基于随机森林模型的德州变性土根区土壤健康指标数字制图及其与雨养玉米产量的关系解析

《Precision Agriculture》：Digital mapping of selected soil health indicators from the root zone and their relationship with rainfed corn yield in Texas vertisols

　　本研究针对农业土壤健康空间变异性评估的深度局限问题，在德州变性土区开展根区（0–90 cm）多指标数字制图研究。通过融合表观电导率（ECa）、地形属性与随机森林（RF）模型，精准预测土壤水分（SM）、无机碳（SIC）等关键指标（R2最高达0.81），并明确SM为玉米产量变异的主控因子（R2=0.64）。研究提出的土壤健康分区（SHZ）策略为变量施肥与健康监测提供了实践框架，对深化根系层土壤健康认知及精准农业管理具有重要意义。

　　

随着全球人口增长与气候变化压力加剧，土壤作为农业生产的核心载体，其健康状态直接关系到粮食安全与生态系统可持续性。然而，传统土壤健康研究多聚焦于表层土壤（0–20 cm），忽视了作物根系主要活动的深层土壤（如玉米根系可达90 cm）对水分和养分的吸收贡献。德州变性土区作为重要农业地带，其黏土特性与干湿交替环境导致土壤裂隙发育，进一步加剧了根区土壤性质的空间异质性。如何精准量化根区土壤健康指标（SHI）的空间分布，并解析其与作物产量的内在关联，成为提升农田管理效率的关键难点。

为攻克这一难题，美国农业部农业研究服务局的Kabindra Adhikari团队在《Precision Agriculture》发表研究，通过多深度土壤采样与机器学习技术，首次系统绘制了德州玉米田根区土壤健康指标的高分辨率空间图谱，并揭示了其与玉米产量的深层联系。

本研究的核心技术方法包括：

1. 1.
   多源数据采集：在48.24公顷雨养玉米田内，结合网格采样、条件拉丁超立方采样（cLHS）、电导率引导采样与分层随机采样四种策略，采集0–15 cm、15–30 cm、30–60 cm及60–90 cm四层土壤样本，测定土壤有机碳（SOC）、无机碳（SIC）、全氮（total-N）、硝态氮（NO₃-N）、磷（PO₄）、pH及土壤水分（SM）等指标；同步获取田间表观电导率（EC_a）数据与激光雷达衍生的地形属性（如坡度、曲率、湿度指数等）。
2. 2.
   模型构建与验证：采用随机森林（RF）算法，以EC_a与地形属性为协变量，预测各深度SHI的空间分布，并通过70%训练集与30%测试集验证模型精度；利用InvVERIS软件反演EC_a数据至特定深度区间，提升预测深度匹配性。
3. 3.
   产量关联分析与分区管理：基于RF模型解析SHI与玉米产量的关系，通过k-means聚类划分土壤健康分区（SHZ），评估各分区产量差异的农学意义。

土壤健康指标的空间预测精度与关键驱动因子

RF模型对SM、pH和SIC的预测表现优异（R²≥0.57），其中SIC在60–90 cm深度的R²高达0.86；而对PO₄和total-N的预测能力较弱（R²<0.20）。EC_a与多分辨率谷底平坦度指数（mrvbf）、归一化高度（normht）等地形属性是SHI空间变异的主要驱动因子。

深层土壤（30–90 cm）的SHI变异性显著高于表层，如NO₃-N在15–30 cm层的变异系数（CV）达73.3%，凸显根区指标监测的必要性。

土壤健康指标与玉米产量的深层关联

SM是玉米产量变异的核心预测因子（相对重要性最高），其次为SIC、NO₃-N和pH；而PO₄与total-N的影响较弱。值得注意的是，30–60 cm深度的SHI对产量预测的贡献占比达40%，远超表层（0–15 cm）的20%，证实根区中部土壤健康对作物生长的关键作用。

局部空间相关性分析表明，SM与产量呈显著正相关（r=0.75），而PO₄与产量关联微弱（r=-0.20），且残差空间分布揭示地形高程对二者关系的调节作用。

土壤健康分区的农学意义

通过k-means聚类将田间划分为4个土壤健康分区（SHZ），各分区SHI值与产量响应差异显著：分区C（东北部）产量最高（6.3±0.55 Mt/ha），其SM、SIC及NO₃-N含量均显著高于低产分区B（西南部，产量3.7±0.36 Mt/ha）。

分区管理策略可针对性优化变量施肥与水分调控，例如分区B需优先改善土壤持水能力，而分区C可侧重养分高效利用。

本研究通过创新性地整合多深度土壤采样、EC_a反演与机器学习模型，突破了传统土壤健康评估的浅层局限，首次实现了根区全剖面健康指标的精准制图。研究明确揭示了深层土壤健康（尤其是30–60 cm层）对玉米产量的主导影响，为“深挖根系层健康”提供了实证依据。所构建的土壤健康分区框架不仅为变量施肥、水分管理等精准农业实践提供了可操作工具，更推动了土壤健康研究从“表层观测”向“根系层调控”的范式转变。未来研究可进一步融合遥感数据与多时动态监测，深化土壤健康—作物响应机制在气候变化背景下的动态解析。