编辑推荐：
本研究通过地统计学插值与随机森林模型，分析农业与森林土壤中Fe、Zn、Mn、Cu的分布差异，发现农业土壤Fe（最高9.70 mg/kg）和Mn（最高3.66 mg/kg）因施肥管理更丰富，而森林土壤Zn（1.13 mg/kg）和Cu（1.53 mg/kg）因有机质循环更稳定，空间分布显著受土地利用影响，为精准施肥和可持续管理提供依据。
Sornalatha Thangavelu | Mahalingam Pambayan Ulagan | Chandramohan Karuppiah
未来研究中心
摘要
目的
本研究调查了农业和森林生态系统中根际土壤中四种关键微量营养素（铁（Fe）、锌（Zn）、锰（Mn）和铜（Cu）的分布情况，特别关注了地统计插值技术的应用。其创新之处在于将实地获得的土壤化学数据与空间建模相结合，生成了探索性插值表面，从而能够在不同的土地利用和气候条件下识别出营养素丰富和缺乏的高浓度区域。
方法
从两个不同的生态系统中收集了十个地理参考根际土壤样本：一个农业用地（527英亩），周围有椰子种植园、水体和建成区；另一个是森林用地（431英亩），周围有阶梯式耕作区和建成区。虽然最终用于空间建模的样本只有十个（每种土地利用类型五个），但实地调查最初涉及了30多个根际土壤样本。对这些样本进行了微生物分离和筛选，只有那些产生预期且一致微生物群体的样本被保留下来，用于详细的微量营养素-根际相互作用分析：来自农业土壤的5株固氮菌属（Azotobacter spp.）分离株，来自森林土壤的5株固氮菌属（Azotobacter spp.）分离株，以及来自森林土壤的5株固氮螺菌属（Azospirillum spp.）分离株。因此，用于空间分析的十个地理参考样本代表了经过生物学验证的根际微环境，而不是任意的土壤点。选择这些样本是基于微生物的一致性，以确保微量营养素的测量结果对应于活跃的根际微生物相互作用区域，而不是土壤的整体异质性。空间变异性使用ArcGIS 10.8.2v软件通过逆距离加权（IDW）方法进行建模，并通过平均误差（ME）和均方根误差（RMSE）等交叉验证指标进行了验证。空间变异性分析还结合了基于GIS的IDW插值和随机森林建模，考虑了土地利用和邻近环境因素。
结果
农业土壤中的铁（Fe）和锰（Mn）浓度较高（分别高达9.70 mg kg-1和3.66 mg kg-1），这反映了肥料投入和土壤管理措施的影响。森林土壤中的锌（Zn）和铜（Cu）浓度相对较高（分别高达1.13 mg kg-1和1.53 mg kg-1），这归因于有机物的循环利用和较少的人为干扰。地统计插值图显示了营养素的空间聚集现象，明显区分了集约管理的农业地块和营养素分布较为均匀的森林土壤。
结论
地统计插值被证明是一种有效的方法，可以定量和可视化根际土壤中微量营养素的异质性。通过将空间建模与土地利用和气候影响相结合，本研究为识别营养素缺乏区域和制定气候智能型土壤管理提供了新的框架。这些发现对精准农业、适应性森林保护和可持续土地利用规划具有直接意义。
引言
尽管已有大量关于使用地统计或机器学习方法进行土壤营养素绘图的研究，但很少有研究明确地将这些建模方法结合起来，以研究不同土地利用系统中的微量营养素分布。大多数现有研究仅关注农业土壤或森林土壤，往往忽略了根际这一生物活性区域，即根系与土壤化学物质相互作用的区域。此外，周围土地利用和环境邻近变量（例如，与水体、建成区、植被区的距离）在控制微量营养素变异性方面的作用尚未得到充分探索。在此背景下，本研究通过将确定性空间插值（IDW）与随机森林建模相结合（后者考虑了土地利用和环境协变量），提高了预测性能，并深入了解了微量营养素分布的驱动因素。这一新框架不仅更精确地绘制了营养素异质性图谱，还解释了潜在的土地利用控制因素，填补了混合土地利用景观中精准土壤肥力评估的关键空白。
微量营养素是植物代谢功能、酶激活和整体生理发育所必需的微量元素。铁（Fe）、锌（Zn）、锰（Mn）和铜（Cu）在根系伸长、叶绿素合成、呼吸作用以及对生物和非生物胁迫的抵抗力方面起着重要作用（Suman Chaudhary等人，2025；Singh等人，2020；Alloway，2008）。这些元素在土壤中的可用性受到生物、化学和物理过程的复杂相互作用的影响，尤其是在根际这一根系、微生物和土壤胶体相互作用的动态区域（Mohamed S. Attia等人，2025；Hinsinger等人，2009）。
了解这些微量营养素的空间分布对于可持续土地管理至关重要。微量营养素含量的变化通常由母质差异、土地利用（Ali Akbar Barati等人，2023；Thapa，2021）、植被类型、有机质含量以及人为干预（Farhan Ahmad等人，2024；Zhang等人，2022）等因素引起。农业土壤由于持续耕作和肥料施用，其营养素动态与相对未受干扰的森林土壤不同，后者受益于自然落叶和微生物循环（Artur Pinski等人，2025；Tiwari等人，2021）。尽管微量营养素非常重要，但在常规土壤肥力评估中往往被忽视，导致局部缺乏，从而影响作物产量和森林健康（Sharma等人，2018；Fageria等人，2008；Cakmak，2002）。
地理空间技术的进步使研究人员能够克服基于点状调查的局限性。地理信息系统（GIS）和地统计插值方法（特别是逆距离加权IDW）等工具可以从离散样本中建模和可视化连续的空间土壤属性表面（Goovaerts，1999；Odeh等人，1995）。这些技术在检测营养素热点和支持精准营养管理策略方面非常有用，尤其是在异质景观中（Yadav等人，2016；Nicolaus von Wirén等人，2000）。
地理空间技术的进步使研究人员能够克服基于点状调查的局限性。地理信息系统和地统计插值方法（特别是逆距离加权IDW）允许从离散样本中建模和可视化连续的空间土壤属性表面（Goovaerts，1999；Odeh等人，1995）。这些技术在检测营养素热点和支持精准营养管理策略方面非常有用，尤其是在异质景观中（AbdelRahman & Metwaly，2023；Jena等人，2022；Pullanagari & Cavalli，2023）。最近的发展将GIS与机器学习算法和数字协变量相结合，生成高分辨率的土壤营养素地图，有效识别缺乏或过剩的区域（Bousl?h?m等人，2025；Pullanagari & Cavalli，2023）。GPS和GIS的使用继续成为评估土壤肥力空间变异性的工具，有助于制定特定地点的营养管理策略（Kumar & Singh，2024；Lanki & Onwu，2024）。此外，改进的地统计和模糊聚类算法被用于划分田地内的特定管理区域，优化精准作物管理（Jena等人，2022；Yuan等人，2022）。
在此背景下，本研究旨在评估两种不同土地利用系统（农业和森林）根际土壤中Fe、Zn、Mn和Cu的空间变异性。研究在十个地理参考点进行，其中农业用地五个（总计527英亩），森林用地五个（431英亩）。农业研究点周围有椰子种植园、建成区和水体，而森林研究点周围有阶梯式耕作区和少量建成区。通过将实验室获得的土壤微量营养素数据与地理空间插值模型相结合，本研究旨在量化并比较森林和农业根际土壤中的微量营养素水平，使用IDW技术生成空间分布图，根据周围土地利用确定影响营养素变异性的关键因素，为特定地点的营养管理提供建议（Nicolaus von Wirén等人，2000；Cai等人，2025），并促进可持续土地利用规划。这项研究通过将空间明确的地统计方法应用于根际微量营养素分析，填补了这一关键空白，并展示了其在精准农业和生态系统管理中的实际应用。
尽管地统计和机器学习方法在土壤营养素绘图中的应用日益增多，但很少有研究明确测试不同土地利用系统如何调节根际微量营养素的空间行为和可预测性。农业和森林生态系统在管理强度、有机质循环和人为干扰方面存在根本差异，预计会产生不同的微量营养素分布模式。因此，我们假设：（i）土地利用显著控制着Fe、Zn、Mn和Cu的空间分布；（ii）由于管理投入，农业土壤中的Fe和Mn浓度及空间变异性更高；（iii）森林土壤由于有机物的循环利用，保持相对较高且更稳定的Zn和Cu水平。此外，我们假设通过随机森林建模结合土地利用和邻近环境协变量，可以改善微量营养素管理的预测效果（Jing等人，2024），优于单独使用确定性插值。这些假设通过综合分析农业和森林景观中的根际土壤进行了验证。
- •
测试土地利用（农业 vs 森林）是否显著影响根际土壤中Fe、Zn、Mn和Cu的浓度和空间变异性。
- •
评估农业土壤是否比森林土壤表现出更高的Fe和Mn富集度及更大的空间异质性。
- •
评估由于有机物驱动的营养循环，森林土壤是否保持相对较高且更稳定的Zn和Cu浓度。
方法部分
本研究采用地统计插值技术在GIS环境中分析和比较了农业和森林土壤中必需微量营养素（铁（Fe）、锌（Zn）、锰（Mn）和铜（Cu）的空间分布。方法包括土壤采样、实验室分析、空间插值（Mevlut Uyan 2016；Wu, W.等人，2014）和统计比较。本研究不再声称存在统计学上的显著差异，而是描述了观察到的现象。
结果
森林土壤中较高的锌（Zn）浓度可能反映了更多的有机物输入和较慢的营养物质周转率。森林落叶沉积增加了螯合作用和通过腐殖质复合物保留微量营养素的能力，从而可能减少了淋溶损失，相比受管理的农业系统。
在本研究中，IDW插值被用作确定性可视化技术，而不是用于精确空间预测的地统计模型。
讨论
与主要依赖于单一方法在均匀土地利用背景下插值土壤营养素的现有研究相比，本研究有几个进步。首先，将随机森林建模与传统的地统计方法相结合，提高了捕捉微量营养素分布对环境驱动因素和土地利用差异的非线性响应的能力，这体现在模型性能指标的改善上。
作者贡献声明
Chandramohan Karuppiah：验证、软件开发、正式分析、数据管理。Mahalingam Pambayan Ulagan：撰写——审稿与编辑、监督。Sornalatha Thangavelu：撰写——初稿编写、数据管理、概念构思
未引用的参考文献
Pinski等人，2025；Fageria和Stone，2008；Ahmad等人，2024；Heuvelink等人，2016；Hengl等人，2017；Jin和Heap，2011；Uyan，2016；Attia等人，2025；von Wirén等人，2000；Chaudhary和Sindhu，2025；Thapa，2021；von Wirén，2000。
利益冲突
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作
数据可用性
支持本研究结果的处理和收集的数据集已在手稿中呈现。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
概念构思和整体研究设计由三位作者共同完成。Dr. ST负责现场采样、实验室分析和第一稿的撰写。Dr. MPU监督了研究框架，对稿件进行了严格审查和修订，并批准了最终提交版本。Dr. CK参与了地理空间插值、数据分析、随机森林建模以及空间和统计结果的解释。
