全世界总共有9.16亿公顷的黑土，占世界无冰土地面积的 7%，黑土被公认为世界上最重要和生产力最高的农业土壤，主要分布在北美、南美、东欧和中亚。面积为1.09亿公顷的中国黑土在维持中国的可持续农业发展中发挥着不可替代的作用，但是自大规模开垦以来，中国黑土由于自然和人为因素的影响，黑土有机质数量和质量急剧下降。土壤有机质（SOM）是衡量土壤肥力的关键指标之一，它来源于植物、动物和微生物的残体，不仅为植物生长提供必需的养分，还能改善土壤的物理性质，增强土壤的抗侵蚀能力。因此，估算和监测黑土有机质含量至关重要。传统的SOM测定方法包括 Walkley & Black 法、Tyurin 法、失重分析法（LOI）、核磁共振（NMR）技术和高光谱技术等。然而，这些方法存在操作复杂、成本高昂、难以实现在线预测等问题。本研究旨在基于深度神经网络（DNN）构建一种以常规土壤养分指标为输入的人工智能模型，实现对黑土区土壤有机质含量的高精度、非破坏性估算。

为此，东北地理所土壤资源与利用学科组研究人员利用在中国东北中厚层黑土区收集的2490个土壤样本，测定了土壤养分的相关指标（土壤pH值、碱解氮、速效磷、速效钾和有机质），并将土壤pH值和速效养分的四种指标作为模型的输入特征，将土壤有机质含量作为模型的输出特征。通过随机划分训练集和测试集，验证了模型的性能，并将其与六种传统机器学习方法进行了比较（图1）。实验结果表明，基于 DNNs 的方法能够以接近 95% 的准确率估算SOM含量，并且在不同训练集和测试集比例下均表现出良好的稳定性和高精度（图2）。与六种传统机器学习方法相比，该研究提出的DNNs模型在预测精度上更具优势（图2）。此外，研究还探讨了输入特征对模型性能的影响，结果发现，即使减少输入特征的数量，模型仍能保持较高的预测精度（图3）。这一特性表明该模型具有较强的稳健性。本研究采用了一种数据驱动的方法，利用深度神经网络（DNNs）来预测黑土的SOM含量。研究结果为黑土土壤有机质估算提供了一种高效、准确的方法，同时为实时监测土壤有机质提供了新的技术手段，为进一步探索土壤健康评估工具奠定了基础。

图1 基于深度神经网络技术的土壤有机质估算方法的流程图

图2 使用不同机器学习技术进行估算精度的比较

图3 土壤不同测定指标参数特征组合的准确性

研究成果近期发表在环境科学与生态学国际期刊Ecological Informatics上，加拿大蒙特利尔大学崔诗好博士后为第一作者，东北地理所土壤资源与利用学科组周萌助理研究员为通讯作者，东北地理所隋跃宇研究员、刘晓冰研究员和于贺博士也参与该研究工作。研究得到黑龙江省自然科学基金优秀青年项目（YQ2023D007）、国家自然科学基金青年项目（42307437）、吉林省自然科学基金面上项目（20240101052JC）联合资助。

论文信息：

Shihao Cui, Meng Zhou^*, He Yu, Xiongze Xie, Leilei Xiao, Jian Liu, Jinkuo Lin, Xiaobing Liu, Yueyu Sui, Jing Liu. Estimation of Soil Organic Matter in Mollisols Based on Artificial Intelligence. Ecological Informatics, 2025, 90: 103223.

论文链接：

https://doi.org/10.1016/j.ecoinf.2025.103223