基于机理模型与机器学习(Machine-Learning, ML)方法的澳大利亚土壤温度(Soil Temperature, ST)深度分辨制图(Depth-resolved Mapping)

《Geoderma》：Depth-resolved mapping of soil temperature in Australia using mechanistic and machine-learning approaches

　　

摘要：土壤温度(Soil Temperature, ST)是调控生物地球化学过程、植物生长及土壤—大气相互作用的关键因子，但在大空间尺度上针对地下层位温度的具有空间显式(Spatially Explicit)的估算仍较为有限。本研究评估了一种基于物理的机理模型(Mechanistic Model)在澳大利亚全境绘制年平均土壤温度(Annual Average Soil Temperature, AAST)多个深度的性能，并将其预测结果与两种机器学习(Machine-Learning, ML)方法——支持向量机(Support Vector Machine, SVM)与极端梯度提升(Extreme Gradient Boosting, XGBoost)进行比较。该机理模型基于土壤热传导(SOil Heat Conduction)的稳态解析解(Steady-state Analytical Solution)来估算多层深度下的ST。模型预测结果利用土壤温度观测数据进行验证，并与基于广泛环境协变量(Environmental Covariates)训练的ML模型进行对比。机理模型取得了与ML方法相当的预测性能，平均决定系数(R2)为0.94，均方根误差(Root Mean Square Error, RMSE)介于5.5至6.0 °C之间，同时具备更优的物理可解释性与空间一致性。生成的制图揭示了明显的洲际尺度土壤温度梯度，澳大利亚北部土壤显著暖于南部沿海地区。虽然近地表气温(Surface Air Temperature, SAT)强烈影响ST分布格局，但土壤热学性质——特别是导热系数(Thermal Conductivity, λ)、容积热容量(Volumetric Heat Capacity, Csoil)及土壤水分(Soil Moisture)——调节了温度和深度的横向与纵向变异。平均而言，1 m深度处年平均土壤温度比较年均地表气温高出约4 °C，表明土壤热稳定性(Thermal Stability)的缓冲效应。结果表明，经传感器标定近似(Sensor Calibrated Approximation)简化的机理模型可提供洲际尺度的年平均土壤温度分布模式。将基于物理的方法与机器学习方法结合可进一步改善土壤温度预测，并为生态系统过程、土壤碳动态及陆—气相互作用的大尺度评估提供支持。

论文解读：Sharififar A, McBratney A, Minasny B. Depth-resolved mapping of soil temperature in Australia using mechanistic and machine-learning approaches[J]. Geoderma.

【研究背景与意义】

土壤温度(Soil Temperature, ST)调控温室气体排放、植物根系生长、土壤有机质分解及微生物活性等关键生物地球化学过程，也是陆—气能量交换与土壤碳动态模拟的基础参量。现有数字土壤温度制图多聚焦表层温度，缺乏针对地下不同深度且具有高分辨率的空间显式数据，尤其在澳大利亚这类气候与土壤类型高度异质的大陆。传统机器学习(Machine-Learning, ML)经验模型虽具较强拟合能力，但缺乏物理约束与可解释性，且外推能力受限；而基于傅里叶定律(Fourier's Law)和热扩散方程(Heat Diffusion Equation)的机理(Mechanistic)方法因缺乏多点地下观测在大尺度制图中应用较少。为此，研究人员开展此项研究，旨在构建并验证一个基于稳态热传导解析解的简化机理模型来估算澳大利亚多深度年平均土壤温度(Annual Average Soil Temperature, AAST)，对比其与SVM、XGBoost两种ML方法的预测性能，解析ST水平与垂直空间格局及主控因子，证明简化物理模型在洲际尺度土壤温度数字制图(Digital Soil Mapping, DSM)中的可行性及价值。

【主要技术方法概述】

研究人员选取澳大利亚全境为研究区，使用TERN提供的90 m分辨率土壤属性栅格数据（容重Bulk Density、砂/粉/黏粒含量、有机碳、土壤水分，分层0–5、5–15、15–30、30–60、60–100 cm）及GLDAS与Copernicus的土壤水分与年均地表气温(Surface Air Temperature, SAT，2009–2013五年平均)。容积热容量(Volumetric Heat Capacity, C_soil)按各相体积分数加权求和计算；导热系数(Thermal Conductivity, λ)采用Brakelmann (1984)土壤传递函数(Pedotransfer Function, PTF)由孔隙度Porosity(Φ)、饱和度及矿物组成估算。机理模型基于一维热扩散方程在年平均条件下的稳态假设(d2T/dz2=0)，以SAT为地表边界条件，依据111个站点观测得出1 m深ST较SAT平均高4 °C，建立线性垂向梯度G=4 °C m^?1，推算各深度ST：T(z)=T_air+G·z。ML方法选用SVM(RBF核)与XGBoost，分别以土壤属性(分层)与环境协变量(气候、地形、母质、生物经PCA降维取第一主成分)为输入，采用留一交叉验证(Leave-One-Out Cross-Validation, LOOCV)训练与评估。利用111个气象站地下10、20、50、100 cm实测ST进行验证，计算R²、RMSE及MAE；随机采样50万点做Pearson相关分析与变差分配(Variation Partitioning)解析主控因子。

【研究结果】

3.1 机理模型与机器学习模型性能(Mechanistic and Machine Learning Models Performance)

Accuracy：机理模型R²达0.93–0.94，RMSE 5.49–6.00 °C；SVM与XGBoost之RMSE略低但R²明显偏低(0.17–0.57)，说明ML局部误差小但在解释洲际ST空间方差上弱于物理模型。Interpretability：机理模型参数具明确物理意义(热传导、热容量、大气强迫)，优于ML"黑箱"。Spatial and Vertical Consistency：机理模型ST空间格局紧密跟随SAT分布且在各深度具一致性；ML因不同深度赋予协变量权重不一致导致空间碎片化。

3.2 澳大利亚1 m内土壤温度变异(Soil Temperature Variation to 1 m Depth Across Australia)

制图显示明显纬向梯度：北澳AAST较南澳高约10 °C，受SAT主导但被土壤质地与水分调制——东南湿冷区因高含水量与细质地具较低ST，中、西干旱砂质区偏暖。随深度增加垂向变幅减小，容积热容量、导热系数、容重一般随深度增大而变异减小，深层土壤热稳定性(Thermal Stability)更强，利于根区生物活动。

3.3 土壤温度与地表气温关系(Relationship Between Soil Temperature and Surface Air Temperature)

日变化影响一般不及50 cm，年变化在10 m内衰减；全境1 m深AAST平均比MAAT(Mean Annual Air Temperature)高约4 °C，此热力偏移(Thermal Offset)源于土壤剖面热蓄积及随深度增高的λ与C_soil(受黏粒、容重、水分影响)；深层ST空间异质性亦随深度降低。

3.4 土壤温度变异的关键驱动因子(Key Drivers of Soil Temperature Variability)

导热系数(Thermal Conductivity, λ)与ST空间分布对应最强，λ受容重、孔隙度、水分及质地控制。相关分析显示：容积热容量与土壤含水量强正相关(r=0.82)，λ与容重强正相关(r=0.77)；ST与容重(r=?0.84)、含水量(r=?0.65)、粉粒(r=?0.43)呈负相关。变差分配表明SAT与土壤热学属性解释ST变异最大比例，地形(海拔、坡度、坡向)贡献较小。

3.5 机理与数据驱动方法的协同(Synergy Between Mechanistic and Data-Driven Approaches)

简化稳态热传导表征结合合理边界条件与土壤热属性可捕捉洲际地下温度梯度，说明物理模型可用于观测稀疏区外推；ML适于纳入植被、地形等复杂非线性因子作局部修正。二者互补——机理模型提供具物理约束基线，ML细化局地偏差，混合策略兼具解释性与预测力。

3.6 不确定性与局限(Uncertainties and Limitations)

未考虑植被覆盖与地表能量平衡(辐射、潜热、感热)；采用经验标定垂向梯度及多年平均SAT/土壤水分平滑短时波动；土壤水分时空动态影响λ与C_soil但未动态代入；SAT与GLDAS产品从0.25°重采样至90 m引入插值不确定性。

【讨论与结论翻译】

研究表明，基于稳态土壤热传导解析解并约束以观测垂向温度梯度的简化机理模型，能成功再现澳大利亚洲际尺度土壤温度空间格局，预测性能可与ML方法媲美且具更强空间连贯性与物理可解释性。物理基础解析解仅需少量输入即可估算多层深度年平均ST，性能与数据驱动ML模型相当。分析揭示澳大利亚ST具明显纬向梯度及上层1 m内随深度递增之AAST，1 m深处AAST平均较MAAT高约4 °C。土壤热学性质(尤其导热系数与容积热容量)及土壤水分是调控ST垂向与横向变异的主控因子。机理模型提供具物理意义的基线估计，ML可在充足观测下纳入复杂环境协变量精炼局地预测，二者结合有望改进区域至全球土壤温度制图。未来应探索融合物理热传导模型与数据驱动技术之混合框架，并纳入更高分辨率气候数据、动态土壤水分及改进的地表能量平衡表征，以推进土壤热状况及其对生态系统过程、陆—气相互作用和土壤碳动态影响的大尺度评估。