干旱区受生态与环境影响的土壤有机碳含量数字土壤制图与建模:土壤健康的关键指标

《Environmental Challenges》:Digital soil mapping and modelling of soil organic carbon content as influenced by ecology and environment in arid region: A key indicator of soil health

【字体: 大 中 小 】 时间:2026年07月15日 来源:Environmental Challenges CS8.0

编辑推荐:

  土壤有机碳(SOC)是土壤质量与生态系统功能的关键指标,对农业可持续性具有重要意义,尤其在干旱环境中。研究人员在印度炎热干旱生态系统中于3208个空间分布采样点量化了SOC含量,随后通过数字土壤制图与建模(DSMM)方法进行制图与建模。研究人员评估了普通克里金

  
土壤有机碳(SOC)是土壤质量与生态系统功能的关键指标,对农业可持续性具有重要意义,尤其在干旱环境中。研究人员在印度炎热干旱生态系统中于3208个空间分布采样点量化了SOC含量,随后通过数字土壤制图与建模(DSMM)方法进行制图与建模。研究人员评估了普通克里金(OK)、回归克里金(RK)及三种预测建模技术即随机森林(RF)、梯度提升机(GBM)和Cubist在区域未采样点位的SOC预测效果。环境变量如生物气候变量、地形属性、归一化植被指数(NDVI)和土地利用/土地覆被(LULC)信息被用作DSMM方法的辅助信息。代表印度塔尔沙漠的干旱西部拉贾斯坦邦SOC含量极低,范围为0.01%至0.50%,平均SOC含量为0.18%。上述五种DSMM方法在独立验证数据集中的表现顺序为OK > RK > RF > Cubist > GBM。五种DSMM方法验证过程的评估指标如下:R2= 0.40–0.45,均方根误差(RMSE) = 0.08%,Lin's concordance correlation coefficient (LCCC) = 0.54–0.60,残差预测偏差(RPD) = 1.28–1.35,百分比偏差(PBIAS) = ?0.7% 至 ?2.1%。所得的干旱西部拉贾斯坦邦SOC图为土地管理规划、气候变化减缓策略及干旱农业生态系统从区域到国家的碳核算提供了宝贵的基线。
该研究发表于《Environmental Challenges》。研究背景方面,土壤有机碳(SOC)是土壤质量、生态系统功能和农业可持续性的基本组成部分,在养分循环、团聚体形成、水分保持及整体土壤肥力中起关键作用,还具有通过碳固存调节气候和增强土地退化抗逆能力的意义。西部拉贾斯坦干旱区是SOC严重亏缺的区域之一,SOC水平通常低于0.2%,远低于维持土壤功能所需的阈值,其亏缺由极端环境条件驱动,包括高温、降雨稀少且不稳定、长期干旱、强烈蒸散和风蚀导致的表土流失,加之粗质地砂土主导限制了有机质稳定和水分保持。作为印度最脆弱的农业生态系统之一,该区域植被稀疏、气候多变、土壤易侵蚀和养分流失,农业依赖不可靠的季风降雨导致生物量输入低和有机质快速矿化,耗竭的SOC制约了土壤肥力、保水性和结构稳定性。因此,模拟和量化SOC的空间分布对于估算SOC汇容量、支持增强碳固存及实现土地退化中立的土地管理策略至关重要。然而,此前拉贾斯坦干旱区SOC预测研究受限于样本量小、空间覆盖范围有限和环境预测因子范围窄,影响了模型的稳健性和转移性,且缺乏高分辨率空间明确的SOC信息,也无研究在统一框架下利用大型土壤数据库、整合多源环境变量和独立验证综合评估地统计与机器学习方法。本研究旨在评估西部拉贾斯坦SOC的空间变异性与分布,开发并比较数字土壤制图模型以预测SOC,评估不同建模方法的预测性能和不确定性,为决策者和土地管理者提供科学稳健且实用的成果。
研究人员开展了基于3208个空间分布采样点(涵盖2007至2023年遗留数据集及2023年采集的742个原始样本)的SOC(0–15 cm土层,采用重铬酸消化法Walkley and Black, 1934测定)数字土壤制图研究,整合生物气候变量(WorldClim数据库19个变量)、归一化植被指数(NDVI,Landsat 8计算2010–2020年月均值)、地形属性(SRTM DEM衍生坡度、坡向等)及土地利用/土地覆被(LULC,MODIS MCD12Q1)作为协变量,采用去除离群值(IQR方法)的数据预处理,通过半变异函数建模(球状模型),对比评估了两种地统计学方法普通克里金(OK)与回归克里金(RK)及三种机器学习方法随机森林(RF)、Cubist、梯度提升机(GBM)的预测性能,使用R2、RMSE、LCCC、RPD、PBIAS指标进行独立验证(70%训练,30%测试),并利用Boruta算法进行特征重要性分析,最终生成西部拉贾斯坦SOC空间分布图并进行分区统计。
3. Result and discussion
3.1. Descriptive statistics
描述性统计显示遗留与原始数据集间存在异质性,部分数据集最大值远高于均值表明存在极端观测值,标准差较大反映高变异性与潜在偏度。经离群值移除(IQR方法,R中rstatix包),样本量从3208降至3087,总体均值从0.19降至0.18,标准差从0.15降至0.11,离散度降低证实极端值放大了变异性,清洗后数据集分布更稳定,利于后续建模。遗留数据集SOC稳定性反映干旱土长期平衡条件,原始数据集SOC增加趋势可能源于集约土地利用、灌溉及残茬管理改善。池化数据集高变异性凸显干旱区强空间异质性。
3.2. Semi variogram modelling
采用球状模型表征SOC空间依赖结构。OK拟合球状模型块金值0.00474,偏基台值0.00759,变程184783 m,块金系数约38%表明中等空间依赖,自相关持续约185 km。RK残差半变异函数亦拟合球状模型,块金值0.0049,偏基台值降至0.003,变程缩短至110 km,块金系数约62%表明残差空间依赖较弱,变程减小意味环境协变量解释了部分空间变异性后未解释自相关空间范围缩短。RK有效捕捉了大尺度空间趋势,减少了未解释空间自相关的幅度和空间范围。
3.3. Feature importance
Boruta特征选择确认所有环境变量均为SOC显著预测因子。气候变量重要性最高,日均温差(meanImp=29)、年平均气温范围(22)、最冷月最低温(20)为前三大预测因子,表明温度变率主导SOC分布。降水相关参数(如最湿季季度降水r=0.25 p<0.001、年平均降水r=0.23 p<0.001)呈正相关,温度相关变量(如日均温差r=-0.26 p<0.001)呈负相关。NDVI变量(尤其11月、4月、2月)为相关预测因子,与SOC全月呈显著正相关(11月12月r=0.34 p<0.001)。地形变量(高程、坡度等)亦显著但重要性低于气候变量,高程与SOC弱正相关(r=0.05 p<0.01)。SOC空间变异性主要由气候梯度、植被动态及次要地形特征驱动。
3.4. Evaluation of SOC prediction models
训练阶段机器学习模型(RF R2=0.78 LCCC=0.83 RPD=1.98 RMSE=0.05;Cubist R2=0.77 LCCC=0.84 RPD=1.99 RMSE=0.05)优于地统计模型(OK RK GBM R2≈0.52–0.56 RPD≈1.44–1.49)。测试阶段所有模型性能下降,OK表现相对稳定(R2=0.45 LCCC=0.60 RPD=1.35),RK略低(R2=0.44 RMSE=0.08% RPD=1.33),RF和Cubist R2降至0.43和0.41显示潜在过拟合,GBM最低(R2=0.40 RPD=1.28)。验证统计R2=0.40–0.45 RPD=1.28–1.35表明中等预测性能,适于描绘大尺度空间变异和区域评估,但不足以支持点位管理。OK在独立验证中表现稳定一致,平衡了简洁性与泛化能力。机器学习优势受限或因研究区地形均一、环境梯度弱及SOC范围窄削弱了非线性关系,高密度采样利于地统计方法利用空间自相关。
3.5. Spatial patterns of predicted soil organic carbon (SOC)
所有模型捕捉到一致区域趋势:西部和中部SOC较低(≤0.15%)因干热气候、植被差、砂质土及耕作氧化损失,东南部及东北部较高(≥0.30–0.40%)因种植强度高或植被覆盖好。OK产生平滑表面依赖空间自相关,RK因纳入协变量具更多局部变异和陡梯度,RF和Cubist显示异质斑块模式捕捉非线性与细尺度变异,GBM介于OK与RF/Cubist间。自然地植被SOC最高(0.224±0.034%),次之耕地(0.216±0.063%)和稀树草原(0.215±0.019%),草地(0.172±0.049%)和城市(0.184±0.056%)中等,开阔灌木林(0.146±0.054%)和荒漠稀疏植被(0.112±0.047%)最低。LULC与SOC变异相关。
3.6. District wise variation of SOC in arid western Rajasthan
Hanumangarh和Pali中位SOC较高,Hanumangarh四分位距和最广变异性最高,Nagaur和Jalore高于Barmer、Bikaner、Jaisalmer(中位低分布窄),Jodhpur和Ganganagar中等SOC具离散度。西部各区低SOC反映干旱、植被少、生物量输入有限,东北部较高SOC或因灌溉好、种植强度高和农业气候较好。SOC沿行政区呈强空间梯度受气候、植被和管理驱动。
3.7. Comparative study of SOC content of western Rajasthan with other arid regions of the world
全球干旱半干旱沙漠环境SOC密度和浓度普遍低但非零:西部拉贾斯坦SOC约0.19%(0–15 cm),Kachchh半岛3.45 kg m-2(0–100 cm),Ganganagar 4.55 Mg ha-1(0–15 cm);中国黄土高原SOC浓度0.27–0.39%(0–20 cm),北非沙漠1.37 kg m-2(0–10 cm),中亚3.35–4.16 kg m-2(0–30 cm),地中海半干旱区可达1.9%(0–20 cm),澳大利亚半干旱牧场2.48 kg m-2(0–30 cm)至管理旱农8.1 kg m-2。SOC密度空间变异受气候、质地、地形、植被及土地利用影响,是土壤肥力、生态韧性和固碳潜力指标,准确估算支持土地管理、气候减缓和碳核算。
讨论部分总结指出,本研究提供了西部拉贾斯坦炎热干旱农业景观SOC的区域评估和数字制图,填补印度干旱农业生态系统关键数据空白。低SOC及强空间变异反映干旱气候、土地利用和有限生物量输入的联合影响,凸显土壤退化和碳流失脆弱性。OK在独立验证中一致优于RK和预测建模,展现空间稳健性和泛化性;但RK、RF、Cubist、GBM更精确捕捉空间变异,突显纳入环境协变量对改进局部变异和复杂模式的重要性。尽管部分机器学习训练性能好,但其转移性降低(尤其RF)暗示潜在过拟合;高密度采样利于OK而非机器学习,突显采样设计对模型适用性的关键作用。生成的SOC图为评估大尺度SOC格局和支持区域土壤管理、气候减缓提供科学基线,但因中等预测性能,用于点位管理需谨慎并辅以局部验证。研究证明了集成地统计与数字土壤制图框架对数据稀缺干旱区SOC评估的相关性,支持国家碳核算与平衡研究并为监测SOC时间变化提供基线。
结论部分翻译:本研究对印度西部拉贾斯坦邦炎热干旱农业景观中的土壤有机碳(SOC)进行了区域尺度评估和数字土壤制图,填补了印度干旱农业生态系统的一项关键数据空白。观测到的低SOC含量及其显著的空间变异性反映了干旱气候、土地利用实践和有限的生物量输入的联合影响,强调了这些土壤对退化和碳损失的脆弱性。总体而言,本研究提供了SOC含量的空间格局,这是评估土壤健康的一个关键参数。尽管SOC在决定土壤健康方面起主导作用,但仍需要量化和绘制其他土壤健康参数的图谱,例如西部拉贾斯坦邦干旱地区的土壤盐度、土壤养分含量、土壤质地、土壤生物活动等,以进行全面评估。在所评估的方法中,普通克里金(OK)在独立验证中始终优于回归克里金(RK)和预测建模技术,表现出卓越的空间稳健性和泛化能力。然而,与OK相比,回归克里金、随机森林(RF)、Cubist和梯度提升机(GBM)模型更精确地捕捉了空间变异性,突出了纳入环境协变量在改进局部变异性和复杂空间模式表征方面的重要性。尽管一些机器学习模型获得了良好的训练性能,但其转移性降低(在随机森林中尤为明显)表明可能存在过拟合。此外,本研究中高采样密度可能有利于普通克里金而非机器学习方法的性能,突出了采样设计在确定模型适用性方面的关键作用。本研究生成的SOC图为评估土壤有机碳的大尺度空间格局、支持区域尺度土壤管理和气候变化减缓规划提供了科学可靠的基线。然而,鉴于预测性能中等,在没有额外局部验证的情况下,应谨慎将这些图用于特定地点的管理或田间决策。总体而言,本研究证明了集成地统计和数字土壤制图框架对改善数据稀缺干旱环境中的SOC评估具有相关性。该研究还支持国家碳核算和碳平衡研究,并作为监测SOC时间变化的基线信息。
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