编辑推荐：
当前土壤有机质（SOM）监测方法在长期预测精度和数据效率上存在局限。研究人员开发整合 Landsat 影像与 PLSR、RF、Cubist 算法的遥感框架，经特征选择优化模型，利用 2007-2021 年影像及年际迁移学习 mapping SOM 动态。PLSR 预测 R2=0.51、RMSE=3.97 g/kg，揭示研究区 SOM 十年下降与土地利用强度相关，为肥力管理提供工具。
目前，土壤有机质（soil organic matter, SOM）监测方法在长期预测精度和数据效率方面存在不足。本研究致力于构建一个融合 Landsat 影像与三种建模算法（偏最小二乘回归（partial least squares regression, PLSR）、随机森林（random forest, RF）、Cubist）的遥感框架，以应对这些挑战，减少采样工作量，并实现大规模土壤肥力评估。通过 Boruta 和递归特征消除（recursive feature elimination, RFE）进行特征选择以优化模型性能，结果表明 PLSR 为最优算法。该框架利用长期 Landsat 影像（2007–2021 年）和年际迁移学习方法来绘制 SOM 动态变化图。PLSR 实现了跨年度 SOM 预测（R2?=?0.51，RMSE?=?3.97 g/kg），能够利用最少的野外数据和长期影像对非采样年份进行准确绘图。对 SOM 趋势的分析显示，研究区域内 SOM 呈现十年的下降趋势，这与土地利用强度密切相关。所提出的年际迁移学习方法表明，利用稀疏采样和时间序列遥感可以有效地追踪 SOM 动态变化，为土壤肥力管理和精准农业提供了一种可扩展的工具。
