将数字土壤制图得出的土壤特性纳入其中，以提升土壤湿度预测的准确性

《Solid Earth Sciences》：Incorporating digital soil mapping-derived soil properties for enhanced soil moisture prediction

土壤湿度建模中整合数字土壤制图提取的关键土壤属性（如有效含水量、有机碳、颗粒组成）与遥感数据，显著提升预测精度。比较传统方法与融合土壤属性的方法，后者的均方根误差分别降低17%、29%和30%（7-9月），平均不确定性从11.3%降至8.4%（7月）、6.3%（8月）和4.5%（9月），并减少高不确定性区域。研究证实土壤物理特性与遥感参数协同建模可有效提升土壤湿度动态监测能力。

　　土壤湿度（SM）作为地球水文循环中的关键组成部分，其准确测量和建模对农业、水文学和气候科学具有重要意义。SM不仅影响植被生长和农业生产，还与水资源的分布和利用密切相关。然而，传统方法在获取大范围SM信息时面临诸多挑战，如测量成本高、时间周期长以及空间覆盖有限等。因此，开发更为先进的SM建模技术成为迫切需求，其中遥感（RS）和数字土壤图（DSM）技术的结合展现出巨大潜力。

本研究提出了一种创新的建模框架，通过将DSM生成的关键土壤属性图层整合到基于遥感的机器学习模型中，显著提升了SM建模的精度与可靠性。该研究覆盖了一个面积达1206平方公里的区域，其地理环境复杂，包含多种土地利用类型、地质构造和气候条件，为评估模型在不同环境下的表现提供了理想场所。该区域的长期平均降水量为310毫米，气温约为24摄氏度，气候类型涵盖从湿润到半干旱的多种情况。这种多样性确保了模型在多种环境下的适用性。

研究过程中，利用多源数据，包括Sentinel-1、Sentinel-2和Landsat 9卫星影像，以及地面实测数据，构建了一个综合的SM建模体系。首先，通过随机森林回归（RFR）算法，对七种关键土壤属性（包括砂、黏土、有机碳、FC、CCE、MWD和SM）进行了建模。随后，将这些土壤属性作为额外的环境协变量，与传统的环境协变量（如地表温度、地表反射率、雷达波段等）结合，对SM进行建模。结果表明，土地表温度、砂含量、土壤有机碳、VV极化、海拔、黏土含量等在SM建模中具有显著影响。

在建模过程中，研究团队采用了多种环境协变量，包括地表温度、雷达波段、地表反射率指数、地形特征（如海拔、坡度、坡向、局部太阳入射角）以及土地利用和地质信息。这些协变量的选择基于其在SM动态中的物理相关性，并参考了前人的研究成果。例如，NDVI和NDWI反映了植被密度和冠层水分含量，从而影响土壤发育和有机碳积累。地形因素如坡度和局部太阳入射角则影响侵蚀、排水和太阳辐射暴露。雷达波段（VV和VH极化）因其对地表SM的敏感性而被纳入模型。

在实际建模中，研究团队采用了一种两阶段方法。第一阶段是使用RFR算法对关键土壤属性进行建模，第二阶段是将这些属性整合到SM建模中。为了评估模型的准确性，将数据集分为训练集和测试集，其中训练集占70%，测试集占30%。RFR算法通过构建多个决策树，并优化树的数量以减少预测误差，从而提高了模型的稳定性。在模型评估中，采用R2、ME和RMSE等指标，对不同月份的建模结果进行了分析。

结果显示，整合关键土壤属性的建模策略在SM预测中表现出更高的准确性。例如，在7月、8月和9月，与传统方法相比，该策略将RMSE分别降低了17%、29%和30%。同时，平均建模不确定性也显著下降，从11.3%、8.4%和8.4%分别降至6.3%和4.5%。这表明，通过引入土壤属性信息，可以更全面地反映土壤水分的动态变化，从而提升SM预测的可靠性。此外，研究还发现，土壤属性在不同月份的重要性有所变化，如7月，LST、BCI、FC、SOC和砂含量是主要影响因素；8月，土壤相关协变量如黏土、SOC和砂含量的影响更为显著；而9月，地形因素如坡向和局部太阳入射角的重要性增加。

这些结果强调了土壤属性在SM建模中的关键作用。例如，FC（田间持水量）反映了土壤的持水能力，而SOC（土壤有机碳）则影响土壤的结构稳定性。此外，MWD（平均粒径）作为土壤团聚体稳定性的指标，对水分的渗透和储存具有重要影响。通过将这些土壤属性与遥感数据结合，可以更精确地捕捉SM的空间和时间变化，为农业规划、干旱风险评估和地表过程建模提供更可靠的依据。

然而，研究也指出了一些局限性。由于西北部和南部地区的地形复杂以及道路缺乏，采样工作受到限制，导致这些区域的土壤属性信息不足。这可能影响模型在这些区域的预测准确性，因此需要在未来的采样工作中加强这些区域的覆盖。此外，尽管遥感数据提供了广泛的时空信息，但其对深层土壤过程的反映仍存在不足。因此，进一步研究如何将深层土壤数据与遥感数据相结合，以提高SM建模的全面性和准确性，是一个值得探索的方向。

本研究的创新点在于将DSM技术作为增强SM建模精度的基础输入，而不是独立使用RS或DSM。这种集成方法不仅考虑了地表动态，还引入了深层土壤属性的影响，从而构建了一个更加物理基础和空间精细的SM模型。通过这种方式，可以更准确地模拟土壤水分的动态变化，特别是在那些传统方法难以覆盖的区域。

研究的结论表明，整合关键土壤属性可以显著提高SM建模的准确性，并减少建模不确定性。这不仅有助于提高对SM变化的理解，还为农业管理、水资源管理和气候适应提供了更可靠的数据支持。未来的研究应进一步优化这些技术，特别是在提高土壤属性图层的精度、减少建模不确定性以及探索高分辨率、动态变化的环境协变量的整合方面。通过这些努力，可以推动SM建模技术的发展，使其更适用于全球范围内的不同环境条件。