《Land Degradation & Development》：Explainable, Uncertainty-Aware Machine Learning for Maize Land Suitability and Climate Resilience in Lorestan Province, Western Iran
编辑推荐：
：玉米（Zea mays L.）在伊朗具有重要战略地位，但其在扎格罗斯半干旱地区的种植受限于有限且多变的水资源、热胁迫以及异质性土壤；传统适宜性评价方法具有确定性、缺乏空间验证且不提供置信度度量。本研究旨在开发一种可解释、不确定性感知的机器学习框架，用于玉米土
：玉米（Zea mays L.）在伊朗具有重要战略地位，但其在扎格罗斯半干旱地区的种植受限于有限且多变的水资源、热胁迫以及异质性土壤；传统适宜性评价方法具有确定性、缺乏空间验证且不提供置信度度量。本研究旨在开发一种可解释、不确定性感知的机器学习框架，用于玉米土地适宜性制图，该框架应具备可解释性、空间稳健性和气候感知能力，并在伊朗西部洛雷斯坦省（约28,300 km2）进行示范应用。实验材料包括经协调处理的多源地理空间预测因子——土壤属性（SoilGrids 2.0）、气候变量（气候灾害群红外降水与站点数据，CHIRPS；TerraClimate）、中分辨率成像光谱仪（MODIS）植被指数以及航天飞机雷达地形任务（SRTM）地形数据——以及520个参考样点，样点标签通过应用联合国粮食及农业组织（FAO）最大限制性土地评价程序对明确记录的土地质量进行评定而获得。作为研究方法，研究人员训练并评估了六种分类器（弹性网络、支持向量机、多层感知器、随机森林、LightGBM和XGBoost），并采用空间分块交叉验证进行评价；预测结果通过SHapley加性解释（SHAP）进行解释，不确定性通过预测熵和模型间集成方差进行量化，并针对观测分类误差进行验证。数据收集依托公开可获取的网格化产品，重采样至250 m网格，未来气候情景采用第六阶段耦合模式比较计划（CMIP6）在两种共享社会经济路径（SSPs）下的预估。梯度提升模型表现最佳，在空间分块交叉验证下宏平均F1分数（macro-F1-score）达到0.79，而随机交叉验证下为0.87，证实随机划分会夸大表观技能。生长季降水、干旱度、热胁迫频率、植被状况和根区土壤属性为主导因子，且呈现显著阈值效应；预测熵与分类精度呈负相关，证实不确定性表面是误差的诊断性指标而非仅具描述性，且最适宜的土地未必是气候韧性最强的土地。研究人员得出结论：该框架为气候智能型旱地农业规划提供了一种透明、概率化且可迁移的替代方案，优于确定性适宜性制图方法。
论文解读文章
一、研究背景与问题提出
玉米（Zea mays L.）是全球广泛种植的谷类作物之一，在伊朗的粮食与饲料安全中具有重要战略地位。随着需求增长，伊朗对国内生产和进口的依赖均有所增加。将作物匹配到环境适宜的土地，是实现可持续集约化、高效利用稀缺水资源与肥料投入以及保障农村生计韧性的前提。联合国粮食及农业组织（FAO）的土地评价框架为这一决策提供了结构化基础，将土地划分为高度适宜（S1）、中度适宜（S2）、边际适宜（S3）和不适宜（N）四个等级。
传统适宜性评价多采用地理信息系统中的加权叠加方法，结合多准则决策分析实现。这类方法虽具透明性和易沟通性，但存在若干固有局限：其一，它们假设环境因素与适宜性之间基本呈加性、单调关系，而作物对水分、温度和土壤属性的响应通常是非线性的，具有最适值和阈值特征；其二，它们高度依赖专家赋权，具有主观性且难以验证；其三，它们仅产生单一确定性地图，不提供任何预测置信度度量，限制了其在风险感知决策中的实用性。
机器学习（ML）已成为环境和农学制图的有力替代方法，能够直接从数据中捕捉非线性关系、交互作用和阈值效应，无需强参数假设。基于树的集成方法，如随机森林、XGBoost和LightGBM，在数字土壤制图和作物相关预测任务中已反复证明其优越性能。然而，两个方法论挑战制约了基于机器学习的适宜性产品的可信度和实际应用。第一个挑战涉及模型评估：环境数据具有强烈的空间自相关性，当训练和测试样本随机抽取时，空间邻近且环境相似的观测会同时出现在两个分区中，产生乐观且误导性的预测技能估计。空间显式验证策略，如分块和缓冲交叉验证，通过在空间上分离训练和测试数据来缓解这一偏差。第二个挑战涉及可解释性和不确定性：复杂机器学习模型常被视为不透明的“黑箱”，削弱了农学家和决策者的信任；模型无关的解释方法，特别是SHapley加性解释（SHAP），通过在理论上合理且局部一致的方式将每个预测归因于其组成预测因子来解决这一问题。此外，当前适宜性与气候韧性之间的区分也常被忽视：基于长期平均条件评估的适宜性可能高估了暴露于高年际降水变率、反复干旱和加剧热胁迫环境下的生产可靠性。
洛雷斯坦省位于伊朗西部扎格罗斯山脉中部，是这些议题交汇的典型旱地农业区。其强烈的地形梯度导致降水、温度和土壤在空间上呈现显著差异；经济在很大程度上依赖雨养和补充灌溉农业；同时高度暴露于干旱和变暖风险。这些特征使其成为检验集成适宜性建模框架的理想区域。
二、研究内容与结论概述
本研究旨在开发并示范一个可解释且不确定性感知的机器学习框架，用于洛雷斯坦省玉米土地适宜性制图。该框架：(i) 集成来自土壤、气候、遥感和地形数据的多源地理空间预测因子；(ii) 采用空间分块交叉验证获得预测技能的现实估计；(iii) 使用SHAP将预测归因于农学上有意义的驱动因子；(iv) 使用预测熵和集成方差量化和制图空间预测不确定性；(v) 通过纳入年际变率和基于共享社会经济路径（SSPs）的气候情景，区分当前适宜性与气候韧性。研究得出的主要结论包括：梯度提升模型（特别是XGBoost）提供了最准确的适宜性预测，但其技能在空间分块交叉验证下显著低于随机交叉验证，凸显了空间显式评估的必要性；SHAP分析表明预测由农学上有意义的变量驱动——生长季降水、干旱度、热胁迫频率、植被状况和根区土壤属性——且具有显著阈值响应；预测熵和集成方差制图揭示不确定性集中于过渡地带，且经观测分类误差验证，这些不确定性层能够识别地图可能出错的位置；当前适宜性与气候韧性的显式分离以及情景分析表明，适宜性与韧性是不同概念，最适宜的土地在气候变化下未必最可靠。
三、关键技术方法
研究人员采用了以下主要技术方法：第一，参考标签生成方法，基于FAO土地评价框架，对七个土地质量（生长季水分可利用性、热状况、热胁迫暴露、根区可利用水量、土壤质地与可耕性、土壤反应和地形坡度）采用最大限制性因子法评定适宜性等级；第二，分层随机抽样设计，基于农业气候区、根区土壤质地类别和海拔带三个分层标准，在可耕性掩膜内布设520个参考样点，样点间最小间距5 km；第三，多源地理空间预测因子协调处理，将SoilGrids 2.0土壤属性、CHIRPS和TerraClimate气候变量、MODIS植被指数以及SRTM地形数据统一重采样至250 m分析网格，并通过方差膨胀因子（VIF）筛选多重共线性；第四，六种分类器（弹性网络、支持向量机、多层感知器、随机森林、LightGBM和XGBoost）的网格搜索超参数调优，嵌套于空间分块交叉验证流程内以避免调优偏差；第五，SHAP模型解释方法，计算全局特征重要性、蜂群图和依赖图以表征非线性与阈值响应；第六，不确定性量化方法，采用预测熵和模型间集成方差两种互补度量，并通过可靠性图检验概率校准；第七，气候情景分析方法，基于五个CMIP6全球气候模式（ACCESS-CM2、CanESM5、EC-Earth3、MPI-ESM1-2-HR和MRI-ESM2-0）在SSP2–4.5和SSP5–8.5两种路径下2041–2060年中期预估，采用分位数增量映射方法进行偏差校正和降尺度处理。
四、研究结果
（一）研究区环境特征
协调后的预测因子数据集显示全省存在显著的环境异质性。生长季降水平均为388 mm，范围274–530 mm，最高值集中于西北和东北高地，最低值位于南部和西南低地。生长季最高温度平均为30.6°C，热胁迫天数（超过35°C）平均为13天，向低海拔西南方向增加。表层土壤黏粒含量平均29%，pH平均7.0，土壤有机碳平均13.7 g kg?1，植物可利用水量平均133 mm m?1。生长季平均归一化植被指数（NDVI）为0.45，在较冷、较湿润的高地最高。
（二）随机与空间验证下的模型性能
两种验证策略下的预测性能差异显著。随机五折交叉验证下，宏平均F1分数范围为弹性网络基线的0.61至XGBoost的0.87。空间分块交叉验证下，对应分数系统性地降低至0.52–0.79，六个模型的降幅为0.08–0.10。XGBoost（0.79）和LightGBM（0.77）在空间验证下表现最佳，随机森林（0.74）次之；线性和核基线及多层感知器返回较低值（0.52–0.62）。XGBoost被选为主要模型。混淆矩阵显示N类正确分类率86%，S3类74%，S2类76%，S1类86%；多数误分类发生在相邻类别之间，非相邻类别混淆罕见。排除边界样点后宏平均F1分数从0.79变为0.78，算法排名不变，表明性能非由接近类别边界的样点驱动。
（三）玉米适宜性的空间分布
预测适宜性地图呈空间结构化模式。高度适宜（S1）土地集中于霍拉马巴德和博鲁杰尔德周边的中部和北部河谷平原；中度适宜（S2）土地形成环绕S1核心的过渡带；边际适宜（S3）和不适宜（N）土地集中于较干旱的西南低地和较高、较陡的山脊。省级尺度上，S2类占最大面积（31.0%），其次为S3（30.0%）、N（21.0%）和S1（18.0%），对应约5090 km2 S1、8770 km2 S2、8490 km2 S3和5940 km2 N土地。
（四）SHAP分析的预测因子贡献
全局SHAP重要性将生长季降水列为最具影响力的预测因子（平均绝对SHAP值0.31），其次为干旱指数P/PET（0.24）、热胁迫频率（0.21）、平均NDVI（0.18）、表层土壤黏粒含量（0.15）、植物可利用水量（0.14）和最高温度（0.13）；土壤pH、土壤有机碳、海拔、降水变率和坡度贡献较小（≤0.10）。蜂群图显示降水、P/PET、NDVI和可利用水量的高值与适宜性的正向贡献相关，而热胁迫频率和最高温度的高值与负向贡献相关。SHAP依赖图揭示了显著的非线性响应：生长季降水贡献在约300–600 mm之间陡增，超过约650 mm后趋于平台；最高温度呈单峰响应，最正贡献位于约24°C附近，超过约31°C后急剧转为负向；表层黏粒含量在20%–35%范围呈现最优响应；NDVI与适宜性呈单调饱和正相关。
（五）预测不确定性
预测熵表面在全省系统性地变化，各适宜性类别均质核心区熵值较低，相邻类别间的过渡地带出现显著高熵区。按预测类别汇总，边际适宜S3类中位预测熵最高（0.49），N和S2类居中（0.28和0.32），高度适宜S1类最低（0.19）。模型间集成方差表面呈现相似空间格局，最高分歧集中于相同过渡区域。可靠性图显示预测概率与观测频率高度一致，概率估计校准良好。将验证样点按预测熵分为五等组后，分类精度从最低熵五分位的91.2%持续下降至最高熵五分位的63.5%；预测熵与误分类概率的点二列相关为正且显著（r=0.42，p<0.001）；熵单独提供误分类判别能力的曲线下面积（AUC）为0.78。集成方差呈现类似关系，精度从最低方差五分位的89.7%降至最高方差五分位的65.1%。位于适用域之外的样点误分类可能性是域内样点的2.3倍。
（六）气候韧性与预估变化
当前适宜性与气候韧性并非等价。两者虽呈正相关，但部分当前适宜性高的地点韧性显著较低，且这些地点与高年际降水变率相关。中期气候情景下，高度适宜（S1）土地面积从基线18.0%降至SSP2–4.5下的8.9%和SSP5–8.5下的3.1%；中度适宜（S2）土地从31.0%降至30.1%和20.6%；不适宜（N）类从21.0%扩大至29.9%和45.7%。空间变化格局显示，适宜性最大降幅出现在已受水分限制的南部和西南部地区。
五、讨论与结论总结
讨论部分指出，空间分块交叉验证相对于随机交叉验证的系统性性能下降，印证了空间生态学和数字土壤制图中已确立的发现：对空间自相关数据进行随机划分会产生乐观且最终误导性的预测技能估计。SHAP分析表明预测由农学上有意义的变量驱动，而非不透明的统计伪影；非线性阈值响应解释了梯度提升模型优于线性基线的原因，此类行为难以用加性、单调叠加模型表征。不确定性制图增添了超越适宜性分类本身的解释价值：高熵和高方差集中于类别间过渡带，低不确定性位于均质核心区，这是行为良好的空间分类器的预期表现；不确定性地图与适宜性地图同等重要，因为它区分了稳健建议与需要额外实地验证的位置。当前适宜性与气候韧性的显式分离是本研究的核心成果之一：存在当前适宜但气候不稳定（因高年际降水变率和干旱热胁迫暴露）的地点，表明仅基于长期均值评估的适宜性可能高估生产可靠性。与既往研究的定量比较表明，本研究在采用更保守的空间验证策略的同时提供了有竞争力的预测性能，且主导环境控制因子与独立研究一致，支持了所识别驱动因子的生态合理性。政策含义方面，兼具高适宜性、低预测不确定性和高气候韧性的土地可优先用于可持续集约化；边际但可能改良的土地可受益于耐旱品种、土壤肥力恢复、补充灌溉、保护性农业和调整种植日历等适应措施；既不适宜又低韧性的土地宜改种替代作物或多样化土地利用。局限性方面，参考标签由FAO匹配规则应用于协调网格化土地特征生成，且同一产品提供模型预测因子，分类器在部分程度上是在重建显式规则库而非预测独立观测的玉米表现；框架基于次级地理空间数据，反映环境适宜性而非实现产量；网格化土壤和气候产品自身携带不确定性；气候情景分析假设土地质量与适宜性关系平稳，且排除CO2施肥效应和农艺适应。
结论部分总结如下：梯度提升模型（特别是XGBoost）提供了最准确的适宜性预测，但其技能在空间分块交叉验证下显著低于随机交叉验证，凸显了空间显式评估的必要性；SHAP分析表明预测由农学上有意义的变量驱动，具有显著阈值响应，证明了灵活学习器的使用合理性；预测熵和集成方差制图显示不确定性集中于过渡地带，且经观测分类误差验证，这些不确定性层能识别地图可能出错的位置，因此适宜性应概率化解释，实地调查应针对性布设；当前适宜性与气候韧性的显式分离以及情景分析表明，适宜性与韧性是不同概念，最适宜的土地在气候变化下未必最可靠。由于参考标签为规则推导，这些结果表征了对FAO框架的透明、概率化重建，而非与独立观测玉米表现的一致性；通过实地验证建立后者是自然的下一步。通过结合多源预测因子、空间稳健验证、可解释归因和误差验证的不确定性，该框架为确定性适宜性制图提供了一种透明、概率化且具有政策相关性的替代方案，并为数据有限的旱地地区气候智能型农业规划提供了可迁移路径。
