来源：Ecotoxicology and Environmental Safety
题目：Application of machine learning approaches to predict ammonium nitrogen transport in different soil types and evaluate the contribution of control factors
应用机器学习方法预测不同土壤类型中铵态氮迁移及其控制因子的贡献
研究团队：农业农村部环境保护科研监测所客座硕士研究生冯冰聪为论文第一作者，马杰副研究员和西北农林科技大学和文祥教授为论文共同通讯作者。
资助信息：国家重点研发计划（2021YFD1700904），国家自然科学基金（42377409）和中国农业科学院科技创新工程项目共同资助。
论文链接：
https://doi.org/10.1016/j.ecoenv.2024.116867
研究背景与意义
土壤氮素流失引发环境问题，同时提高氮素利用效率成为全球关注焦点，但土壤氮运移机制复杂，难以准确分析。本研究利用机器学习（ML）方法预测不同土壤中铵态氮（NH4+-N）迁移能力，识别土壤中影响NH4+-N迁移的主要控制因素的贡献，同时提出了调控土壤NH4+-N运移的策略。
主要研究结果
通过对31份土壤样本的理化性质进行测定分析，并利用迁移实验模拟NH4+-N在土壤中的运移过程，结果显示不同土壤对NH4+-N的阻滞作用差异明显。基于实验数据训练ML模型预测NH4+-N迁移的阻滞因子（Rf值），六种ML模型（ADA、XGB、GBR、RF、MLP、SVR）均展现出一定准确性，其中XGB模型表现最优（r2=0.97, MAE=0.81, MSE=0.50）。基于XGB模型的三种解释性分析一致表明：土壤CEC、总有机碳含量（TOC）及高岭石含量（Kao）是影响NH4+-N运移的关键因素。CEC作为土壤负电荷容量的指标，与土壤对阳离子的吸附能力紧密相关。高CEC值土壤能更有效地吸附NH4+-N，从而降低其运移速度。同时，TOC含量丰富的土壤含有大量有机胶体，这些胶体对NH4+-N具有强吸附和固定作用，有助于减少氮素流失。此外，Kao含量与土壤对NH4+-N的阻滞作用正相关，可能与Kao对NH4+-N的吸附和离子交换能力有关。
特别地，CEC与TOC间存在显著交互作用，对NH4+-N运移产生重要影响。在TOC含量较低时，CEC对NH4+-N的阻滞作用相对有限；而在TOC含量较高时，CEC与TOC共同发挥强大阻滞作用，显著减缓NH4+-N在土壤中的运移速度。进一步分析发现，当CEC值超过6 cmol+ kg-1且TOC含量高于40 g kg-1时，土壤对NH4+-N的阻滞作用达到最大。
基于上述研究结果，提出以下调控策略以优化NH4+-N在土壤中的运移：一是通过施用有机肥替代无机肥增加土壤TOC含量，提高土壤对NH4+-N的阻滞作用；二是对CEC值较低的土壤，添加黏土矿物或改良剂以提高其CEC值，增强土壤对NH4+-N的吸附能力。本研究利用ML方法预测土壤NH4+-N运移过程及关键调控因子，为建立土壤养分流失预警系统提供理论支持。
图1 文章摘要图
责任编辑：宋潇
校对丨审核：张阳 王农
本文由《农业环境科学学报》青年编委马杰副研究员供稿。欢迎各位专家学者向农业环境科学投稿宣传团队科研成果！请您联系邮箱：caep_sx@163.com。投稿时请确保您拥有论文的翻译、编辑、转载等权利。
基于机器学习方法的花生镉富集系数预测
