土壤体积密度是衡量土壤质量与生态功能的关键参数，广泛应用于土壤有机碳储量估算、水文模拟与生态模型中。然而，在区域乃至大陆尺度，受限于土壤体积密度的原位观测数据稀缺，研究通常依赖土壤转移函数根据其他土壤属性间接估算土壤体积密度。尽管土壤转移函数方法简单高效，但其通用性有限，预测精度易受样本异质性影响，尤其在异质性强、土壤有机碳储量低的地区表现较差。如何在大尺度上实现高精度、适应性强的土壤体积密度预测，是当前土壤建模与碳储量评估中的重要难点。
近日，浙江大学环境与资源学院遥感所史舟教授课题组基于欧盟LUCAS 2018年土壤调查数据，提出了一种创新的局部建模策略——local-RFFRFS（基于邻近样本搜索、递归特征选择与随机森林融合的预测框架）。通过与传统土壤传递函数（PTF1-4）及全局模型（global-RFFRFS，global-RFFULL）进行对比，发现该方法充分挖掘土壤样本间的空间相似性，通过在局部样本范围内建立最优特征组合和非线性预测模型，显著提升了预测精度（图1）。
图1. 不同模型预测土壤容重的性能指标。局部射频的性能模型（全变量模型和特征筛选模型）随着用于局部建模的土壤样本数量的变化而变化。
研究结果表明，local-RFFRFS模型在预测欧洲0–20 cm深度土体积密度方面表现优异，R²达0.58，显著优于当前公开的四种主流土壤传递函数（R²为0.40–0.45），且在相对误差和均方根误差上均有明显改善（误差下降13.6%至23.1%）（图2）。在将土壤体积密度预测结果用于土壤有机碳储量计算时，虽然最优PTF模型在整体表现接近local-RFFRFS，但在土壤有机碳储量较低区域（<3 kg/m²），后者依然显示出更高的准确性（ΔR² > 0.2）（图3）。
图2. 不同模型预测土壤容重的性能指标及散点图。颜色越浅表示样品密度越高。其中对于局部模型所采用的模型为最佳样点数目。
图3. 不同模型预测土壤有机碳密度的性能指标。红点代表土壤有机碳储量<3 kg m-2的表层土样品，蓝点代表土壤有机碳储量>3 kg m-2的表层土样品。
为推动研究与应用，该团队基于最优模型，分别构建了两个覆盖欧盟和英国的0–20 cm的土壤容重与土壤有机碳储量数据库，分别包含18,945和15,389个土壤样本，现已通过Zenodo平台向公众开放获取（DOI: 10.5281/zenodo.10211884）（图4）。该研究在方法论与数据产品上均实现了重要突破，为提升土壤碳储量评估的空间精度提供了有力支撑，亦为大陆尺度的土壤水文与生物地球化学建模奠定了坚实的数据基础。
图4. 不同模型预测土壤容重的性能指标。局部射频的性能模型（全变量模型和特征筛选模型）随着用于局部建模的土壤样本数量的变化而变化。
该研究方法和结果以“European topsoil bulk density and organic carbon stock database (0–20 cm) using machine-learning-based pedotransferfunctions”为题，于2024年3月16日在线发表于Earth System Science Data（影响因子11.2、中科院一区TOP）。浙江大学环境与资源学院陈颂超研究员及浙江大学环境与资源学院博士后陈中星为共同第一作者，浙江大学环资与资源学院史舟教授为通讯作者。该项目得到国家自然科学基金项目（42201054）的资助。
文章信息：
标题：European topsoil bulk density and organic carbon stock database (0–20 cm) using machine-learning-based pedotransferfunctions
期刊：Earth System Science Data
类型：Technical Advance