利用遥感、机器学习和SHAP分析技术对伊朗胡齐斯坦省干旱和半干旱农业地区的土壤有机碳进行地理空间建模与制图

《Advances in Space Research》：Geospatial Modeling and Mapping of Soil Organic Carbon in Arid and Semi-Arid Agricultural Lands of Khuzestan, Iran Using Remote Sensing, Machine Learning, and SHAP Analysis

　　

Zeinab Zaheri Abdehvand|Kazem Rangzan|Danya Karimi|Seyed Roohollah Mousavi

摘要

准确地进行土壤有机碳（SOC）的地理空间测绘对于可持续的土壤管理和有效的碳封存至关重要。在这项研究中，使用了多种机器学习（ML）模型来预测伊朗胡齐斯坦省干旱和半干旱农业地区的SOC空间分布。首先通过Boruta算法筛选了73个环境协变量，包括遥感（RS）指数、地形特征和气候变量。描述性分析显示，整个研究区域的SOC平均值较低，仅为0.69%。在六个机器学习模型中，随机森林（RF）模型的预测性能最高（R2 = 0.73，CCC = 0.75，RMSE = 0.15，nRMSE = 0.10），并且其不确定性估计也较为可靠（PICP = 91.49%，MPIW = 0.50）。相对重要性（RI）分析表明，太阳辐射（SROI）、年平均降水量（Prec）、年平均最低和最高温度（Tmin，Tmax）、绿色指数以及土壤调整植被指数（SAVI）是影响SOC的最重要因素。Shapley加性解释（SHAP）分析进一步强调了降水量（Prec）、最低温度（Tmin）和散射辐射（DI）在预测SOC中的主导作用，而土壤亮度指数（SBI）和最高温度（Tmax）的增加则具有负面影响。空间预测结果显示，大部分地区的SOC值较低。这些发现证明了基于机器学习的地理空间SOC建模的有效性，并为提高土壤肥力和支持可持续农业规划提供了实用的建议。