利用测量的营养成分改进了水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

土壤有机质与质地预测模型研究：水稻专用模型提升黏土和有机质预测精度

　　稻田土壤的特性对于农业实践和生态环境具有重要意义。传统实验室方法在分析土壤质地和有机质（SOM）时，往往耗时费力且成本高昂，难以在大规模样本中进行。因此，研究者提出了基于常规土壤测试数据的预测模型，以提高土壤性质的评估效率和准确性。本文旨在通过改进之前提出的混合土地利用预测模型，开发针对水稻种植系统的土壤质地和有机质预测模型，从而为农业决策提供高效、低成本的工具。

土壤质地和有机质在水稻种植中扮演着关键角色，影响着土壤的物理和化学性质，如水分保持能力、养分动态、污染物的迁移与转化以及生物活动。由于水稻种植的特殊性，例如长期的淹水和泥泞条件，稻田土壤的质地和有机质含量与旱地土壤存在显著差异。高黏土含量的稻田土壤通常具有较强的持水能力和养分保留能力，而较低的砂土含量则可能导致土壤结构松散，养分流失较快。此外，水稻田的有机质含量普遍高于相邻的旱地土壤，这与淹水条件下的微生物分解速率减缓有关，从而增加了有机碳的积累。

本文的研究对象是美国主要的水稻生产州——阿肯色州、加利福尼亚州和路易斯安那州的土壤数据。研究团队使用了聚类分析和主成分分析（PCA）对数据集进行分割，将其中80%的数据用于水稻模型的开发，20%用于验证。此外，还使用了另一组来自阿肯色州的111个样本，以比较水稻模型与混合土地利用模型的性能。通过这些模型，研究团队成功预测了黏土、砂土和有机质含量，并评估了其在水稻田土壤分类中的准确性。

在黏土预测模型中，研究团队发现使用pH、磷（P）、钾（K）、钙（Ca）和镁（Mg）等变量可以实现较高的预测准确性。其中，黏土模型的决定系数（R2）达到了0.84，而均方根误差（RMSE）仅为68.14 g/kg。这表明这些变量在预测黏土含量方面具有较强的关联性。相比之下，砂土模型的准确性较低，R2值仅为0.36，RMSE值为89.94 g/kg。这可能是因为砂土对养分的保留能力较差，导致其与土壤性质之间的相关性较弱。有机质模型的R2值为0.80，RMSE值为4.28 g/kg，显示出良好的预测性能。特别是在阿肯色州的水稻土壤数据集中，水稻模型在有机质预测方面表现优于混合土地利用模型，R2值从0.78提高到了0.81。

研究团队在模型开发过程中考虑了多个因素，包括土壤pH值、可提取的养分和估计的阳离子交换容量（EstCEC）。通过聚类分析和PCA，他们将数据集分为三个主要的类别，每个类别中随机选择80%的数据作为训练集，20%的数据作为测试集。通过这一方法，研究团队能够确保模型的泛化能力，并减少数据集中的偏差。在训练和测试数据集中，黏土、砂土和有机质含量均表现出一定的分布规律，但黏土和有机质在高含量区间的变化更为显著。

在模型性能评估中，研究团队发现黏土预测模型的R2值普遍较高，而砂土预测模型的R2值较低，表明黏土和有机质更容易通过这些变量进行预测。此外，模型的准确性也受到土壤分类的影响。在黏土和粉质黏土等黏土主导的土壤类别中，模型表现良好，而在砂土主导的土壤类别中，模型的预测效果较差。这可能与这些土壤类别中土壤性质的相似性以及样本分布的不平衡有关。例如，黏土含量较高的土壤类别在训练集中占据较大的比例，而砂土含量较高的土壤类别则较少，导致模型在预测时偏向于黏土主导的类别。

在土壤分类方面，研究团队发现水稻模型的总体准确性达到了70%，而混合土地利用模型仅为58%。这一结果表明，水稻模型在预测土壤质地方面具有更高的准确性。然而，模型在预测砂土含量时仍然存在一定的局限性。这可能是因为砂土与土壤性质之间的相关性较弱，或者由于数据集中砂土含量较低，导致模型难以准确捕捉其变化规律。此外，土壤分类的精度还受到土壤样本分布不均的影响，例如在土壤质地三角形中，某些土壤类别之间的边界较为模糊，使得模型容易将这些类别误判。

在有机质预测方面，研究团队发现使用pH、磷、钾、镁和EstCEC等变量的模型表现最佳，R2值为0.80，RMSE值为4.28 g/kg。这一模型在阿肯色州的水稻土壤数据集中表现优于混合土地利用模型，R2值从0.78提高到了0.81。这表明，水稻田的土壤性质与混合土地利用土壤存在显著差异，因此，专门针对水稻田的模型能够更准确地预测其有机质含量。

研究团队还讨论了模型在实际应用中的局限性和挑战。例如，砂土的营养保留能力较差，这使得其预测模型的准确性较低。此外，模型的准确性可能受到管理实践、稻田土壤年龄和气候条件的影响。因此，未来的模型开发需要考虑这些变量，以提高预测的稳定性。同时，研究团队强调，这些模型可以作为快速评估土壤性质的工具，但不能完全替代实验室分析。因此，建议在进行土壤碳储存等关键性质的评估时，仍需结合实验室数据。

总之，本文的研究结果表明，专门针对水稻田的土壤质地和有机质预测模型在提高预测准确性和效率方面具有显著优势。这些模型能够帮助农业决策者更好地了解土壤性质，从而优化水稻种植管理，提高土壤肥力和养分利用效率。然而，模型在预测砂土含量方面仍然存在一定的局限性，未来的研究需要进一步探索如何提高砂土预测的准确性。此外，研究团队还建议将这些模型应用于其他作物和区域，以进一步拓展其适用范围。