祝元麗,馮向陽,閆慶武,吳子豪*(.中國礦業(yè)大學(xué)公共管理學(xué)院,江蘇 徐州 226；2.中國礦業(yè)大學(xué)礦區(qū)土地利用與生態(tài)安全研究中心,江蘇 徐州 226；3.中國礦業(yè)大學(xué)中國資源型城市轉(zhuǎn)型發(fā)展與鄉(xiāng)村振興研究中心,江蘇 徐州 226)

東北黑土區(qū)是世界四大黑土區(qū)之一,具有優(yōu)越的農(nóng)業(yè)生產(chǎn)條件[1-3].然而由于高強(qiáng)度的人類利用和土壤侵蝕等原因,黑土地肥力逐年下降,表層土壤有機(jī)碳(SOC)含量降低等問題出現(xiàn)[4].因此,正確揭示黑土區(qū)農(nóng)田土壤有機(jī)碳空間分異特征,并探究其分異的主控因子,闡明土壤有機(jī)碳與土壤理化性質(zhì)、氣象因子和農(nóng)田管理措施變化等影響因素的關(guān)系,對于農(nóng)田土壤有機(jī)碳的空間預(yù)測和碳庫的精確估算具有重要意義.

近年來,很多學(xué)者利用多源數(shù)據(jù)對農(nóng)田土壤有機(jī)碳的空間分異特征及其影響因素進(jìn)行了深入地分析[5-9],研究指出,農(nóng)業(yè)有機(jī)碳的變化與氣溫、降水、地形和土壤理化性質(zhì)以及農(nóng)藝管理措施,例如:輪作、秸稈還田、耕作制度以及化肥和動(dòng)物糞肥的施用密切相關(guān)[10-12].土壤養(yǎng)分含量通過影響植被生長影響植被凋落物的輸入量,從而影響SOC.Yu 等[13]、Li 等[14]和Yuan 等[15]的研究分別表明土壤氮、磷、鉀元素含量與SOC 高度正相關(guān).但是以上多數(shù)研究的數(shù)據(jù)來源于野外采樣和國家土壤普查結(jié)果,受成本限制而難以擴(kuò)展到大范圍,其時(shí)效性也難以保障,這也導(dǎo)致了土壤氮、磷、鉀等土壤養(yǎng)分?jǐn)?shù)據(jù)在數(shù)字土壤制圖研究中較少得到使用.近年來,隨著開源土壤數(shù)據(jù)的逐漸豐富,例如世界土壤數(shù)據(jù)庫(HWSD)、世界土壤信息數(shù)據(jù)(SoilGrids)以及中國高分辨率國家土壤信息格網(wǎng)基本屬性數(shù)據(jù)集(2010～2018)等開源土壤數(shù)據(jù)網(wǎng)站,提供了我國土壤養(yǎng)分和土壤質(zhì)地的空間分布信息.將以上開源多源土壤養(yǎng)分因子納入解釋變量指標(biāo)體系,為更準(zhǔn)確地探究SOC 空間分異及主控因子提供了新的契機(jī).目前機(jī)器學(xué)習(xí)算法,包括決策樹(DT)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)、隨機(jī)森林(RF)、Cubist 等模型,被廣泛應(yīng)用于土壤屬性空間分異的影響因子探究中[16-19],例如,袁玉琦等[20]使用隨機(jī)森林模型對福建閩東南地區(qū)SOC 的影響因子進(jìn)行了相對重要性排序,進(jìn)而確定該區(qū)域SOC 主控因子是水解性氮因素.這些機(jī)器學(xué)習(xí)算法具有寬松的建模假設(shè),并且充分考慮了土壤屬性與環(huán)境因子間復(fù)雜的非線性關(guān)系,其模型的擬合優(yōu)度高于傳統(tǒng)線性回歸模型,可以更好確定土壤屬性空間分異的主要影響因子.然而,現(xiàn)有研究大多止步于環(huán)境因子的相對重要性分析,鮮有研究對土壤屬性與環(huán)境變量的非線性關(guān)系進(jìn)行可視化,難以揭示環(huán)境變量對SOC 的影響機(jī)理.

望奎縣位于典型黑土區(qū),處于東北黃金玉米帶,耕地占全縣面積的75%.長期高強(qiáng)度耕作引發(fā)了嚴(yán)重的水土流失,侵蝕驅(qū)動(dòng)的土壤物質(zhì)遷移造成SOC的空間遷移與再分布,使SOC呈高度空間異質(zhì)性.本研究以望奎縣為典型范例,利用多源開源氣候、土壤以及地形等數(shù)據(jù),使用梯度提升決策樹模型(GBDT)探究該區(qū)域SOC 與環(huán)境變量的非線性關(guān)系,確定SOC 主控因子,揭示SOC 空間分異機(jī)理.

1 材料與方法

1.1 研究區(qū)概況

望奎縣位于黑龍江省綏化市的中部(46°32′07″N～47°08′24″N,126°10′23″E～126°59′00″E)(圖1),轄區(qū)面積約為2314km2,地處于松嫩平原腹地.該縣東部為丘陵漫崗區(qū)、中部為漫川漫崗區(qū)、西部為低洼平原區(qū),地勢東高西低,海拔在46～256m 之間.望奎縣內(nèi)南部有呼蘭河流經(jīng)、西部有通肯河環(huán)繞,水力資源豐富.該縣屬于中溫帶大陸性半濕潤季風(fēng)氣候區(qū),年均降水量約為650mm,年均氣溫為3.9℃.土壤類型以黑土為主,是國家商品糧食生產(chǎn)基地縣和全國產(chǎn)量大縣.耕地面積為1724km2,占全縣面積的75%.隨著望奎縣黑土地的不斷開發(fā)利用,帶動(dòng)了當(dāng)?shù)亟?jīng)濟(jì)的快速發(fā)展,但也相對帶來了土壤退化等一系列問題,對當(dāng)?shù)赝恋刭Y源帶來負(fù)面影響[21].

圖1 基于GBDT 的土壤有機(jī)碳模型建立流程Fig.1 Soil organic carbon modeling process based on GBDT

1.2 梯度提升決策樹模型

梯度提升決策樹(GBDT)是基于CART 算法的增強(qiáng)集成學(xué)習(xí)模型[22].它利用弱分類器(CART 樹)構(gòu)建集成模型,通過反復(fù)迭代訓(xùn)練多個(gè)決策樹模型,并且將其進(jìn)行疊加,達(dá)到提高預(yù)測準(zhǔn)確性的目標(biāo).在每次迭代過程中,在上一次迭代的基礎(chǔ)上,計(jì)算損失函數(shù)(式1),求得偽殘差(式2),并求得該迭代,進(jìn)而構(gòu)建一個(gè)新的決策樹,然后通過梯度下降的方式,根據(jù)決策樹的權(quán)重(式3),將所有生成的決策樹進(jìn)行加權(quán)融合(式4).GBDT 模型將決策樹與集成思想進(jìn)行了有效的結(jié)合,提高了模型的預(yù)測精度.GBDT 算法中,通常包括以下步驟:

GBDT 具有較高的準(zhǔn)確性,可以在建模過程中識別并糾正誤差.但是GBDT 對異常值比較敏感,在多次迭代中,GBDT 模型會嘗試著去擬合異常值,導(dǎo)致過擬合的風(fēng)險(xiǎn)增加.為防止過擬合現(xiàn)象發(fā)生并提高預(yù)測性能,本研究導(dǎo)入數(shù)據(jù)進(jìn)行超參數(shù)調(diào)優(yōu),以便獲取參數(shù)最優(yōu)解.本研究初始設(shè)置了5000 個(gè)弱分類器,6 個(gè)節(jié)點(diǎn),采用十倍交叉驗(yàn)證導(dǎo)入數(shù)據(jù)進(jìn)行擬合(圖1).

運(yùn)用一元線性回歸模型與GBDT 模型構(gòu)建了SOC 與解釋變量間定量關(guān)系,并對比了一元線性回歸模型與GBDT 模型用于探究SOC 與解釋變量間定量關(guān)系的解釋程度,建模與擬合過程均在 R studio 軟件中完成,使用決定系數(shù)R2來評估模型的擬合效果.最后,通過比較GBDT 模型中的單因素與雙因素的R2來探究因子間的交互效應(yīng),若R2(X1∩X2) = R2(X1) + R2(X2),則因素X1與因素X2獨(dú)立,若R2(X1∩X2)

1.3 SOC 和環(huán)境變量獲取

1.3.1 SOC 數(shù)據(jù)的獲取及處理 SOC 數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn),首先對望奎縣2012年的1000多個(gè)采樣點(diǎn)進(jìn)行整理,剔除異常值和錯(cuò)誤點(diǎn),之后采用ArcGIS 軟件將余下的采樣點(diǎn)進(jìn)行矢量化,并根據(jù)關(guān)鍵字段與SOC 數(shù)據(jù)進(jìn)行關(guān)聯(lián),使用Kriging 法進(jìn)行插值;按分層隨機(jī)抽樣方法,剔除掉望奎縣內(nèi)非耕地,林地與草地區(qū)域,在望奎縣境內(nèi)隨機(jī)生成2000個(gè)樣本點(diǎn),每個(gè)樣本點(diǎn)相距至少1km,在面積較小的土壤類型(如:雛形土)與土地利用類型(如:林地和草地)中生成更多的點(diǎn),以提高樣本的代表性,使樣點(diǎn)覆蓋整個(gè)研究區(qū)(圖2).

圖2 研究區(qū)位置和SOC 空間分布Fig.2 Location and SOC spatial distribution of the study area

1.3.2 環(huán)境變量數(shù)據(jù)的獲取及處理 基于Scorpan 理論模型探究SOC 的影響因子,選取了包括土壤屬性(S)、氣候因子(C)、有機(jī)體(O)、地形(R)、和空間位置(N)5 類25 個(gè)影響因子(表1),空間分布狀況見圖3.

表1 環(huán)境變量分類體系及來源Table 1 Classification system and source of environmental variables

2 結(jié)果與分析

2.1 不同農(nóng)用地利用類型的土壤環(huán)境因子分析

由圖4(a)可以看出,水田的平均SOC 含量為20.28%,旱地的平均SOC 含量為20.41%,林地的平均SOC含量為20.37%,草地的平均SOC含量為20.35%,出現(xiàn)旱地>林地>草地>水田的情況;而土壤pH 值在各個(gè)農(nóng)用地利用類型中均呈堿性,且差異較小,對SOC 含量影響較小.除堿解氮含量外,旱地的SOC、有效磷、速效鉀、黏粒含量以及pH 值均高于水田、林地以及草地,并且旱地的堿解氮含量僅低于林地.通過對比可知,SOC 含量直接與堿解氮、有效磷、速效鉀含量有關(guān),旱地的SOC 含量以及堿解氮、有效磷、速效鉀含量高是施肥作用的效果,而水田為了防止燒苗環(huán)境污染,施肥較少且慢速釋放肥料,在水里水肥共生,肥料緩慢分解,難于深入到土壤中,導(dǎo)致肥效降低.對比不同農(nóng)用地利用類型的SOC、堿解氮、有效磷、速效鉀、pH 值以及黏粒含量的差異性,可以看出農(nóng)用地利用類型對SOC 差異表現(xiàn)出有效性,而圖5 中GBDT 模型自變量的相對重要性可以得出土地利用這一指標(biāo)在整個(gè)環(huán)境變量指標(biāo)體系相對重要性排序中相對較低,表明農(nóng)用地利用類型對于土壤養(yǎng)分含量影響的主要方式為施肥這一途徑.

圖4 不同農(nóng)用地利用類型的土壤環(huán)境因子統(tǒng)計(jì)Fig.4 Statistical map of soil environmental factors of different land uses

圖5 GBDT 模型中環(huán)境變量的相對重要性Fig.5 Relative importance of environmental variables in GBDT

2.2 模型預(yù)測效能

表2 結(jié)果表明,GBDT 模型相較于一元線性回歸模型在所有的自變量上均具有更好的預(yù)測效果,R2提升了13.4%～3671.94%,尤其是地形粗糙指數(shù)、到道路的距離、增強(qiáng)型水體指數(shù)、歸一化植被指數(shù)、坡度、裸地指數(shù)等自變量,模型的擬合效果都有明顯的提升.在一元線性回歸模型和GBDT 模型中,各變量的個(gè)重要性排序基本一致.以上結(jié)果表明,SOC 與選取的各環(huán)境變量的關(guān)系為非線性關(guān)系,GBDT 算法可以更靈活地?cái)M合復(fù)雜的非線性模式,因此預(yù)測效果比ULR 更好.因此后續(xù)研究中僅展示GBDT 模型的結(jié)果.

表2 GBDT 模型與一元線性回歸模型擬合效果對比Table 2 Comparison of fitting effect between GBDT model and ULR model

2.3 土壤有機(jī)碳的主控因子分析

GBDT 模型總體的R2為0.958,表明該模型能夠很好地解釋目標(biāo)變量的變異,與實(shí)際觀測值較為一致.

如圖5 所示,利用GBDT 模型探究SOC 與解釋變量間定量關(guān)系的解釋程度時(shí),各個(gè)變量對于SOC的預(yù)測能力存在很大差異.其中,堿解氮、有效磷、氣溫、土壤微生物多樣性和速效鉀是所有變量中影響SOC含量最為顯著的幾個(gè)因素.如果考慮變量的度量單位和量綱,可以看出:堿解氮以33.85%的影響權(quán)重位居最高,這表明當(dāng)提高土壤的堿解氮含量時(shí),通常呈正向關(guān)聯(lián)的情況下,SOC含量往往也會隨之顯著上升;其次,有效磷以24.88%的權(quán)重位列次席.堿解氮和有效磷對于作物生長的影響很大程度上決定了土壤中營養(yǎng)元素的供給能力,這些變量與作物生長發(fā)育密切相關(guān),可以直接或間接影響作物的產(chǎn)出效益.

年最低氣溫和土壤微生物多樣性以18.01%和11.72%的權(quán)重位列第3 和第4 位,這表明氣溫的高低和微生物豐富度是控制SOC 分解的重要調(diào)節(jié)因素.其中氣溫對于土壤中微生物代謝和分解活動(dòng)具有重要作用,溫度升高時(shí),微生物活動(dòng)率也會提高,這會影響SOC的分解速率.速效鉀的相對重要性為6.8%,雖然在SOC 預(yù)測模型中的相對重要性較低,但其是植物生長運(yùn)轉(zhuǎn)所必需的關(guān)鍵元素之一,影響植物吸收養(yǎng)分的能力和土壤中其它營養(yǎng)元素的釋放率.堿解氮、有效磷、氣溫、土壤微生物多樣性和速效鉀的相對重要性加和達(dá)到95.27%,其余變量均小于1.5%.

2.4 土壤有機(jī)碳與環(huán)境變量的非線性關(guān)系分析

圖6 中,主要環(huán)境協(xié)變量與SOC 含量之間的非線性關(guān)系以相對重要性的降序呈現(xiàn).環(huán)境變量并不是在其全部范圍內(nèi)都影響SOC 含量,在以上7 個(gè)環(huán)境變量中,均觀察到對SOC 的閾值效應(yīng),6 個(gè)環(huán)境變量具有雙閾值.7 個(gè)環(huán)境變量與SOC 之間的關(guān)系可以分類3 類:第1 類是堿解氮和有效磷,兩者均與SOC 含量成正相關(guān).堿解氮在170～180mg/kg 之間迅速增加,而在其余區(qū)間是穩(wěn)定的,有效磷和堿解氮的發(fā)展趨勢類似,在有效磷含量<40mg/kg 的范圍內(nèi),SOC 含量保持平穩(wěn),在40～44g/kg 范圍內(nèi),SOC 含量快速增長,隨后回歸平穩(wěn).

圖6 環(huán)境變量對SOC 的閾值效應(yīng)Fig.6 Threshold effects of environmental variables on SOC

第2 類是氣溫和土壤微生物多樣性,SOC 含量先隨溫度升高,含量逐漸上升,-28.3℃后后急劇下降,最后趨于平穩(wěn),而土壤微生物多樣性也是如此;溫度升高,微生物代謝速率增加,能夠參與有機(jī)質(zhì)分解的微生物數(shù)量也會增多,但當(dāng)超過一定的溫度門檻時(shí),微生物生長和活動(dòng)陣亡極高,SOC 的分解反而會減緩;微生物指標(biāo)小于108 時(shí),固碳作用占主導(dǎo),微生物會通過代謝過程吸收和存儲有機(jī)碳并且積累在自己的組織中,從而促進(jìn)了 SOC 的增加,大于108 之后代謝作用占主導(dǎo),將土壤中的有機(jī)物轉(zhuǎn)換成無機(jī)物質(zhì)從而使SOC 含量降低.

最后一類是速效鉀、土壤pH 值和降水量,與SOC 含量呈負(fù)相關(guān).隨著速效鉀的含量上升,SOC 含量先保持平穩(wěn),當(dāng)速效鉀的含量超過195mg/kg 之后,SOC 含量快速下降,最后回歸平穩(wěn)狀態(tài).降水量與土壤有機(jī)碳之間存在著非線性關(guān)系,隨著降水量的增加,SOC 含量先是處于平穩(wěn)階段,當(dāng)達(dá)到降水量610mm 時(shí),SOC 含量迅速下降進(jìn)入第二個(gè)平穩(wěn)期,直至降雨量達(dá)到640mm 左右,SOC 含量再次下降再次進(jìn)入穩(wěn)定階段.

2.5 環(huán)境變量交互效應(yīng)對土壤有機(jī)碳的影響

GBDT 模型中前7 個(gè)重要變量對SOC 的雙因素交互效應(yīng)見圖7.任何2 個(gè)變量都不是完全獨(dú)立的,均具有相互作用的關(guān)系.任何兩個(gè)環(huán)境變量的相互作用效應(yīng)均為負(fù)值,而僅有降水量與速效鉀、降水量與微生物、土壤pH 值與速效鉀的交互效應(yīng)為正.其中堿解氮與微生物解釋了89.9%的有機(jī)碳變異,堿解氮和有效磷解釋了87.5%的有機(jī)碳變異行為,而堿解氮與其他變量也均解釋78.3%以上的有機(jī)碳變異.綜上,堿解氮對于SOC 空間變異的解釋程度最強(qiáng).

圖7 GBDT 模型中環(huán)境變量的雙因素交互效應(yīng)Fig.7 Interaction effects between environmental variables in GBDT

3 討論

3.1 環(huán)境變量對土壤有機(jī)碳的影響機(jī)理

土壤堿解氮、有效磷和速效鉀含量等土壤養(yǎng)分含量是土壤有機(jī)碳空間分布的主要影響因子,本研究中土壤氮磷鉀均對土壤有機(jī)碳產(chǎn)生較大程度的影響,其中堿解氮和有效磷對土壤有機(jī)碳的影響為正效應(yīng),表明土壤氮和磷元素在一定程度上對土壤有機(jī)碳含量的增加產(chǎn)生積極效應(yīng).一方面,氮添加會影響土壤pH 值、養(yǎng)分有效性和土壤微生物多樣性,進(jìn)而影響土壤有機(jī)碳的分解.氮元素的輸入對土壤有機(jī)碳的分解速率也會產(chǎn)生影響,因?yàn)檠芯勘砻鞯氐母患瘯?dǎo)致土壤酸化,通過改變土壤的理化性質(zhì)而抑制微生物的代謝活動(dòng),進(jìn)而抑制有機(jī)碳的分解[33-35].人為活性氮的增加能夠顯著提升生態(tài)系統(tǒng)中土壤有機(jī)碳的固定,從而增加土壤有機(jī)碳的含量[35].另一方面,隨著施氮量的增加耕層土壤有機(jī)碳含量顯著提高[13,37],耕層土壤有機(jī)碳的輸入主要是種植的作物生物量決定的[38],而大量氮肥的輸入能夠顯著提高地上作物生物量和根生物量,從而顯著增加土壤有機(jī)碳的含量[39],這與本研究的結(jié)果一致.本研究發(fā)現(xiàn)土壤氮元素在所有的環(huán)境變量中對土壤有機(jī)碳的影響最大,這可能與土壤氮元素從影響土壤有機(jī)碳的輸入和輸出兩個(gè)方面來對總量產(chǎn)生影響.

本研究中,磷元素對于土壤有機(jī)碳的影響僅次于氮元素,呈明顯的正相關(guān)關(guān)系,說明磷元素對土壤有機(jī)碳的促進(jìn)作用可能主要與植物碳輸入的增加有關(guān)[40-41].有研究表明,磷元素的增加也會對土壤有機(jī)碳的分解產(chǎn)生顯著的負(fù)效應(yīng)[42],但有研究表明,磷元素含量對土壤有機(jī)碳含量的影響并不顯著[43],這證明了關(guān)于磷元素對于有機(jī)碳分解的微生物調(diào)控記住目前尚不明確.Li 等[14]發(fā)現(xiàn)土壤氮和磷含量的高低雖然對土壤有機(jī)碳的分解以及固存沒有直接的影響,但卻能通過碳氮磷三者的比值增加或減少微生物的生物量,從而達(dá)到影響微生物活性和微生物碳利用效率的效果,從而影響土壤碳動(dòng)態(tài).

本研究采用的環(huán)境變量數(shù)據(jù)以及土壤有機(jī)碳數(shù)據(jù)均為多源開源數(shù)據(jù),仍得出與很多研究相似的結(jié)果,側(cè)面證明了多源開源獲取數(shù)據(jù)進(jìn)行土壤有機(jī)碳空間分布的主控因子研究具有有效性,可能受到柵格數(shù)據(jù)分辨率的限制,部分影響因子的R2不高,這表明之后結(jié)合更精細(xì)的遙感影像數(shù)據(jù)獲取環(huán)境變量有望進(jìn)一步提升模型的精度.并且受數(shù)據(jù)可獲取性的限制,本研究未考慮風(fēng)向風(fēng)速、土壤母質(zhì)、施用農(nóng)藥、殺蟲劑和有機(jī)肥等因子的影響,對模型的精度造成了影響.本研究得出土壤氮元素對于土壤有機(jī)碳含量的影響非常顯著,證明控制土壤C/N 對于耕地土壤有機(jī)碳的可持續(xù)利用具有重要意義.

3.2 環(huán)境變量的閾值效應(yīng)分析

本研究發(fā)現(xiàn),環(huán)境協(xié)變量與土壤有機(jī)碳之間存在著非線性關(guān)系,這與前人研究一致[44-45],模型評估結(jié)果表明GBDT 模型為何優(yōu)于線性回歸模型,即GBDT 模型的估計(jì)結(jié)果更為可靠,而線性回歸模型假設(shè)數(shù)據(jù)間的關(guān)系是線性的,因此以上結(jié)果證實(shí)了在實(shí)際情況下,數(shù)據(jù)間的關(guān)系常常是非線性的,而GBDT 算法可以靈活地?cái)M合復(fù)雜的非線性模式.Lamichhane 等[46]和Siewert[47]的研究也證實(shí)了隨機(jī)森林等非線性模型優(yōu)于傳統(tǒng)線性回歸模型.因此,后續(xù)研究推薦使用機(jī)器學(xué)習(xí)算法來探究土壤屬性和環(huán)境變量間復(fù)雜的非線性關(guān)系.

本研究發(fā)現(xiàn)堿解氮和有效磷這兩種土壤養(yǎng)分與土壤有機(jī)碳含量之間的非線性關(guān)系存在閾值效應(yīng),即引起土壤有機(jī)碳含量發(fā)生變化的范圍區(qū)間是相對固定的,更多量的氮磷元素輸入并不會引起SOC 的增加.Brown 等[48]研究也發(fā)現(xiàn),過量施氮對土壤有機(jī)碳沒有影響,只是補(bǔ)充了在農(nóng)業(yè)生產(chǎn)中流失的氮含量,當(dāng)施氮量超過需求量時(shí),多余的氮素會以N2O 和NO3的形式排出,此研究佐證了閾值效應(yīng)的存在,但并沒有進(jìn)一步得到閾值點(diǎn).以上研究結(jié)果對于當(dāng)?shù)乜茖W(xué)施肥和精確農(nóng)業(yè)有重要意義,如何確定當(dāng)前我國連續(xù)耕作的農(nóng)田土壤的肥料投入,以最低肥料成本達(dá)到最大程度增加土壤中的養(yǎng)分和有機(jī)碳含量的目的,避免過度施肥造成的資源浪費(fèi)和農(nóng)田生態(tài)污染問題.化學(xué)氮肥的大量輸入對土壤碳循環(huán)影響顯著,引起了廣泛關(guān)注[49],同時(shí)不合理的施肥是影響土壤溫室氣體排放的重要因素.綜上所述,不合理的化肥施用容易對大氣環(huán)境造成了嚴(yán)重的危害,同時(shí)也造成土壤性質(zhì)的惡化以及肥力的退化.

4 結(jié)論

4.1 相較于一元線性回歸模型,GBDT 模型在所有的自變量上均具有更好的預(yù)測效果,可以更靈活地?cái)M合SOC 和環(huán)境變量之間復(fù)雜的非線性模式,R2提升了13.4%～3 671.94%不等.

4.2 7個(gè)主要協(xié)變量可以解釋98.011%的SOC濃度變化,其中堿解氮和有效磷濃度起主要作用.

4.3 7 個(gè)主導(dǎo)環(huán)境變量對SOC 含量均存在閾值效應(yīng),其中6 個(gè)環(huán)境變量存在雙閾值.閾值效應(yīng)結(jié)果表明,在堿解氮(170～180mg/kg)和有效磷(40～44mg/kg)的位置有機(jī)碳含量迅速升高,在土壤微生物多樣性(108)、速效鉀(195～215mg/kg)、降水量(610mm 和640mm)的位置土壤有機(jī)碳含量下降,確定了協(xié)變量對土壤有機(jī)碳含量的雙向和三向交互作用.

4.4 在確定環(huán)境變量的有效范圍、SOC 空間分布的潛在過程和提高農(nóng)田SOC 變化的解釋力時(shí)應(yīng)考慮閾值和相互作用效應(yīng).

致謝：感謝國家科技基礎(chǔ)條件平臺-國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn)提供數(shù)據(jù)支撐.感謝國家青藏高原科學(xué)數(shù)據(jù)中心(http://data.tpdc.ac.cn)提供數(shù)據(jù)支撐.