在半干旱条件下，利用卫星和无人机图像评估农田土壤有机碳估算的准确性

《CATENA》：Assessing the accuracy of soil organic carbon estimation in agricultural fields using satellite and UAV images under semiarid conditions

土壤有机碳（SOC）估算与制图是可持续土壤管理的关键。本研究提出结合卫星（10米分辨率）和无人机（6厘米分辨率）多源遥感数据，整合植被指数（NDVI、GLI等）、土壤电导率（EC）及地形特征，构建SOC预测模型。通过对比永久性树木作物（葡萄园）与年度作物（洋葱田）两种场景，发现单独建模显著提升精度：葡萄园R2adj=0.424，洋葱田R2adj=0.561。研究强调NDVI在作物生长初期（NDVI0.15）对SOC预测的重要性，并指出高分辨率数据（无人机）在裸露土壤监测中的优势。

　　土壤有机碳（SOC）的估算与制图是可持续土壤管理的核心组成部分。在传统方法中，SOC的测定通常依赖于实地采样，这不仅耗费大量时间和人力资源，而且通常只能覆盖较小的区域。因此，评估不同分辨率的遥感技术在SOC预测中的准确性变得尤为重要。本研究提出了一种多源数据方法，结合中等分辨率（卫星）和非常高分辨率（无人机）的遥感数据，用于估算裸露土壤、作物冠层植被指数（VIs）、土壤测量和地形特征等，特别是在半干旱环境中。此外，本研究还旨在评估这些预测在两种不同的农业情境下的准确性：一种是永久性果树种植地，这种环境下全年土壤不完全裸露；另一种是年作物种植地，这种环境下土壤在某些时期会暴露出来。研究结果显示，当将永久性果树种植地和年作物种植地分别考虑时，预测效果更佳：R2（调整后）分别为0.325和0.561，而当两者合并考虑时，R2（调整后）为0.424。此外，利用作物在不同生长阶段的归一化植被指数（NDVI）值可以提高预测的准确性。

SOC的准确估算对于农业决策、土壤保护策略以及政策制定至关重要。它不仅影响土壤健康和肥力，还关系到粮食安全和可持续发展目标的实现。在气候变化和可持续发展实践不足的背景下，农业活动预计将成为温室气体的净排放源。因此，了解和管理SOC的变化对于缓解环境影响具有重要意义。半干旱环境占据了全球约47.2%的土地面积，其中半干旱地区占地球表面积的18%。这些地区以高度季节性的降雨模式为特征，高温促进了土壤生物活动，加速了有机质的分解，导致微生物生物量和溶解态SOC减少，从而影响植物凋落物的产生和SOC的储存。SOC含量通常较低，并且在自然和农业土地上都容易分解，因此在这些脆弱生态系统中监测SOC尤为重要。

本研究选择了两个位于西班牙东南部、阿尔巴塞特地区的灌溉商业农田作为研究对象，分别种植了葡萄（品种为Cencibel）和洋葱。这些农田的间距约为300米。葡萄种植地（Plot A）的葡萄行距和列距分别为1.5米和3米，每公顷种植约2222株。葡萄采用棚架系统进行栽培，并结合休眠枝条修剪和生长季节的枝条修剪。灌溉系统采用滴灌方式。洋葱种植地（Plot B）的密度为每公顷500,000株，采用固定喷灌系统进行灌溉。两块地均采用传统耕作方式。

土壤样本的采集采用网格采样策略，间隔30米。在每个采样点，从1平方米的网格的四个角落和中心采集五个子样本，混合后获得代表性土壤样本。所有样本均在收获后采集，以确保土壤裸露状态。样本被筛分并通过2毫米的筛网，然后在空气中干燥。SOC含量通过去除所有碳酸盐后，使用CHNS燃烧气体分析仪（Vario EL Cube，Elementar，德国）进行测定。

为了获取遥感数据，研究团队利用了Sentinel-2A MSI卫星的多光谱数据，这些数据经过大气校正处理。Sentinel-2A卫星的多光谱数据包括13个光谱波段，空间分辨率为10米、20米和60米。研究中使用了10米分辨率的波段：蓝色（490纳米）、绿色（560纳米）、红色（665纳米）和近红外（NIR，842纳米）。此外，研究团队还使用了无人机平台采集高分辨率多光谱图像（地面采样距离：6厘米）。无人机配备了MicaSense RedEdge TM3多光谱传感器，能够捕捉五个波段的数据：蓝色（475纳米中心，32纳米带宽）、绿色（560纳米中心，27纳米带宽）、红色（668纳米中心，14纳米带宽）、红边（717纳米中心，12纳米带宽）和近红外（NIR，842纳米中心，57纳米带宽）。这些数据通过无人机飞行计划自动采集，并使用Agisoft Metashape Professional版本2.0.2软件生成正射影像、数字地形模型（DTM）和点云数据。

研究还考虑了来自卫星和无人机的多个波段和植被指数，如归一化植被指数（NDVI）、绿色叶指数（GLI）、可见光大气阻力指数（VARI）、土壤调整植被指数（SAVI）和优化土壤调整植被指数（OSAVI）。这些植被指数通过不同的生长阶段的NDVI值进行计算，如NDVI 0.15（作物生长达到最大NDVI值的15%）、NDVI 0.50（达到50%）和NDVI 0.90（达到90%）。NDVI 0.15、NDVI 0.50和NDVI 0.90分别对应于作物的早期、中期和晚期生长阶段，以反映SOC的变化趋势。

研究还使用了电磁感应仪（EM38-MK2）测量土壤的表观电导率（EC），在0.5米和1.5米的深度进行测量。这些数据与遥感数据结合，用于构建SOC预测模型。研究团队通过逐步线性回归（SLR）方法，评估了不同变量对SOC的预测能力。SLR通过前向和后向回归方法确定最终模型，依据F检验的p值来决定是否添加或删除变量。如果p值小于0.05，则认为该变量对模型有显著贡献；如果p值大于0.1，则认为该变量不重要。调整后的决定系数（R2）和均方根误差（RMSE）用于评估模型的性能。

研究结果表明，当将永久性果树种植地和年作物种植地分开分析时，预测效果更为理想。对于年作物种植地（Plot B），调整后的R2值为0.561，而对永久性果树种植地（Plot A），调整后的R2值为0.424。这说明，当土壤完全裸露时，遥感技术的预测能力更强。此外，NDVI在作物不同生长阶段的值对SOC的预测具有重要影响，特别是在早期生长阶段，NDVI 0.15对SOC的预测效果显著。这表明，利用作物作为传感器的方法在特定生长阶段能够有效反映SOC的变化情况。

研究还分析了预测模型的空间分布情况，通过比较实际SOC数据与预测数据之间的差异，识别出高变异区域以及SOC被低估或高估的区域。结果表明，对于Plot A（葡萄种植地），SOC的低估主要集中在南部，而Plot B（洋葱种植地）的低估则主要分布在北部。这些发现强调了在半干旱环境中，SOC的空间分布具有一定的复杂性，需要综合考虑多种变量进行准确预测。

研究的结论指出，虽然单一模型可能适用于永久性果树种植和非永久性作物的SOC预测，但在预测部分裸露土壤时，单独分析不同类型的土壤覆盖情况可以提高预测准确性。因此，建议在进行SOC估算前对木本和草本作物进行分类。此外，多光谱数据和植被指数在预测SOC方面存在不足，需要结合其他土壤属性，如坡度、电导率和NDVI，以提高预测精度。RGB数据在不使用导出指数的情况下，对SOC预测没有明显优势。因此，为了在小尺度区域（如田块级别）实现更准确的SOC预测，有必要结合实地测量数据。

本研究的成果为半干旱地区SOC的估算和管理提供了新的思路和技术支持，有助于更有效地制定土壤保护策略和农业管理措施。未来的研究可以进一步探索不同作物类型和生长阶段的SOC预测方法，以及如何更有效地整合多源数据以提高预测模型的鲁棒性和实用性。