农业资源与环境学报

作者：张方滟,吴一平,阴晓伟,孟泽昕,亚历山大罗夫·格奥尔基,李汇文,张广创,韩磊,窦欣,张雷,王欢元

单位：西安交通大学全球环境变化研究院, 西安 710049,西安交通大学全球环境变化研究院, 西安 710049,中南林业科技大学水土保持学院, 长沙 410004,西安交通大学全球环境变化研究院, 西安 710049,西安交通大学全球环境变化研究院, 西安 710049,俄罗斯科学院大气物理研究所, 莫斯科 119017,西安交通大学全球环境变化研究院, 西安 710049,西安交通大学全球环境变化研究院, 西安 710049,长安大学土地工程学院, 西安 710054,南京信息工程大学地理科学学院, 南京 210044,西安交通大学全球环境变化研究院, 西安 710049,陕西农业发展集团有限公司, 西安 710075,陕西农业发展集团有限公司, 西安 710075

关键词：土壤有机碳，反演模型，机器学习，变量筛选，SHAP分析,

基金：国家自然科学基金项目（42271025，31961143011）；陕西省重点研发计划产业链项目（2022ZDLSF06-04）；陕西省创新团队项目（2021TD-52）

为实现快速、高精度的农田土壤有机碳（SOC）反演并探讨不同变量筛选方法与机器学习算法的适宜组合方式，本研究以黄土高原典型丘陵沟壑区泾河流域农田土壤为对象，基于SOC采样数据，整合了包括MODIS多光谱数据及相关环境变量在内的126个变量，探究了全部变量集、竞争性自适应重加权采样法（CARS）筛选变量集、相关系数筛选变量集这3种变量集分别与支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）和极端梯度提升树（XGBoost）这4种算法组合对模型精度的影响。结果表明，经过相关系数筛选后的11个特征变量与4种机器学习算法组合的模型精度显著优于全部变量集和CARS筛选变量集，其中与SVM算法的组合表现最优（验证集：R2=0.86，RMSE=0.95，MAE=0.76，RPD=2.66），其次为XGBoost、BPNN和RF模型。SHAP分析显示，地形变量（DEM、地形起伏度、剖面曲率）贡献度达28.41%，在地形复杂多变、耕地较为破碎的泾河流域农田SOC反演中起重要作用，其次为遥感指数（23.18%）和经纬度（20.21%）。相关系数筛选与SVM算法组合的反演结果表明，流域农田SOC范围为0.00~39.94 g·kg-1，其高值区集中在研究区域的西部边缘，低值区集中在东北部，中值区和低值区在中部和南部交错分布，平均SOC值为8.38 g·kg-1，其含量远低于全国农田SOC的平均水平。

来源：2026年第3期

《农业资源与环境学报》期刊编辑部

查看农业资源与环境学报杂志2026年第3期