基于地形与土壤肥力解析纽约州玉米产量稳定性 zone 的驱动因素

《Journal of Agriculture and Food Research》：Decoding Drivers of Corn Yield Stability Zones in New York Using Topography and Soil Fertility

　　

本研究旨在评估土壤肥力与地形因素在解释纽约州农场玉米（Zea mays L.）产量稳定性 zone（YSZ）中的相对重要性。产量稳定性 zone 整合空间与 temporal 产量模式，为田间生产力与气候韧性提供 insights。机器学习模型虽能识别 YSZ 驱动因素，但对潜在机制的解释有限。研究人员利用递归特征消除（RFE）结合机器学习的方法，对来自纽约州6个农场17个田块的玉米青贮与籽粒玉米数据进行了分析。经清洗的多年产量监测数据通过 Matérn 克里金插值至2 m²分辨率，并依据农场平均产量与 temporal 标准差（SD）划分为四个产量稳定性 zone：Q1（持续高产）、Q2（变异高产）、Q3（变异低产）与Q4（持续低产）。采集自0.2 ha网格（0-20 cm深度）的土壤样品分析了pH、有机质（OM）及可提取养分含量；高程与地形湿度指数（TWI）则基于2 m数字高程模型（DEM）提取。递归特征消除结果一致表明，高程与 TWI 是产量稳定性的最强预测因子，而土壤肥力变量的贡献较弱且更具田块特异性。线性混合模型（LMM）显示，区分低稳定性与高稳定性 zone 的是坡度陡度而非高程本身，凸显了侵蚀与水分再分布的潜在作用。基于置换的卡方检验表明，持续高产 zone 在干旱 TWI 等级中显著欠代表，而持续低产 zone 则显著过代表，提示地形对土壤水分的控制驱动产量稳定性。然而，田块级别的比较显示，地形-产量稳定性关系具有田块特异性：部分田块与 TWI 一致，另一些则偏离水文梯度。因此，地形驱动的水文过程对产量的影响具有变异性。未来研究应将地形与肥力数据与直接土壤水分测定及不同降雨条件下的动态 TWI 模型相结合，以优化作物生长模型与田间作物管理。

研究背景与问题提出

产量稳定性 zone（YSZ）是农田内部在多个生长季表现出相似产量表现的区域，作为田间生产力与气候韧性的指示指标，整合了土壤性质、地形及气候变异性等环境条件对作物表现的累积效应。Cornell University 营养管理项目开发的 YSZ 制图方法将田块划分为四个象限，基于产量水平与 temporal 一致性（高于或低于农场平均值），为精准农业提供可操作的管理 zone。尽管机器学习模型在预测作物表现与划定管理 zone 方面展现出优于传统统计方法的预测精度，但其"黑箱"特性遮蔽了输入变量影响预测的机制性理解，使得农学家与农户难以解释结果并制定知情管理策略。

现有研究已识别出地形与土壤肥力变量作为产量变异的潜在驱动因素，但通常聚焦于预测关系而缺乏对哪些变量在多样田间条件下持续重要的系统评估。特别在新 York 州这类湿润、冰川地貌区，饱和过剩水文（saturation-excess hydrology）可能以不同于其他文献报道的入渗过剩（infiltration-excess）过程的方式调控产量稳定性。当前研究要么偏重预测建模、要么侧重过程理解，缺乏两种途径的整合。将数据驱动预测与潜在生物物理过程相联系，可将机器学习预测从统计关联转化为农学上有意义的见解，从而指导靶向干预。

研究目的与核心结论

为填补上述知识空白，本研究旨在利用基于机器学习的特征选择方法，评估土壤肥力与地形因素在解释新 York 州农场玉米青贮与籽粒玉米 YSZ 中的相对重要性。研究人员通过检验关键环境与土壤因素，在生物物理框架内解释模型结果，为作物模型及 site-specific 管理策略的实施提供可解释、基于证据的见解。

研究得到的核心结论为：高程与 TWI 被一致识别为产量稳定性的最强预测因子；坡度陡度而非高程本身显著区分低稳定性与 high 稳定性 zone；TWI 与 YSZ 的关联在极端水文位置最为显著；而地形-产量稳定性关系具有田块特异性，表明产量稳定性并非单一由地形或土壤肥力控制，而是 emerge from 其与排水及管理因素的交互作用。

研究意义

该研究发表于《Journal of Agriculture and Food Research》，其重要意义在于：首次在新 York 州冰川地貌区系统比较了地形与土壤肥力对玉米产量稳定性的相对贡献，揭示了地形驱动的水文过程在湿润区产量稳定性中的主导作用；通过将机器学习特征选择与统计建模及生物物理解释相结合，为"可解释的"精准农业提供了方法论范例；研究结果可直接指导变量施肥、排水改良及靶向土壤改良等 site-specific 管理措施，有助于提高投入利用效率并减少养分淋失、径流等环境影响。

关键技术方法概述

研究样本来源于新 York 州北部、西部及中部6个农场的17个田块，涵盖13个玉米青贮田块和4个籽粒玉米田块，总面积409 ha，采样时间为2020-2022年春季玉米播种前。核心技术与方法包括：（1）基于 Matérn 克里金插值的产量监测数据空间化处理（2 m×2 m网格）及四象限 YSZ 分类；（2）基于2 m DEM 提取高程、坡度及 TWI（采用多流向算法计算），并按农场尺度分位数划分为干、中、湿三个等级；（3）递归特征消除结合交叉验证（RFECV）与随机森林分类器进行特征重要性排序；（4）线性混合模型分析高程与坡度对 YSZ 的影响（田块作为随机效应）；（5）置换卡方检验（9,999次重采样）评估 YSZ 与 TWI 等级的关联性，辅以标准化残差分析；（6）选取代表性田块结合 CLIMOD 2 气候数据，进行降雨模式与 TWI 动态的 scenario 分析。

研究结果

网格尺度土壤肥力特征

0.2 ha网格土壤分析显示，土壤pH为6.2-7.4（多数近中性），有机质含量1.3%-3.3%（C1、C2、C3及D1田块较高），有效磷（P）变异极大（1.3-88.6 mg kg^-1，C2田块因曾作为家禽农场而极高），钾（K）11-107 mg kg^-1，镁（Mg）73-246 mg kg^-1，钙（Ca）579-2362 mg kg^-1。硼（B）在全田块均偏低（0.0-0.3 mg kg^-1），锌（Zn）亦以低水平为主（0.1-1.9 mg kg^-1），提示潜在微量养分限制。

高程差异与产量稳定性 zone 的关系

采样田块高程跨度38-382 m，高程变异性以D1（SD=4.9 m）和C1（SD=4.5 m）最为显著，而E5、F1及F2较为平坦（SD≤1.3 m）。正态化高程密度图显示，各 YSZ 间高程差异总体较小，密度曲线高度重叠；仅少数高变异田块（如Bg1）呈现Q3相对Q1偏高的趋势，但未形成一致模式。

TWI 分类的田块分布特征

TWI 密度曲线显示，干旱等级的分布更为集中陡峭，而湿润等级分布更为平坦延展，表明干旱区域在田块内更为集中，湿润区域则分布更广。该模式反映了地形对水分汇聚过程的控制作用。

产量稳定性 zone 的重要驱动因素

RFE 分析热图一致显示，高程与 TWI 在解释 YSZ 方面的重要性高于大多数土壤肥力预测因子。土壤肥力变量（P、K、pH、OM、Al、B、Ca、Fe、Mg、Mn、Zn）总体呈浅色（低重要性），偶有深色（高重要性）出现于特定田块的特定 zone。整体预测因子重要性模式在四个稳定性 zone 间保持一致，个别田块存在肥力相关变量贡献的局部差异。

高程与坡度对产量稳定性 zone 的影响

LMM 结果显示，各 zone 的正态化平均高程相似（0.449-0.464），无显著差异。单独分析坡度表明，Q4 zone 与显著更高的坡度相关（p=0.04），而Q2与Q3无显著差异。Q4的坡度分布延伸至更陡区域，Q1则集中于较低坡度值。该结果表明，区分低稳定性与高稳定性 zone 的是坡度陡度而非高程本身。

TWI 与产量稳定性 zone 的关联特征

在17个田块中，Q1在8个田块被归类为湿润等级，Q4在11个田块主要落入干旱等级。变异 zone（Q2、Q3）的表现更为多样。置换卡方检验显示 YSZ 与 TWI 等级存在显著关联（χ²=18.5, p=0.004）。标准化残差分析揭示：Q1在干旱等级中强烈欠代表（残差=-2.61），湿润等级虽常见但反映总体丰度而非 Q1 的特异性聚集；Q2在中等等级中过代表（残差=+2.02）；Q4在干旱等级中强烈过代表（残差=+3.09），在中等等级中强烈欠代表（残差=-2.65）。这表明持续低产 zone 与排水良好/干旱位置强烈关联。

降雨模式与 TWI 对产量稳定性的情境影响

示范田块分析显示：E2田块（高海拔，中等高程变异，低于气候正常的降雨条件）YSZ 主要为Q1，Q4局限于田块边缘且常对应干旱位置，表明除水分外的其他因素支持稳定高产；D2田块（中海拔，较高高程变异，接近或略高于气候正常的降雨）Q1常与湿润区域关联，Q3-Q4多位于干旱上坡，与置换卡方结果一致；A2田块（低海拔，高度复杂的汇聚流路径，低于气候正常的累积降雨）低产 zone 主导全田块，占据高坡与下坡，表明当其他 site-level 限制因素主导时，水分再分布 alone 无法解释产量稳定性。

讨论与机制解释

地形湿度指数与高程作为产量稳定性的主要驱动因素

RFE 热图突出显示高程与 TWI 是一致性最强的产量稳定性预测因子，其相对重要性均匀高于土壤肥力预测因子。这强化了地形通过影响水分再分布、排水及土壤水分可利用性来构建空间产量动态的作用。土壤肥力变量贡献较弱其原因在于：多数田块的土壤肥力处于或高于玉米生产的充足范围，当养分水平超过临界阈值后，进一步增加对产量稳定性的解释力有限；历史管理实践的长期效应可能减弱了土壤测试变异性与作物响应的耦合。该发现符合"最小因子定律"（Sprengel-Liebig Law of the Minimum）——当土壤肥力满足作物需求时，水分可获得性等其他因素成为产量稳定性的主要约束。

高程与 TWI 对产量稳定性机制性关联的解析

LMM 结果中无显著差异的高程效应与 RFE 中高程的高排名似乎存在矛盾。这一矛盾反映了多变量语境与边缘效应的根本差异：RFE 在多变量框架中评估高程，其预测价值通过与坡度、TWI 及土壤肥力变量的 interaction 而体现，可捕获精细地形梯度并作为未测量地形过程的代理；而 LMM 检验高程的 direct、marginal 关系时控制了田块级变异，显示其独立效应微弱。这表明高程作为情境变量增强了坡度介导过程的预测力，而非直接驱动产量稳定性。

TWI 通过量化上坡汇水面积与坡度的平衡来反映 surface 或近 surface 饱和的可能性，在湿润冰川地貌区主要与饱和过剩径流相关而非入渗过剩过程。高 TWI 位置（下坡、洼地）常伴随 Q1，暗示其在干旱期受益于增强的土壤水分和 subsurface 入流，可缓冲产量变异；但湿润条件下可能周期性饱和，导致涝渍、通气减少和养分淋失。低 TWI 位置（凸起的上坡）与 Q4 的频繁关联，则反映了干旱胁迫和侵蚀驱动的变异性。

地形影响的 context-dependent 特性

三个示范田块的比较表明，水文、降雨与产量稳定性的关系在不同 site 条件下变异显著。D2 中 TWI 与 YSZ 关联明显；E2 中 Q1 主导全场尽管存在 TWI 梯度且降雨偏少；A2 则呈现 instability 跨越所有水文等级的模式。这提示地形驱动预测因子虽可指示产量变异最可能发生的位置，但需结合土壤性质、管理历史和排水特征等 site-specific 信息才能得出可靠解释。产量稳定性评估不应依赖单一预测因子，而需整合地形与土壤肥力信息，并以季节性气候条件为情境。

管理实践意义

识别 TWI 与坡度作为产量稳定性的主要驱动因素，为新 York 州玉米系统的精准农业提供了实践指导。与干旱 TWI 等级及陡坡相关的持续低产 zone（Q4）可通过降低播种密度、选用耐旱品种及实施侵蚀控制措施来管理；变量施肥中减少这些水分受限区域的氮肥用量，可避免加剧干旱胁迫并提高利用效率。持续高产 zone（Q1）在湿润 TWI 区域可利用 tile drainage（该州常见实践）防止涝渍，同时在正常至干旱年份发挥其水分优势以实现更高产量潜力。变量 zone（Q2、Q3）提供了基于季节性天气预报的适应性管理机会。新 York 州推广的 Single Strip Spatial Evaluation Approach（SSSEA）为在 YSZ 内测试管理策略提供了有效框架。

研究局限性与未来方向

本研究存在若干局限性：TWI 类别划分（20th 和 80th 分位数）的任意性反映了相对而非绝对水文位置，解释需保持田块特异性；空间分辨率差异（土壤采样0.2 ha vs. 产量/TWI 的2 m）可能导致土壤效应的相对代表性不足；管理数据的未获取使环境因素与管理效应无法完全分离；土壤生物学指标（微生物活性、土壤健康指标）和土壤物理性质（质地、容重、持水能力）缺乏测定，可能贡献了额外的解释力。

未来研究建议整合根区土壤水分动态的直接测量、土壤物理性质（质地、有机质、水力传导度）及长期气候记录，以澄清观测关系的因果机制。测试替代 TWI 阈值及不同降雨 regime 下的动态 TWI 模型，将提升水文驱动方法的实践效用。纳入详细管理记录可进一步精细化产量稳定性驱动因素归因。

研究结论翻译

本研究评估了土壤肥力与地形因素在解释新 York 州农场玉米产量稳定性 zone 中的相对重要性。基于递归特征消除的机器学习分析一致识别高程与地形湿度指数为产量稳定性的最强预测因子，而土壤肥力变量的贡献较弱且更具田块特异性。坡度陡度而非高程本身显著区分低稳定性 zone（Q4）与高稳定性 zone（Q1），提示坡度介导的过程（如侵蚀与水分再分布）可能是产量变异的主要驱动因素。产量稳定性 zone 与地形湿度指数等级的关联在极端水文位置最为分明：持续高产 zone 在干旱等级中欠代表，而持续低产 zone 在同一等级中过代表。田块层面模式揭示，产量稳定性并非 solely 由地形或土壤肥力控制，而是 emerge from 其与排水和管理因素的交互作用，这些因素共同塑造景观尺度的水分和养分可利用性。地形湿度指数类别划分的任意性（第20和第80分位数）反映了相对而非绝对水文位置，强调解释必须保持田块特异性，不能推广到对比性景观。产量稳定性评估应整合地形与土壤肥力信息，而非依赖单一预测因子。未来研究应纳入土壤水分动态的直接测量、高分辨率土壤性质数据及长期气候记录，以澄清观测关系背后的因果机制。测试替代地形湿度指数阈值及不同降雨 regime 下的动态地形湿度指数模型，可能同时提升水文驱动方法的理论理解与实践效用，服务于作物建模与基于田块的作物管理。