Geostatistics and Spatial Modelling in Soil Science: A Critical Appraisal of Methods, Advantages, Inconveniences and Applications

土壤属性在空间和时间上连续变化，因此对未采样位置进行空间预测是土壤科学的基础。几十年来，地统计学为量化、制图与传达这种变异提供了一个连贯的框架。然而，其作用正日益受到机器学习的挑战，后者依托遥感和近地传感获取的大量环境协变量，并且对具有可靠不确定性估计的国家和全球土壤信息的需求不断增长。本文综述批判性地评估了地统计学与混合空间建模在土壤科学中的方法学基础、优势、局限与应用。相关文献通过结构化检索学术数据库和引文追踪识别，并对其方法学充分性、验证质量、透明度和相关性进行了评估。由此浮现出五个主要问题。第一，克里金法的关键假设，特别是均值与协方差结构的平稳性，在土壤数据集中常被违背，而其影响往往未得到充分报告。第二，变异函数估计仍然是地统计学的核心，但许多研究中有限的样本量降低了其可靠性，并削弱了对空间依赖性的解释。第三，克里金方法、回归克里金与机器学习之间的比较显示出不一致的表现，这主要是由于采样设计、协变量质量、外推需求和验证程序方面的差异。第四，尽管不确定性量化在概念上有所改进，但其实际验证仍然不足，引发了对所报告模型精度的担忧。第五，在精准农业、污染评估、盐渍化管理与土壤碳核算中的应用，其证据成熟度差异显著，其中土壤碳监测在地图精度与决策级可靠性之间显示出明显差距。总体而言，地统计学对于表征空间依赖性、设计采样策略和量化不确定性仍然重要。未来的进展很可能在地统计方法与机器学习实现整合而非被视为相互竞争的替代方案时最为显著。