,而对土壤磷和水分条件更为敏感。此外,长期施肥会逐步改变土壤化学性质,如氮肥长期施用导致土壤酸化,磷钾累积影响养分有效性,这些变化对两种作物的影响方向和程度各异。既有研究多聚焦单一因素(如单类肥料效应、单一气象因子或土壤性质)对产量的影响,缺乏对肥料管理、土壤特性与天气条件交互作用的系统解析。机器学习(machine learning,ML)方法虽已用于作物产量预测,但其“黑箱”特性限制了对变量作用方向和机理的解释。因此,研究人员提出假设:长期肥料管理方式和季节天气变化会通过影响土壤肥力和作物生长,对玉米和大豆产量产生差异性影响。基于此,本研究旨在利用随机森林(Random Forest,RF)结合Shapley Additive Explanations(SHAP)可解释人工智能方法,识别影响两个作物产量变异性的主导土壤肥力、季节天气及土壤属性变量,评估非线性ML模型的预测稳健性,并比较玉米和大豆对施肥遗留与天气因素的敏感性差异。

该研究基于1983年至2025年间在美国堪萨斯州托皮卡(Topeka, KS)堪萨斯州立大学堪萨斯河谷试验场开展的43年长期定位试验。试验采用裂区随机完全区组设计,设置20个氮磷钾肥施用量组合,4次重复,玉米-大豆轮作,传统耕作和灌溉管理。试验地土壤为Eudora-Bismarckgrove粉壤土,表层砂粒、粉粒和黏粒含量分别为32%、56%和12%。肥料仅在玉米季施用,大豆季不施任何肥料以评价残留效应。研究中使用了包含11个土壤采样年份(7个玉米年、4个大豆年)的808条观测数据(玉米496条,大豆312条)。气象数据(降雨、平均气温和蒸散发(ET))来自堪萨斯州Mesonet网,按生长季早期(4–5月)、中期(6–7月)和晚期(8–9月)进行分期聚合;土壤样品采集自0–15 cm土层,测定pH、Bray-1磷和交换性钾;土壤质地(砂粒、粉粒、黏粒百分比)视为静态变量。年度施肥量视为动态管理变量,同时计算累积施肥量以表征长期肥力遗留效应。

主要研究方法包括:第一,利用皮尔逊相关分析和递归特征消除(recursive feature elimination,RFE)进行探索性分析和特征筛选,以降低预测变量冗余和多重共线性;第二,构建RF回归模型,采用按区组分组的GroupShuffleSplit将数据按70%训练集和30%测试集划分,使用10折分组交叉验证(GroupKFold)进行超参数调优,防止同一小区多年观测数据在训练和测试集间泄漏;第三,采用SHAP的TreeExplainer算法对模型进行解释,量化各预测因子对产量的贡献方向与幅度。模型性能通过决定系数(R2)、调整决定系数(Adj R2)、均方根误差(RMSE)、相对均方根误差(RMSE%)和平均绝对误差(MAE)五个指标综合评价。

研究取得了以下主要结果。在天气与水输入方面,研究期间生长季降雨、灌溉和气温呈现明显的月际和年际变异,ET在生长中期(7月)达到峰值,与高蒸散需求和不可靠降雨相吻合;早期(1983–1987年)ET较高,近年呈下降趋势。在产量和土壤化学性质方面,玉米产量总体呈上升趋势,其中平衡施用氮磷钾(NPK)处理的产量在各年份均为最高且呈长期增长趋势;对照(不施肥)处理产量最低且略呈下降趋势,说明平衡施肥对维持玉米持续高产至关重要。大豆产量在NPK处理组更高,但总体呈现长期下降趋势,表明大豆产量更受环境变异性或生理限制影响。土壤pH在试验早期下降后回升,随后再次下降并呈非线性波动;累积施氮量与土壤pH存在显著负相关(R2=0.05,p<0.001),表明长期施氮导致土壤逐渐酸化。土壤磷呈明显下降趋势,土壤钾略有下降。在预测变量关系与特征选择方面,玉米产量与年度氮肥施用量(r=0.78)和累积施氮量(r=0.66)呈强正相关,与土壤pH(r=?0.38)和土壤磷(r=?0.23)呈负相关,这种负相关反映了长期施肥历史和变量间的复杂互作而非直接因果关系。大豆产量则与中期降雨(r=0.64)、早期ET(r=0.62)和晚期ET(r=0.60)等天气变量相关性更强,与施肥量相关性较弱。RFE为玉米筛选出的10个特征包括天气变量(早期降雨、中期ET)、肥料变量(年度施氮量、累积施氮量、累积施磷量)和土壤属性变量(土壤钾、土壤磷、pH、砂粒、粉粒),而大豆的10个特征中天气变量占比更大(中期降雨、晚期降雨、灌溉、中期气温、早期ET等),肥料相关变量仅含累积施磷量。在模型预测性能方面,RF模型对玉米产量的测试集预测表现良好,R2=0.81、Adj R2=0.80、RMSE=1449 kg ha?1、RMSE%=17.14%、MAE=1039 kg ha?1;大豆产量预测的R2=0.74、Adj R2=0.71、RMSE=527 kg ha?1、RMSE%=13.27%、MAE=377 kg ha?1。玉米的预测精度高于大豆,这与大豆样本量较小(仅4年)及环境变异性较大有关。在特征重要性与模型解释方面,RF特征重要性显示,玉米产量最重要的变量为年度施氮量(34.9%)、累积施氮量(34.7%)、累积施磷量(9.4%)、土壤钾(4.2%)和砂粒含量(3.8%);大豆产量最重要的变量为土壤磷(26.7%)、灌溉(16.9%)、晚期降雨(8.1%)、早期气温(7.7%)和中期降雨(7.5%)。SHAP分析进一步揭示了变量的作用方向和阈值效应。对玉米而言,年度施氮量的平均绝对SHAP值最大(1157.95 kg ha?1),施氮量从0–45 kg ha?1增至约180 kg ha?1时,对产量的正向贡献迅速增加,此后边际增益递减;累积施磷量(730.56 kg ha?1)也呈持续正向贡献,未出现明显平台期,体现了磷肥长期遗留效应。土壤pH、土壤磷和土壤钾的贡献较小(219.22、137.41和121.34 kg ha?1),但养分亏缺时会导致产量下降。对大豆而言,土壤磷的贡献最大(193.54 kg ha?1),在低磷(<10–15 ppm)条件下SHAP值显著为负,土壤磷升至约20–30 ppm后增益趋于稳定;中期降雨(130.73 kg ha?1)、晚期降雨(120.41 kg ha?1)和中期ET(105.52 kg ha?1)共同表明水分有效性对大豆生殖生长期的产量决定性作用;累积施磷量(102.66 kg ha?1)也反映了长期磷素累积对大豆产量的正效应。土壤钾的贡献相对较小(37.33 kg ha?1),表明该长期试验中钾的限制作用弱于磷。

在讨论部分,研究指出玉米产量对氮管理的高度敏感性与其高氮需求生理特性一致,年度施氮量呈阈值型响应,中等施氮量(约45–180 kg ha?1)的增产效益最大;累积施氮量的正向贡献表明肥料遗留效应的持续性。土壤pH作为长期施氮导致酸化的指示变量,对玉米产量预测具有重要作用,但R2=0.05的较弱关系说明pH还受土壤缓冲能力、环境条件和处理交互等因素共同影响。大豆产量对水分和磷素的高度依赖与其C3光合途径和固氮生理特性相符:水分亏缺会抑制光合效率、花粉萌发和籽粒发育,磷素供应不足则限制根瘤固氮和整体生长。灌溉与大豆产量的负相关并非灌溉本身所致,而是灌溉仅在降雨不足和高ET胁迫年份启用的环境条件反射。在模型性能方面,RF模型对非线性关系和复杂交互的捕捉能力是其预测表现优异的关键,与已有研究结果一致。研究局限性方面,仅11个土壤采样年份(尤其大豆仅4年)的数据可能限制模型在更长时间尺度上的泛化能力,但所选年份跨度超过四十年,涵盖广泛的施肥处理、土壤肥力条件和天气变异,仍具代表性。

结论部分指出,RF机器学习框架成功识别了影响玉米和大豆产量的主导土壤、天气和养分管理变量。玉米产量主要受年度和累积氮输入影响,而大豆产量更依赖于土壤磷有效性和季节性天气条件。SHAP分析揭示了阈值型响应和肥料遗留效应,表明当季养分管理与历史养分累积共同贡献于长期作物生产力。较高的养分有效性普遍提升预测产量,而养分亏缺和不利天气条件则降低预测产量。将预测性能与模型可解释性相结合,机器学习方法为理解限产过程、优化长期轮作体系的养分管理决策提供了有效工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号