基于可解释集成机器学习的土壤表层pH值空间分布预测及影响因素

来源：环境科学杂志2026年第1期北京时间：

作者：汪立,樊后宝,张晏维,谭永忠

单位：浙江大学公共管理学院, 杭州 310058,美国宾夕法尼亚大学城市与区域规划系, 费城 PA 19104,南京大学地理与海洋科学学院, 南京 210023,海南大学国际商学院农林经济管理系, 海口 570228,浙江大学公共管理学院, 杭州 310058,浙江大学土地与国家发展研究院, 杭州 310058

摘要：科学测度土壤表层pH值的空间分布与影响因素，对于识别土地利用的潜在问题，促进土壤生态环境恢复与平衡具有重要的实践意义. 选取川南丘陵地区的1 795个土壤观测点，通过比较4类基模型，包括随机森林、支持向量机、极端梯度提升以及神经网络，以及2种集成机器学习算法（Boosting算法与Stacking算法）的精度，在此基础上通过夏普利加性解释对影响因素的贡献率与交互作用进行探究. 结果表明，相较于4类基模型，集成机器学习表现出更为优越的预测精度，其中Boosting算法精度更高（R2=0.862）. 6种学习模型预测趋势基本一致，且预测值与实际值之间存在一定的范围收缩，研究区内土壤pH值整体呈“北高南低”条块状递减的空间分布格局. 影响因素贡献率大小前4依次为土壤全钾含量、土壤容重、土壤有机碳含量及年均降雨量. 偏依赖特征分析表明，当土壤中ω（TK）处于16.25~17.34 g·kg-1时，土壤pH值则显著提高，大于17.83 g·kg-1时，则逐渐降低. SOC对土壤pH预测值呈负向影响，尤其是当ω（SOC）大于8.25 g·kg-1时，土壤pH预测值快速下降. 各类影响因素协同作用机制呈现一定程度的差异性. 未来，应重视各类型影响因素对于土壤pH值的协同影响效应，并通过构建更加精确的模型，为客观掌握土壤pH值变化水平，科学调控土壤酸碱度时空分布趋势，提高土壤健康韧性及土壤生态可持续发展提供参考与建议.

关键词：集成机器学习（EML）,空间分布预测,夏普利加性解释（SHAP）,影响因素,土壤pH值,