利用实测养分数据改进了稻田土壤性质预测模型

《Soil Science Society of America Journal》：Improved soil property prediction models for rice paddies using measured nutrients

水稻田土壤质地（黏土、沙土）和有机质（SOM）的预测模型研究。通过聚类分析和主成分分析将179个样本分为训练集（142个）和测试集（37个），结合pH、Mehlich-3提取性养分（P、K、Ca、Mg）和估算阳离子交换量（EstCEC）建立回归模型。黏土预测模型（R2=0.92）和有机质模型（R2=0.81）性能优异，沙土模型（R2=0.39）效果较差。水稻专用模型使土壤质地分类准确率提升至70%，优于通用模型（58%）。研究证实水稻田高黏土含量和有机质积累特性，但沙土预测仍面临挑战。

　　本研究探讨了如何利用现有的土壤常规测试数据，如土壤pH值和可提取的营养成分，开发出针对水稻田土壤质地和有机质含量的预测模型。传统实验室分析方法虽然准确，但耗时且需要大量人力，因此难以大规模应用。本研究旨在通过改进Drescher等人（2024年）提出的混合土地利用预测模型，建立一个专门适用于水稻种植系统的预测模型。通过将美国主要水稻产区的土壤数据分为训练集和测试集，验证了这些模型的预测效果。研究发现，对于水稻田土壤，使用pH值、磷（P）、钾（K）、钙（Ca）和镁（Mg）等变量，能够显著提高对土壤黏粒含量的预测准确性，而对砂质土壤的预测效果则相对较低。此外，结合pH值、P、K、Mg和估计阳离子交换容量（EstCEC）的模型在预测土壤有机质含量方面表现最佳。这些模型的建立不仅提高了土壤性质预测的效率，还为农业决策提供了更经济且实用的工具。

水稻田的土壤性质在农业和环境管理中具有重要作用。由于水稻种植通常涉及长期的水淹和耕作过程，水稻田的土壤质地和有机质含量往往与旱地土壤存在显著差异。例如，水稻田的黏粒含量较高，这不仅影响土壤的物理特性，还对土壤的化学性质和生物活动产生重要影响。高黏粒含量的土壤具有较高的阳离子交换容量，这有助于保持和释放水稻所需的营养元素，如钾、钙和镁。此外，水稻田的有机质含量通常比相邻的旱地土壤更高，这使得水稻田在碳封存方面具有更高的潜力。了解这些土壤特性对于提升水稻产量、优化施肥策略以及减少温室气体排放至关重要。

研究采用了聚类分析和主成分分析（PCA）对土壤数据进行预处理，将290个样本分为训练集和测试集。通过这种方式，研究团队能够构建和验证多个预测模型，其中包括黏粒、砂粒和有机质含量的预测模型。这些模型的性能评估结果显示，黏粒预测模型的决定系数（R2）达到了0.84，而砂粒模型的R2为0.36，有机质含量模型的R2为0.80。尽管这些模型在某些方面表现良好，但它们在预测砂质土壤时仍面临挑战。这可能是因为砂质土壤的阳离子交换能力较低，导致其与营养元素之间的相关性较弱。因此，本研究的模型更适合于黏粒和粉砂黏土为主的土壤分类，但在砂质土壤分类方面存在一定的局限性。

在模型开发过程中，研究团队还评估了土壤分类的准确性。结果显示，水稻田的土壤分类模型整体准确率达到了70%，而混合土地利用模型的准确率仅为58%。这一差异表明，针对特定作物的模型能够更好地捕捉其独特的土壤–水分–植物相互作用，从而提高预测精度。然而，模型的局限性也必须被重视。例如，当模型用于预测砂质土壤时，其准确率相对较低，这可能与数据集中砂质土壤样本数量较少以及其与其他土壤类型之间的相似性有关。

此外，研究还发现，土壤有机质含量的预测与pH值、P、K、Mg和EstCEC之间存在较强的正相关性。这种相关性在训练集和测试集中都得到了验证，表明这些变量在预测土壤有机质含量方面具有重要作用。而砂质土壤的预测则显示出较弱的相关性，特别是在pH值方面，其与砂质含量之间的负相关性表明，pH值对砂质土壤的预测能力有限。

研究还讨论了预测模型在实际应用中的局限性和挑战。例如，土壤酸碱度对有机质含量的影响较大，而砂质土壤由于其低阳离子交换能力，难以准确预测其营养成分。此外，土壤管理实践、水稻田的年龄以及气候条件等因素也会对预测模型的准确性产生影响。这些变量的差异导致了不同水稻田土壤性质的波动，进而影响了模型的预测效果。

研究团队指出，尽管当前的水稻田土壤预测模型在某些方面表现优异，但它们在全面土壤质地分类方面仍存在一定的不足。特别是在砂质土壤分类方面，模型的预测能力较弱。这表明，未来的模型开发需要更加关注不同土壤类型之间的差异，并考虑更广泛的土壤数据集。此外，研究还强调，土壤预测模型应结合特定作物的土壤–水分–植物相互作用，以提高其适用性和准确性。

总的来说，本研究为水稻田土壤性质的预测提供了一种高效且经济的方法。通过整合常规土壤测试数据，研究团队建立了一套专门针对水稻种植系统的预测模型，提高了土壤质地和有机质含量的预测精度。尽管这些模型在某些方面仍存在局限性，但它们为农业管理和土壤碳封存提供了重要的工具。未来的研究应进一步优化模型，以提高其在不同土壤类型和作物系统中的适用性，从而更好地支持可持续农业和气候变化应对策略。