基于遗留数据的纳米比亚全国尺度多深度数字土壤制图(DSM)及16种理化属性在90 m网格的随机森林(RF)预测

《Soil Systems》:National-Scale Multi-Depth Digital Soil Mapping in Namibia Based on Legacy Data

【字体: 大 中 小 】 时间:2026年10月01日 来源:Soil Systems 4.1

编辑推荐:

  在非洲大部分地区,尤其是在干旱地区,可靠的国家尺度、多深度土壤属性图仍然稀缺。在此,研究人员展示了纳米比亚首个国家尺度数字土壤制图(digital soil mapping, DSM):在90 m预测网格上针对三个深度区间(0–30、30–60和60–100

  
在非洲大部分地区,尤其是在干旱地区,可靠的国家尺度、多深度土壤属性图仍然稀缺。在此,研究人员展示了纳米比亚首个国家尺度数字土壤制图(digital soil mapping, DSM):在90 m预测网格上针对三个深度区间(0–30、30–60和60–100 cm)预测了16种物理和化学土壤属性。该框架利用4958个遗留剖面和土钻样品以及65个协变量,包括本地生成的数据集,这些数据集捕捉了全球协变量未能完全表达的土壤–环境关系。一个半自动化工作流将Google Earth Engine(GEE)中的随机森林(Random Forest, RF)建模与基于R的深度协调、Boruta特征选择和超参数调优相结合。每个属性–深度组合通过20次bootstrap迭代量化性能和bootstrap变异性,并进行土壤学评价和独立验证。pH是最一致预测的属性,盐基饱和度(base saturation, BS)、砂粒(sand)和粉粒(silt)捕捉了有用的宏观空间格局,而容重(bulk density, BD)、有机碳(organic carbon, OC)、磷(phosphorus, P)、镁(magnesium, Mg)和黏粒(clay)较难预测,电导率(electrical conductivity, EC)和钠(sodium, Na)表现出低预测能力。性能总体随深度下降,bootstrap变异性在采样稀疏区域和更深层最高。针对来自耕地的独立样本,在评估的所有14个属性–深度组合中,均方根误差(root mean square error, RMSE)低于SoilGrids,在12个中的8个低于iSDA。预测格局与已知纳米比亚土壤–景观关系和成土过程一致,Na除外。因此,当协调后的遗留数据与全球及本地相关协变量相结合,并使用简单但操作稳健的方法时,国家尺度DSM在数据稀疏的干旱环境中是可行的。产品旨在用于国家和区域评估,而非具体地点决策,模块化工作流支持未来更新,并可能适用于其他数据有限地区。
论文解读:基于遗留数据的纳米比亚全国尺度多深度数字土壤制图(DSM)

研究背景方面,可靠且空间明确的土壤信息是土地管理、农业规划和环境保护的基础,在干旱和半干旱地区尤其重要,因为水分稀缺、土壤肥力低和土地退化限制生产力。纳米比亚是撒哈拉以南非洲最干旱国家,气候梯度强、植被覆盖变化大、母质多样,土壤属性空间变异显著。已有土壤信息主要由遗留调查图和剖面数据构成,但年龄、采样密度和分析方法不一。数字土壤制图(DSM)可利用统计或机器学习方法从环境协变量预测土壤属性,但全球模型在数据稀疏地区精度有限;纳米比亚已有局部DSM研究仅限两个次国家案例且土壤观测数量少,缺乏土壤属性图制约国家尺度农业和发展规划。因此,该研究旨在协调并整合深度标准化的遗留土壤数据,生成16种关键物理和化学属性在三个农业重要深度(0–30、30–60、60–100 cm)的全国图,量化预测不确定性,识别重要环境预测因子并评价其土壤学意义,利用独立验证数据与全球和大陆DSM产品比较,并形成开放、可扩展、半自动化、模块化工作流。其新颖性在于首次生成纳米比亚全国尺度多深度土壤属性图,整合全球协变量栈中没有的本地协变量,并提供可由资源有限的国家机构更新的开放模块化流程。

关键技术方法(不超过250字):研究使用纳米比亚土壤剖面数据库(Namibian Soil Profile Database)中1989—2023年4958个地理参考剖面和土钻、13362个样品,并以外源Soils4Africa纳米比亚子集194个样品(112个地点;63个湿化学、131个中红外光谱推断)作独立验证。建模以随机森林(RF)在Google Earth Engine(GEE)中完成,R用于深度协调、Boruta特征选择、tuneRanger超参数调优和后处理;采用等面积二次样条(ea_spline,λ=0.1)进行深度标准化,90 m预测网格,65个协变量,每个属性–深度组合20次bootstrap,共960个模型,以第5至第95百分位形成PI90。

研究结果如下。

3.1 土壤数据:通过整合多项目遗留数据并进行深度协调,研究人员发现数据空间分布不均,中部和北部农业区采样密度最高,纳米布沙漠、国家公园和偏远公共牧场最低;深层样本较少。许多属性呈偏斜分布,Na和EC (1:2.5)强正偏;Ca、Mg、K、OC、P、N和粉粒随深度下降;BS普遍较高;Kalahari盆地以砂为主,Central Highlands和Escarpment土壤较细;pH (H2O)从Kalahari的4到盐盆和Solonetz的11。

3.2 模型优化:通过tuneRanger优化RF超参数,ntree固定为150,Max_Nodes设为NULL,其余三个参数按属性–深度组合调整,以兼顾预测性能和泛化能力。

3.3 特征选择:通过Boruta并辅以专家知识调整,在960个模型中每个属性–深度组合保留4至60个预测因子。DEM、年平均降水量、年平均温度、下游流长、潜在蒸散、岩石露头归一化指数和多种植被指数常被保留;凸度和全球干旱指数从未被选;ASTER来源矿物学指数虽有用但引入伪影,多在多数模型中剔除;超过一半模型纳入本地生成数据集。

3.4 模型性能:通过20次bootstrap计算R2、RMSE和RPIQ,pH预测最一致,R2为0.46–0.52,RPIQ为2.08–2.28;BS的R2稳定在0.44–0.46,但RPIQ仅尚可;砂粒和粉粒为中等R2且RPIQ多尚可至良好;黏粒、BD、Mg、OC和P较低;CEC、Ca、K为中等R2但RPIQ低;N在0–30 cm和30–60 cm的R2分别达0.57和0.75,但RPIQ低于1.4;Na和两种EC最弱。性能总体随深度下降,但BS较稳定,EC (sat)深层R2较高。内部统计源于bootstrap验证,可能偏乐观。

3.5 变量重要性:通过RF变量重要性评价,高程、降水、温度、蒸散和植被指数反复成为最重要预测因子;全国主题图如植被类型、农业生态区、土壤类和载畜能力也较强,说明本地分类信息捕捉了全球协变量未充分代表的土壤–景观单元。光谱波段和植被指数可作为SOM、土壤水分和植被动态代理;曲率、坡向和部分水文变量贡献较低。

3.6 空间预测与土壤学验证:通过对20个bootstrap输出逐像元平均生成90 m空间连续图,并检查其与已知土壤–景观、气候梯度和岩性控制的一致性。Kalahari盆地与Escarpment和Central Plateaus形成明显对角分界;东部Kalahari沙覆盖区以Arenosols为主,西部和中部异质岩性区形成Leptosols、Regosols、Calcisols和Cambisols等。pH、BS和Ca在钙质、白云质岩性、浅层钙结、有限淋溶和高蒸散区较高;OC和N在较湿润东北及季节性河道沿线较高;P在石灰岩、白云岩、片岩和玄武岩区局部富集;OC和N随深度下降,黏粒和pH随深度增加与干旱半干旱成土分异一致。Na图不合理,可能与遗留数据采样偏倚有关;除Na外,预测分布总体与土壤–气候–岩性–景观关系一致。

3.7 预测不确定性:通过每个属性–深度组合20个bootstrap预测的第5和第95百分位生成PI90。除BS和pH外,Kalahari因岩性较均一而不确定性较低;多数属性不确定性随深度增加,采样稀疏或缺失景观中预测值分布最宽。空间不确定性既反映数据限制,也反映模型限制。

3.8 外部验证:通过Soils4Africa独立观测与本研究、SoilGrids250m V2和iSDA比较。该研究RMSE低于SoilGrids的全部14个属性–深度组合,低于iSDA的12个组合中的8个;R2高于SoilGrids的14个组合中的13个,高于iSDA的12个中的9个;iSDA对两个深度黏粒和表层砂粒解释略多。CEC、OC和黏粒的R2普遍低,主要因验证集范围窄和绝对值低。PICP90在14个组合中的9个接近名义90%,pH和黏粒覆盖不足,20–50 cm粉粒过保守;外部数据多位于耕地,不能外推到牧场和沙漠区。

3.9 局限性:遗留观测非概率抽样,空间不均,深层样本少;采样与卫星影像时间不匹配可能影响OC和N;约22%实验室结果来自非纳米比亚农业部实验室;填值和深度协调、粗于90 m或矢量来源协变量、地质代理不完美、气候数据限制、DEM和卫星误差传播、ASTER矿物学指数伪影均引入不确定性;特征选择和调参在bootstrap验证前完成,内部统计可能乐观;PI90仅为预测不确定性下界;GEE计算配额要求权衡;Na和EC图不适合站点特定解释。

讨论部分总结:上述结果表明,在数据稀疏干旱环境中,协调遗留数据结合全球和本地相关协变量,并采用简单但操作稳健的RF流程,能够生成全国尺度多深度DSM;但不同属性和深度可靠性差异大,统计指标、独立验证、不确定性图和土壤学评价必须共同使用。

研究结论翻译:该研究提出了纳米比亚首个全国尺度数字土壤属性图。研究在90 m预测网格上为三个农业重要深度区间(0–30、30–60和60–100 cm)生成了16种物理和化学土壤属性的空间连续预测。模型整合了扩展并协调后的全国土壤剖面数据库与全球和本地派生环境协变量。每个预测均伴随bootstrap模型间变异性的像元级指标。该研究的关键贡献是开发了可操作、可重复且部分自动化的DSM工作流,旨在随着更多土壤观测和改进协变量可用时促进未来更新。将算法特征选择与土壤学评估相结合,有助于识别仅靠统计性能指标未能揭示的不合理空间格局和伪影。因此,专家评价对于评估机器学习预测的土壤学合理性仍然重要。这些图和流程为改善纳米比亚土壤信息提供了新基础。它们还明确了改进的优先事项,包括在代表性不足地区进行概率抽样、增加深层土壤覆盖、改进环境协变量以及更完整量化预测不确定性。模型性能在属性和深度间差异很大。pH预测表现最强且最一致,而BS、砂粒和粉粒捕捉到有用的宏观尺度空间格局。若干其他属性预测能力有限,Na和EC图应特别谨慎解释。然而,预测与已知土壤–景观、气候和岩性格局的总体一致性表明,表现较好的图在与精度统计和不确定性指标一起使用时,可支持国家和区域评估。这些产品不用于农场或站点尺度决策。协调后的全国数据集可用于整合到国际土壤信息倡议和未来全球DSM产品。开放工作流也可能适用于其他数据有限国家,尽管其性能和实施要求需在新情境中评估。
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