提升法、装袋法和深度学习在土壤-水分特性曲线预测中的应用：一项大规模数据库研究

《Soils and Foundations》：Boosting, bagging, and deep learning for soil-water characteristic curve prediction: A large-scale database study

机器学习模型基于整合全球五大陆的土壤-水特征曲线（SWCC）大数据库（15260样本）开发，结合土粒级配分布（GSD）单一输入变量，对比了梯度提升树（GB）与自助法神经网络（ANN）的预测性能。GB模型在伪连续法预测吸力相关含水率方面表现更优（测试R2=0.95），显著优于传统ANN模型（R2=0.68-0.61）。研究证实大数据库与新型ML技术结合能有效提升SWCC预测精度，但对土壤异质性、各向异性等复杂特性的整合仍存局限。

　　本文探讨了利用机器学习（ML）技术预测土壤-水特性曲线（SWCC）的新方法。SWCC 是描述土壤在不同含水率下所承受的基质吸力（suction）关系的重要曲线，广泛应用于土壤水力学和土壤工程领域。传统的预测方法通常依赖于实验数据，而随着机器学习技术的不断发展，研究者开始尝试使用统计工具和算法，如人工神经网络（ANN）和梯度提升（GB），来建立更高效的预测模型。本文的创新之处在于构建了一个涵盖多种土壤类型和多个大洲数据的大型综合数据库，并在此基础上开发了基于机器学习的预测模型，从而提升了预测的准确性和泛化能力。

为了实现这一目标，本文整合了来自五个大洲的六个不同数据库，涵盖了丰富的SWCC数据。这些数据库的来源多样，包括公开的研究数据和不同研究机构的实验记录。通过整合这些数据，研究人员得以构建一个更大规模的数据库，其中包含15,260个样本和157,624个SWCC数据点。这一数据库的规模显著超过了以往研究中使用的最大数据库，为机器学习模型的训练和测试提供了更充足的数据支持。此外，研究者还筛选出559个符合特定质量标准的SWCC数据，用于更精确的模型验证。

在模型构建过程中，研究者采用了两种不同的方法：一种是基于伪连续方法的模型，通过基质吸力作为输入参数，预测土壤含水量；另一种是基于Gitirana-Fredlund（G-F）方程的系数作为输出参数的模型。这两种方法分别对应于不同的预测目标，前者适用于对土壤含水量进行连续预测，后者则更关注于对SWCC的数学表达进行优化。研究结果表明，基于伪连续方法的模型在预测性能上优于基于G-F系数的模型。此外，梯度提升技术在预测精度方面表现出色，其测试数据的R2值达到0.95，显著高于使用人工神经网络（ANN）集成方法的R2值，后者为0.68和0.61。

值得注意的是，本文的模型在预测砂质土壤和粉质土壤时表现出色，而对塑性黏土和双模态土壤的预测能力则相对较弱。这一现象可能与数据集中这些土壤类型的代表性不足有关。因此，研究者建议在未来的工作中，应进一步扩展数据集，以提高对不同类型土壤的预测能力。此外，尽管本文的模型在预测精度方面表现出色，但其仍然存在一些局限性，例如无法充分考虑土壤的异质性、各向异性、塑性和体积变化等因素。这些因素可能对SWCC的形状和特性产生重要影响，但目前尚未被充分纳入模型的预测体系中。

在模型开发过程中，研究者采用了多种机器学习技术，包括ANN和GB。这些技术在处理非线性和多变量关系方面具有优势，能够有效克服传统统计方法的局限性。然而，目前大多数SWCC预测模型仍然依赖于较小的数据库，且较少使用先进的机器学习技术，如bagging（装袋）。本文的研究表明，使用更大规模的数据库可以显著提升机器学习模型的预测性能，同时也为未来的研究提供了新的方向。

本文的另一个创新点在于对模型的敏感性进行了分析。机器学习模型通常被视为“黑箱”，难以直接解释输入和输出之间的关系。然而，本文的模型在一定程度上克服了这一问题，通过分析模型的参数对预测结果的影响，揭示了不同输入变量对SWCC预测的贡献程度。这一分析不仅有助于理解模型的工作机制，也为模型的优化提供了依据。例如，研究发现，基质吸力对预测结果的影响较大，而其他土壤参数如土壤密度和含水量则对预测结果的贡献相对较小。

此外，本文还对已有的SWCC预测模型进行了比较分析。结果显示，本文的模型在预测精度方面优于Rosetta和NeuroFX等传统模型。Rosetta和NeuroFX模型在测试数据上的R2值分别为0.68和0.61，而本文的模型则达到了更高的预测精度。这一结果表明，本文的模型在SWCC预测方面具有更强的适用性和可靠性。

在实际应用中，SWCC预测模型的准确性对于土壤水力学分析至关重要。这些模型可以用于评估土壤的渗透性、持水能力以及在不同含水率下的物理特性。例如，在土地工程、农业灌溉和环境治理等领域，SWCC预测模型可以帮助工程师和研究人员更好地理解土壤的行为，从而优化工程设计和管理策略。然而，目前大多数模型仍然存在一定的局限性，例如对塑性黏土和双模态土壤的预测能力不足，以及对土壤异质性和各向异性等因素的考虑不够全面。

本文的研究不仅在数据集的规模和多样性方面有所突破，还在模型的构建和优化方面进行了深入探索。通过使用多种机器学习技术，如ANN和GB，研究人员得以构建更精确的预测模型，从而提升了SWCC预测的准确性。此外，本文还对模型的敏感性进行了分析，揭示了不同输入变量对预测结果的影响程度，为模型的优化提供了理论依据。

在实际应用中，本文的模型可以用于不同类型的土壤，包括砂质土壤、粉质土壤、塑性黏土和双模态土壤。然而，由于数据集中塑性黏土和双模态土壤的样本数量较少，因此这些土壤类型的预测结果可能存在一定的偏差。研究者建议，在未来的工作中，应进一步扩展数据集，以提高对不同类型土壤的预测能力。此外，研究者还指出，尽管本文的模型在预测精度方面表现出色，但其仍然存在一些局限性，例如对土壤异质性和各向异性等因素的考虑不够全面。

本文的研究结果表明，使用更大规模的数据库可以显著提升机器学习模型的预测性能，同时也为未来的研究提供了新的方向。在实际应用中，研究人员可以利用这些模型进行更精确的土壤水力学分析，从而优化工程设计和管理策略。此外，本文的研究还强调了对不同土壤类型的预测能力的重要性，指出在实际应用中，应根据土壤的类型和特性选择合适的预测模型，以提高预测的准确性和适用性。

总之，本文通过构建一个大规模的综合数据库，并结合多种机器学习技术，开发了一套高效的SWCC预测模型。这些模型在预测精度和泛化能力方面均表现出色，能够有效提升对不同土壤类型的预测能力。然而，研究者也指出，尽管这些模型在预测性能方面有所提升，但其仍然存在一定的局限性，例如对土壤异质性和各向异性等因素的考虑不够全面。因此，未来的研究应进一步扩展数据集，优化模型的构建方法，以提高SWCC预测的准确性和适用性。