《Land Degradation & Development》:Application of Principal Component Analysis and Probabilistic Neural Networks in Ferralsols Recovery Evaluation Through Planting of Mabea Fistulifera and Eucalyptus Urograndis
编辑推荐:
本研究提出了一种创新评估模型,用于分析经历不同恢复策略的退化土壤的演变过程。该模型结合了统计和人工智能工具,以联合整合多种土壤物理和化学性质,从而提供更综合的过程视角。该模型利用主成分分析(Principal Component Analysis, PCA)综
本研究提出了一种创新评估模型,用于分析经历不同恢复策略的退化土壤的演变过程。该模型结合了统计和人工智能工具,以联合整合多种土壤物理和化学性质,从而提供更综合的过程视角。该模型利用主成分分析(Principal Component Analysis, PCA)综合最相关变量的信息,随后应用概率神经网络(Probabilistic Neural Networks, PNN)来识别在给定土壤恢复处理下主成分的最可能值。一旦定义了成功恢复土壤的最佳范围,便应用所开发的数值方法,在主成分图中确定一个被视为最优的区域。最合适的处理被认为是那些最有可能占据最优区域的处理。该方法论应用于巴西Ilha Solteira水电站建设所退化的贫营养红氧化土(dystrophic Red Oxisol),并于2010年建立了一项长期实验,涉及两种树种(Eucalyptus urograndis和Mabea fistulifera)以及不同剂量的有机和矿物施肥。结果表明,M. fistulifera与20?Mg·ha-1堆肥施用的组合显著改善了表层土壤(surface soil horizons)的有机质(organic matter)、孔隙度(porosity)和阳离子交换量(cation exchange capacity, CEC),从而长期为植物生长创造了更有利的条件。除了具体结果外,该多变量模型为评估长期土壤恢复项目的有效性提供了一个有用工具,提供了客观标准,可指导生态恢复和退化土地可持续管理项目的决策。
**论文解读文章**
**研究背景与问题**
自20世纪60年代以来,巴西大型水电站的建设推动了能源发展,但也因材料开采造成了大面积退化土壤。这些土壤缺乏植被,自然恢复能力低下,面临结构、肥力和生态功能恢复的严峻挑战。退化导致局部侵蚀、生物多样性丧失和水文循环改变等深刻影响。恢复这些区域需要结合物理、化学和生物改良措施,以及能够整合多个土壤指标的评估工具。特别是在热带地区,物理和化学指标结合堆肥或适应性树种等实践已被强调用于监测和指导恢复。土壤是一个复杂系统,其性质如有机质、持水能力、结构和养分有效性相互依赖,因此监测其恢复需要多变量方法。主成分分析(PCA)能降低数据复杂性并突出相关模式,人工神经网络(ANN)能捕捉非线性关系并提高预测能力。然而,PCA在特定研究中使用较多,而人工智能在土壤管理和保护中的实际应用仍处于起步阶段,这促使需要开发跨学科方法。在此背景下,Mabea fistulifera Mart.作为一种先锋、落叶、速生树种,在巴西多个生物群落中分布广泛,适应沙质土壤和受干扰环境,被推荐用于生态恢复项目。本研究旨在提出一种基于PCA和概率神经网络(PNN)的创新方法,用于评估退化土壤的物理和化学性质演变,并应用于受不同施肥和堆肥剂量以及栽种本地和外来树种(M. fistulifera和Eucalyptus urograndis)影响的退化氧化土恢复评估。
**研究开展与结论**
研究人员在巴西Selvíria的UNESP教学、研究和推广农场进行实验,地点位于Paraná河岸,海拔327米,气候为湿润热带气候(Aw)。实验区为1969年Ilha Solteira水电站建设时剥离表土的氧化土(Oxisol,Typic Hapludox,按WRB分类为铁铝土Ferralsol)。2009年进行机械松土,2010年施用堆肥或矿物肥,并种植两种树种。实验采用随机区组设计,共12个处理(表2),每个处理4次重复,共48个小区。2023年2月采集土壤样本,分析物理性质(容重、总孔隙度、大孔隙度、小孔隙度、水分入渗)和化学性质(有机质、阳离子交换量CEC、有效CEC)。数据通过PCA和PNN分析。结果表明,M. fistulifera与20 Mg·ha
-1堆肥组合(D20处理)显著改善了表层土壤的有机质、大孔隙度和CEC,降低了容重,而Eucalyptus处理间差异较小。D20处理在Mabea下距离最优区域最近,且与D15处理无显著差异,但显著优于其他处理。该多变量模型为长期恢复项目提供了有效工具。
**主要关键技术方法**
研究人员主要采用了以下关键技术方法:1)主成分分析(PCA):用于降低数据维度,将多个土壤物理和化学变量综合为少数主成分,捕捉变量间的相互关系和变异模式。2)概率神经网络(PNN):基于贝叶斯分类,对PCA得到的主成分进行概率建模,识别每个处理下主成分的最可能值,并定义各处理在二维主成分图中的高概率区域。3)最优区域定义:根据文献中关于氧化土恢复的临界值,设定各变量的最优范围(如容重1.00–1.65 kg·dm
-3、有机质20–30 g·dm
-3等),通过标准化转换为主成分坐标,形成最优区域。4)距离计算:计算每个处理样本到最优区域质心的欧氏距离,通过方差分析(ANOVA)比较处理间差异。样本来源为巴西Ilha Solteira水电站退化的氧化土(Ferralsol),实验点位于Selvíria, MS。
**研究结果**
**3.1 统计描述(Statistical Description of the Studied Variables)**
通过方差分析发现,不同采样深度下有机质(OM)、阳离子交换量(CEC)、大孔隙度(MA)和容重(BD)存在差异。两种树种表现相似,无交互作用。有机质含量随深度增加而降低,容重则在表层较低。M. fistulifera种植区土壤CEC、有机质、大孔隙度均高于Eucalyptus,且容重和入渗率也受物种影响。
**3.2 最优值定义(Definition of the Optimal Values Sought)**
根据文献设定氧化土恢复的最佳范围:容重1.00–1.65 kg·dm
-3、总孔隙度0.30–0.55 m
3·m
-3、大孔隙度0.17–0.50 m
3·m
-3、小孔隙度0.25–0.33 m
3·m
-3、水分入渗40–100 mm·h
-1、有机质20–30 g·dm
-3、CEC 5–50 cmol
c·dm
-3、有效CEC 5–15 cmol
c·dm
-3。这些范围反映植物高效利用土壤、养分循环激活的恢复条件。
**3.3 主成分分析(Principal Component Analysis)**
对容重、大孔隙度、有效CEC和有机质四个变量进行PCA,前两个主成分解释了大部分变异。有机质与CEC呈正相关,容重与大孔隙度呈负相关。在Mabea处理中,D20处理主要位于第一主成分(PC1)正值、第二主成分(PC2)负值区域,对应高有机质和低容重;SI处理位于第二象限,有机质最低、容重最高。D10和D15位于第一象限,有机质高但容重也较高。D0和DAM位于第三象限,有机质最低。Eucalyptus处理中,处理间差异较小,D20、D15、D10多位于第一象限,D0位于第三象限,SI和DAM分散。
**3.4 概率神经网络精化(Refinement of the Principal Components With PNN)**
应用PNN后,处理间区分显著提高。剔除离群点后,Mabea处理中处理随堆肥剂量增加向右移动,PC1增加,反映有机质和CEC升高。Eucalyptus处理中D20集中在第一象限,D0在第三象限,DAM位于高有机质低容重区域,但分布较分散。
**3.5 最优区域获取(Obtaining the Optimal Area)**
根据标准化的最优值范围,计算各物种下最优区域的主成分坐标。Mabea最优区域PC1范围0.701–5.716,PC2范围-2.389–3.166;Eucalyptus最优区域PC1范围1.430–4.200,PC2范围0.477–3.346。
**3.6 距离计算(Calculation of Distances)**
计算各处理重复到最优区域质心的欧氏距离之和。Mabea中D20和D15距离最小,且无显著差异,但显著优于其他处理。Eucalyptus中D20距离显著小于其他处理,其他处理间无差异。
**讨论与结论**
讨论部分指出,M. fistulifera通过落叶和细根贡献更多有机质,提高CEC并改善土壤结构,而Eucalyptus深根系和缓慢分解的枯落物限制了表层差异,导致处理间均质化。PCA与PNN联合应用显著提高了处理区分精度,能有效识别最优恢复处理。结论部分翻译如下:
本研究展示了基于主成分分析(PCA)并结合概率神经网络(PNN)的评估土壤恢复过程演变的新方法,该方法允许对土壤所有物理和化学变量进行全局评估。根据结果,结合耕作与营养改良、引入Eucalyptus或Mabea树的效果因土壤深度而异。施用堆肥对表层土壤性质的改善效果更大,且与剂量成正比。当使用20 Mg·ha
-1堆肥剂量并种植M. fistulifera时,表层土壤性质改善显著更大。在Mabea小区中,D20处理提高了有机质和大孔隙度,有利于植物发育;SI处理因缺乏耕作和改良而条件较差;D10和D15有机质含量高但容重较大;D0和DAM有机质低且容重中等。在Eucalyptus小区中,处理间差异较小;D20、D15、D10有机质和CEC较高但容重也高;D0有机质低但容重中等;SI和DAM因Eucalyptus栽培而表现均质。PCA和PNN的联合应用在解释退化土壤恢复处理演变方面取得了显著进展,能同时整合分析多种土壤物理和化学性质,提供更完整、详细的恢复过程视图。该方法论提高了结果解释的精度,并为生态恢复项目中的知情决策提供了有力工具。