编辑推荐：
本研究基于机器学习算法，利用29,402个SOC和22,301个pH测量数据，生成俄罗斯巴什科特斯坦共和国5个深度的土壤有机碳和pH数字地图，并通过交叉验证、不确定性评估和专家知识进行验证。结果显示平原地区预测可靠（R2分别为0.50和0.64），而山区因数据不足和环境独特性预测效果不佳，未来需加强山区数据采集。
阿扎马特·苏莱曼诺夫（Azamat Suleymanov）、加齐兹·瓦利耶夫（Gaziz Valiev）、鲁斯兰·沙加利耶夫（Ruslan Shagaliev）、鲁斯兰·苏莱曼诺夫（Ruslan Suleymanov）、拉里萨·贝兰（Larisa Belan）
俄罗斯乌法国立石油技术大学脱碳技术中心环境研究人工智能实验室，邮编450064
摘要
土壤在保障粮食安全和调节碳循环中的关键作用凸显了利用先进技术生成更新、高分辨率土壤地图的必要性。尽管全球有许多相关倡议，但世界上许多地区仍缺乏准确的数字土壤产品。本研究为俄罗斯巴什科尔托斯坦共和国生成了五个深度区间（最深100厘米）的土壤有机碳（SOC）和pH KCl的数字地图。我们采用了三维数字土壤制图（3D-DSM）方法，并结合了机器学习算法。训练数据包括29,402个SOC测量值和22,301个pH测量值，相关变量涵盖了广泛的土壤形成因素。这些地图通过基于剖面的交叉验证、不确定性评估、适用范围（AOA）以及专家的土壤学知识进行了评估。同时，我们还将其与现有的数字地图和传统地图进行了比较。预测模型分别解释了SOC和pH 50%和64%的变异，其中气候变量是主要的影响因素。适用范围评估显示，由于这些生态系统数据不足及其独特的环境条件，土壤模型无法在山区所有深度提供可靠的预测结果。与其他地图的比较显示，两者既有差异也有相似之处。总体而言，在平原地区，这两种土壤属性的预测结果是可靠的，因为模型能够很好地反映土壤与景观的关系，并拥有充足的训练数据。未来应重点收集山区土壤数据以改进预测效果。本研究为巴什科尔托斯坦共和国开发的3D-DSM产品将更好地服务于当地的农业、环境和社会经济需求，有助于更全面地了解区域和国家的土壤资源。
引言
土壤资源对每个国家的可持续发展都至关重要，是农业（Kopittke等人，2019年）、粮食安全（Pozza和Field，2020年）和环境稳定（Ludwig等人，2018年）的基石。土壤为作物生产提供了必要的环境，支撑了世界大部分的粮食供应，因此在确保粮食安全方面尤为关键，尤其是在人口增长和农业需求增加的地区（Smith等人，2016年）。除了农业之外，土壤还在调节全球生物地球化学循环、固碳以及通过作为有机碳的重要储存库来减缓气候变化方面发挥着重要作用（Batjes，1996年）。
空间土壤信息能够详细了解不同景观中土壤属性的分布和变化情况，这对于应对各种挑战至关重要（Vanino等人，2023年）。它促进了精准农业、基于数据的土地利用规划（Pereira等人，2017年）以及有针对性的土壤健康改善措施（Arrouays等人，2021年），从而支持可持续的农业生产、适应气候变化和生态系统功能的保护。目前使用的大多数土壤地图都是通过传统方法（如野外调查和手工制图技术）制作的。这些方法通常劳动密集且耗时较长。许多地图是几十年前制作的，反映了当时的技术和方法局限性，因此常常缺乏现代应用所需的空间分辨率和精度。此外，这些地图的静态特性无法反映动态的土壤过程和随时间的变化，限制了它们在当代决策中的实用性。因此，生成和利用空间土壤产品不仅具有科学价值，对于实现国家和全球的可持续发展目标也至关重要（Arrouays等人，2014年）。
数字土壤制图（DSM）利用统计方法和地理空间数据的进步，能够在不同尺度上预测土壤类别和属性，甚至覆盖整个地球（Poggio等人，2021年）。DSM技术的核心在于建立土壤属性与空间土壤形成因素（相关变量）之间的关系。目前，最流行的方法是采用先进的机器学习技术来处理土壤与相关变量之间的复杂关系（Chen等人，2022年）。许多国家已经生成了数字土壤产品，包括澳大利亚（Wadoux等人，2023年）、美国（Ramcharan等人，2018年）、中国（Liu等人，2022年）、俄罗斯（Chinilin和Savin，2023年）等（Mulder等人，2016年；Szatmári等人，2024年；?í?ala等人，2022年）。
俄罗斯是世界上最大的国家，拥有独特的土壤形成因素和气候条件。大多数俄罗斯的DSM研究都是在局部范围内进行的（<100,000公顷），仅有少数研究关注国家级建模，涉及土壤有机碳（SOC）（Chinilin和Savin，2023年）、土壤微生物组（Ivanova等人，2025年）和土壤基础呼吸作用（Mukhortova等人，2021年）。实际上，由于空间分辨率较低和训练数据集有限，通用的国家级DSM模型无法有效应用于特定地区或联邦主体。因此，需要利用本地土壤数据库和更高分辨率的相关变量集来开发本地或区域级的DSM产品（Zeraatpisheh等人，2023年）。例如，巴什科尔托斯坦共和国拥有从肥沃的平原到森林覆盖的高地等多种地貌，需要定制的土壤地图来支持精准农业和可持续的土地管理（Mirsayapov等人，2022年）。
本研究的主要目标是生成多个深度（最深100厘米）的基本土壤属性的区域数字地图，并进行多阶段验证。我们通过基于剖面的交叉验证、不确定性评估和适用范围（AOA）进行了定量评估，同时结合专家的土壤学知识进行了定性评估。
研究区域
巴什科尔托斯坦共和国位于俄罗斯南乌拉尔山脉地区（图1），是一个具有重大农业意义的区域。该地区的地貌从西部的肥沃平原到东部的森林高地和山区不等（图1c）。这里的气候属于温带大陆性气候，冬季寒冷，夏季温暖，降水量适中，且随海拔高度变化显著（图1d和e）。土壤条件同样多样
统计摘要
所有观测样本中的土壤有机碳（SOC）含量范围广泛（0.12–32%），平均值为3.03%，中位数为2.92%（表2）。SOC值的变异性适中（标准差SD：1.46，变异系数CV：48.18%）。土壤pH测量值介于3.1至8.8之间，平均值为5.98，中位数为5.9，变异性较低（标准差SD：0.88，变异系数CV：14.72%），表明样本间的条件相对稳定。
预测准确性统计
根据基于剖面的10倍交叉验证后的误差指标，SOC模型的
讨论
生成的地图通过统计方法（交叉验证、分位数和适用范围评估）以及专家的土壤学知识进行了评估。
结论
本研究展示了巴什科尔托斯坦共和国关键土壤属性（SOC和pH KCl）的3D-DSM结果，并进行了定量和定性评估。我们使用了大量的训练数据，并生成了多个深度区间的预测结果。主要发现和挑战如下：
1.预测验证结果显示，SOC和pH的R2值分别为0.50和0.64（MEC分别为0.50和0.63）。这些结果与其他全球和国家的研究结果一致（即在广泛范围内）
CRediT作者贡献声明
阿扎马特·苏莱曼诺夫（Azamat Suleymanov）：撰写初稿、软件开发、方法论设计、概念构建。加齐兹·瓦利耶夫（Gaziz Valiev）：数据可视化、验证、软件开发、数据分析。鲁斯兰·沙加利耶夫（Ruslan Shagaliev）：撰写与编辑、数据可视化、验证、软件应用。鲁斯兰·苏莱曼诺夫（Ruslan Suleymanov）：撰写与编辑、研究设计。拉里萨·贝兰（Larisa Belan）：撰写与编辑、项目监督、项目管理。
资金支持
本研究是在俄罗斯联邦科学与高等教育部的项目框架下进行的，项目名称为“评估欧亚碳区的温室气体平衡，旨在开发2024–2026年间提高巴什科尔托斯坦共和国生态系统碳储量的技术”（项目编号：FEUR-2024-0007）。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
部分土壤数据由巴什科尔托斯坦共和国区域空间数据基金提供，依据协议号R100/2023/03/1。土壤采样工作是在与巴什科尔托斯坦共和国土地与财产关系部的政府合同下进行的，属于“在市政区域内进行土壤调查、数字化、土壤地图校正、土壤类型和农用地块说明编制等工作”的范畴
