《Science of The Total Environment》:Modeling soil solution electrical conductivity across Europe
编辑推荐:
土壤盐渍化(soil salinization)指土壤中可溶性盐分过量积累,会对养分循环、生物多样性、土壤结构、作物生产、土壤健康及生态系统功能产生不利影响。通过土壤溶液电导率(electrical conductivity, EC)准确评估土壤盐度是减轻其影
土壤盐渍化(soil salinization)指土壤中可溶性盐分过量积累,会对养分循环、生物多样性、土壤结构、作物生产、土壤健康及生态系统功能产生不利影响。通过土壤溶液电导率(electrical conductivity, EC)准确评估土壤盐度是减轻其影响的关键,因此在区域和大陆尺度上开发土壤EC预测工具对可持续土壤管理至关重要。研究人员应用机器学习模型,以土壤属性、气候、地形及卫星遥感数据等环境因子为预测变量,预测欧盟(EU)及英国(UK)土壤的EC。模型以2015年和2018年土地利用/覆被面积框调查(Land Use/Cover Area Frame Survey, LUCAS)约40,000个土壤EC观测点,辅以世界土壤信息服务(World Soil Information Services, WoSIS)数据集的EC观测值进行训练。为提高模型性能采用前向特征选择(forward feature selection)技术,从初始34个预测变量中筛选出17个协变量。最终选定的XGBoost模型在训练集、内部测试集及独立验证数据集上的决定系数(R2)分别为0.68、0.60和0.63。研究人员估算2018年欧盟+英国约有21.7 Mha土地超过EC1:5(土水比1:5浸提液电导率)0.6 dS/m的阈值,该估算应被解释为预测EC1:5升高区域而非直接满足原盐积层(protosalic)诊断标准的土壤面积。预测模型输出为2018年研究区EC1:5空间分布栅格数据集及配套的不确定性图,空间分辨率为1 km。
论文解读:欧洲表层土壤EC1:5的机器学习预测与制图——基于LUCAS与WoSIS数据的全欧尺度数字土壤盐渍化评估
《Science of The Total Environment》
一、研究背景与意义
土壤盐渍化是全球土壤退化的重要形式之一,过量积累的水溶性盐分会抑制植物根系吸水造成渗透胁迫,引起养分失衡并破坏土壤团聚体结构,同时影响微生物多样性与土壤碳固存能力,进而威胁农业生产力与生态系统服务功能。传统土壤盐度的诊断依赖饱和泥浆提取液电导率(electrical conductivity of the saturation extract, ECe),但在大范围调查中耗时费力且成本高昂。欧洲虽不像干旱区有广泛原生盐土,但地中海沿岸及受气候变暖、海平面上升、灌溉返盐影响的区域存在潜在盐渍化风险,且季节性盐分累积形成的"原盐积"(protosalic)条件往往低于WRB(World Reference Base for Soil Resources)正式诊断阈值而被既有土壤图遗漏。早期欧洲盐渍土分布图多基于专家判读与旧版欧洲土壤数据库(European Soil Database),空间分辨率粗且未反映动态变化。近期全球尺度的机器学习(machine learning, ML)盐度预测因欧洲本土训练样本稀疏而引入较大不确定性。随着欧盟统计局Eurostat开展的LUCAS(Land Use/Cover Area Frame Survey)Soil Module提供欧盟境内约3万多个具有地理坐标的表层(0–20 cm)EC1:5(土水比1:5浸提液电导率)实测值,使得以数据驱动方式精细绘制欧洲土壤EC成为可能。为此,研究人员开展本研究,融合LUCAS EC1:5与WoSIS(World Soil Information Services)ECe观测,借助ML算法识别关键环境协变量,建立并验证XGBoost模型预测欧盟及英国2018年表层土壤EC1:5空间分布,绘制1 km分辨率栅格图与预测不确定性图,估算EC1:5>0.6 dS/m的潜在高电导区面积,并探讨EC1:5与ECe转换在碳酸盐质土壤中的局限性,为欧洲土壤健康监测与盐渍化管理政策提供依据。
二、主要技术方法概述
研究人员整合LUCAS 2015(21,859点)和2018(18,975点)表层EC1:5数据与WoSIS 2000年后ECe数据(19,776点)构成共约60,610条观测的样本队列。依据SCORPAN数字土壤制图框架选取五类共34个环境协变量:SoilGrids 250 m提供的砂、粉砂、黏粒含量;MERIT DEM衍生的海拔、坡度、坡向、曲率、地形湿度指数(topographic wetness index, TWI)等地形因子;TerraClimate的10年平均气温、降水、潜在/实际蒸散、水分亏缺、帕默尔干旱 severity 指数(Palmer Drought Severity Index, PDSI);MODIS遥感产品(NDVI、EVI、LAI、FAPAR、GPP、NPP、白天地表温度LST);WRB土壤类型、母岩岩性、土水比类别(soil-to-water ratio, SWR,EC1:5赋值为2,ECe赋值为1)及采样深度。原始分辨率提取至各采样点坐标,不做统一重采样。数据集按分层(EC值分10箱)留出10%作为独立验证集,剩余90%按8:2划分为训练集与内部测试集。比较Random Forest(RF)、XGBoost、LightGBM三种算法,采用前向特征选择(先枚举所有二元组合选定起始双变量,再逐次加入使内部测试R2提升最大的变量直至无增益)筛选最终17个重要协变量,10折交叉验证防过拟合,网格搜索与贝叶斯优化调参。最终以表现最优的XGBoost建模并外推至全欧1 km格网(预测时SWR固定为EC1:5类别),通过100次Bootstrap重抽样计算像元标准差量化预测不确定性,并以LUCAS 2018各国均值对比检验国家尺度趋势一致性。
三、研究结果
3.1. Model performance(模型性能)
XGBoost在训练集R2=0.68、内部测试集R2=0.60(RMSE=1.38,MAE=0.39)、独立验证集R2=0.63,优于RF和LightGBM而被选为最终模型。XGBoost内置特征重要性显示砂含量(sand content)、净初级生产力(net primary production, NPP)、黏粒含量(clay content)、归一化植被指数(Normalized Difference Vegetation Index, NDVI)、地形定位指数(topographic positioning index, TPI)、土壤—水比类别(SWR)等为最重要预测因子。砂含量高利于盐分淋洗因而与低EC关联,黏粒高促进毛管上升与盐分表聚,NPP低反映盐胁迫抑制植被生产力,遥感植被指数间接表征盐害程度。
3.2. ML-driven prediction of EC1:5across the EU(欧盟EC1:5的机器学习预测)
2018年EC1:5预测栅格图显示西班牙(特别是Bardenas盆地)、意大利沿海(安科纳、卡坦扎罗、那不勒斯)及爱尔兰部分地区EC1:5偏高。按土地利用统计,湿地约67,000 km2、裸地约40,000 km2、草地约38,000 km2受影响最甚;按USDA质地分类,壤质土约132,000 km2高EC1:5面积最大。以EC1:5>0.6 dS/m(LUCAS观测分布上6%分位经验阈值)估算全欧+英国约217,000 km2(21.7 Mha)土地呈升高EC1:5,该数值不代表确诊盐土而是需进一步关注的区域。Bootstrap不确定性图显示北欧斯堪的纳维亚、阿尔卑斯山区及西班牙埃布罗盆地部分区域预测标准差较高(训练点稀疏或环境超出适用范围),爱尔兰局部不确定性较小。国家均值预测vs LUCAS实测散点多数靠近1:1线,表明模型可捕捉欧盟国家尺度EC1:5趋势。
3.3. LUCAS observed EC1:5– soil property relationships(LUCAS观测EC1:5与土壤性质关系)
LUCAS 2018数据分析显示EC1:5在pH≈7.7附近出现高值簇(对应干旱/半干旱区碳酸钙富集土壤),酸性土壤(pH<6)整体EC1:5低但因淋溶强烈,个别有机—矿质土壤pH≈5处EC1:5可达~2 dS/m可能与离子释放有关。土壤有机碳(soil organic carbon, SOC)与全氮(total nitrogen, TN)低值区伴随较高EC1:5,符合干旱低有机质盐渍土特征。爱尔兰异常高EC1:5在2015极湿年(中位0.79 dS/m,34%>1 dS/m)较2018正常年(中位0.29 dS/m,仅3%>1 dS/m)显著升高,且增幅主要在pH<6的高有机碳土壤中,推测与淹水条件下有机质分解、离子交换或地下水上涌相关,并非典型Na+/Mg2+盐渍化;部分pH≈7高值可用CaCO3饱和溶解(受土壤CO2分压PCO2影响)解释,此类背景下简单乘系数换算EC1:5→ECe会高估。
四、讨论与结论总结
研究人员指出本研究的局限在于合并两种浸提 protocol(EC1:5与ECe)仅以分类变量SWR区分而未建非线性配对转换关系;WoSIS欧洲以外样本可能引入转移误差;未进行空间分块交叉验证;未纳入土地利用变化、地下水埋深等人为驱动因子。建议未来补充欧内高盐区配对EC1:5–ECe数据、开展空间留出验证、纳入高分辨率母岩图和人类活动变量。
研究结论如下:研究人员采用RF、XGBoost和LightGBM三种ML算法,以LUCAS与WoSIS的EC观测为目标变量、SCORPAN框架下的环境协变量为预测因子,经前向特征选择确定17个关键变量(含砂含量、NPP、TPI、黏粒含量等),最终XGBoost模型(训练R2=0.68,测试R2=0.60,独立验证R2=0.63)预测出2018年欧盟及英国约21.7 Mha土地预测EC1:5>0.6 dS/m。研究人员强调EC1:5向ECe的转换不可靠地使用单一通用换算系数,尤其在碳酸盐饱和土壤中标准换算会高估ECe;该问题在文献中常被忽视。所提框架及结果为欧盟可持续土壤管理与政策制定提供参考,方法亦可推广至其他区域盐渍化评估。