土壤有机质对热导率模型影响的定量评估与机制解析

《Agricultural and Forest Meteorology》：Quantitative effects of soil organic matter on thermal conductivity modeling

　　本研究针对土壤有机质（SOM）对土壤热导率（λ）建模影响量化不足的问题，系统评估了15个考虑SOM效应的λ模型。基于包含208种土壤（SOM含量0%~40%）的1569组测量数据，研究发现基于归一化Kersten函数的模型预测精度最佳，Johansen (1975)、Balland and Arp (2005)等模型表现优异（NSE≥0.71，RMSE≤0.3 W·m-1·K-1）。通过随机森林模型结合可解释人工智能（SHAP/PI）分析，揭示SOM对λ的影响存在非线性阈值（?som>2.5%时效应显著），且与容重（ρb）存在强交互作用。该研究为高有机质含量土壤的热传输模拟提供了关键参数化方案，对气候变化预测及农业生态系统管理具有重要意义。

　　

土壤，作为陆地生态系统的重要组成部分，其热力学性质直接影响着地表与大气之间的能量交换过程。土壤热导率（λ）是表征土壤传热能力的关键参数，其准确预测对于理解气候变化、优化农业管理以及模拟生态系统过程至关重要。然而，土壤是一个高度异质性的多孔介质，其热导率受到多种因素的综合影响，包括土壤质地、矿物组成、含水量（θ）以及土壤有机质（SOM）含量等。长期以来，研究人员对含水量和矿物组成的影响关注较多，而土壤有机质的作用常常被忽视或简化处理，这导致在有机质含量较高的土壤（如泥炭土、高纬度或高海拔地区土壤）中，热导率的预测存在显著偏差。

土壤有机质主要由动植物残体、微生物生物量及其分解产物构成，其热导率（λ_som）远低于水、矿物和石英。因此，通常认为λ随着SOM含量（?_som）的增加而降低。此外，SOM还能通过改变土壤颜色、反照率、促进团聚体形成、降低土壤容重（ρ_b）等方式间接影响土壤的热性质。尽管已有一些模型尝试将SOM作为土壤固相组分或通过单独参数化方案来考虑其影响，但不同模型的表现如何？SOM对λ的影响是否存在一个临界阈值？其作用机制是线性的还是非线性的？这些问题仍未得到系统解答。为了解决这些知识空白，来自西北农林科技大学的研究团队开展了一项综合性研究，对现有的15个考虑SOM效应的λ模型进行了全面评估，并利用可解释人工智能技术深入剖析了SOM的影响机制。相关研究成果发表在《Agricultural and Forest Meteorology》上。

为开展此项研究，研究人员主要运用了以下几项关键技术方法：首先，他们从已发表的文献中系统收集并整理了一个包含1569组测量数据的大型数据集，这些数据源自208种不同的土壤样本，其SOM质量含量（?_som）范围覆盖0%至40%。其次，研究团队根据SOM在模型中的处理方式，将筛选出的15个经验或半经验λ模型分为三类进行评估。第三，研究采用了机器学习方法，构建了基于随机森林（RF）的预测模型，并进一步应用了两种可解释人工智能（XAI）技术——排列重要性（PI）和SHAP值分析，以量化SOM及其他土壤参数对λ预测的相对重要性及其非线性影响。模型性能则通过纳什-苏特克利夫效率系数（NSE）和均方根误差（RMSE）进行量化评价。

模型类型敏感性分析

研究人员将15个模型分为三类。第一类模型通过为矿物土壤和泥炭土分别拟合参数来间接考虑SOM效应。第二类模型将土壤视为由水、空气和SOM等相组成的混合物。第三类模型则在计算土壤固体热导率（λ_s）时纳入SOM的影响。评估结果表明，模型性能存在显著差异。总体而言，第三类模型中的Johansen (1975)、Balland and Arp (2005)、Su et al. (2016) II 和Yan et al. (2019) 模型表现最佳，其NSE值均大于等于0.71，RMSE值小于等于0.3 W·m^-1·K^-1。这些模型大多基于归一化的概念，具有更合理的函数形式和参数设置。相比之下，第一类和第二类模型的预测精度普遍较低，某些模型甚至会出现违背物理规律的现象。

不同SOM含量水平下的模型表现

研究结果揭示，模型精度与土壤SOM含量水平密切相关。一个重要的发现是，几乎所有模型在SOM含量较高（?_som ≥ 2%）的土壤上的预测精度，均优于在SOM含量较低（?_som < 2%）的土壤上的精度。这表明，忽略SOM的影响会在低SOM土壤中引入更大的误差，或者说，SOM的存在本身可能通过改变其他土壤属性（如容重）而影响了λ的总体变异性。例如，Yan et al. (2019) 模型在所有SOM水平下均表现稳健，而Balland and Arp (2005) 模型在?_som < 20%时表现良好，但在更高含量时精度下降。

机器学习与可解释人工智能的洞察

随机森林模型在预测λ方面显著优于所有经验模型，凸显了机器学习在复杂土壤属性关系建模中的强大能力。值得注意的是，在RF模型中加入SOM作为输入特征后，模型精度仅有轻微提升（NSE提高0.61%，RMSE降低1.66%），这初步暗示了SOM的直接贡献可能有限。然而，通过可解释人工智能技术的深入分析，研究揭示了更复杂的机制。排列重要性分析显示，对λ预测最重要的因素是土壤含水量（θ）和容重（ρ_b），SOM的重要性相对较低。但更具启发性的SHAP分析则表明，SOM对λ的影响是非线性的，并且与ρ_b存在强烈的交互作用。SHAP依赖图清晰显示，随着?_som的增加，ρ_b呈现下降趋势，而ρ_b的降低又会导致λ的减小。

SOM影响的非线性阈值

综合模型评估和XAI分析的结果，本研究最重要的发现之一是确定了SOM对λ影响存在一个非线性阈值。通过对ρ_b与?_som关系的深入分析，研究人员发现当?_som ≤ 2.5%时，ρ_b的变化范围较大且无明显趋势，SOM的SHAP值围绕零值分布，表明其影响可以忽略。然而，当?_som > 2.5%时，ρ_b随?_som增加而显著降低的趋势变得明显，并且SHAP值多为负值。这意味着，一旦SOM含量超过2.5%，其通过降低土壤容重而间接抑制土壤热导率的效应变得不可忽视。

本研究通过系统性的模型评估和前沿的可解释人工智能技术，深刻揭示了土壤有机质对热导率影响的复杂性和非线性特征。研究结论强调，在土壤热导率建模中，不能简单地忽略或线性处理SOM的影响。对于SOM含量较低（?_som ≤ 2.5%）的土壤，其直接影响较小；但对于SOM含量较高（?_som > 2.5%）的土壤，则必须考虑其效应，特别是其与土壤容重的强交互作用。该研究不仅为选择和改进土壤热导率模型提供了明确指导，特别是对于高有机质含量的脆弱生态系统，而且所采用的XAI方法为理解复杂土壤系统中的多因子相互作用提供了新范式。这些研究成果将有助于提高陆地表面模型模拟土壤热动态的准确性，从而为预测有机质分解、温室气体排放以及区域气候变化响应减少不确定性，具有重要的科学意义和应用价值。