基于遥感数据与多模型融合的河西走廊表层土壤有机质时空反演研究

《CATENA》：Spatio-temporal inversion of surface soil organic matter in the Hexi Corridor based on remote sensing data and multiple model integration

本研究创新性地结合实测土壤数据与遥感数据，对比多种模型集成方法，实现了河西走廊1990-2024年表层土壤有机质（SOM）的高精度反演。结果表明：mRMR指标筛选法优于PCC和GRA法；随机森林（RF）模型在反演精度上超越SVM、XGBoost等模型；mRMR-RF模型集成方案为区域SOM反演提供最优解。该研究为干旱区土壤监测提供了高精度遥感反演框架，对土地可持续管理具有重要科学价值。

　　

研究亮点

土壤样本的SOM含量统计分析显示，最大值为52.35 g/kg，最小值为1.21 g/kg，平均值为12.19 g/kg，变异系数（CV）达0.79，表明样本间SOM含量差异显著且分布离散。分级统计中，低值级与高值级的CV较高，离散度较大；而稍低、中等和稍高级别的离散度相对较小。

SOM反演模型

在不同指标筛选方法中，相关性分析和互信息值表明：湿度指数（MSI）、红边指数（RI）和抗大气植被指数（ARVI）与SOM关联最密切。其中，MSI反映区域水分状况——较低的MSI意味着土壤水分充足，有利于植被生长和凋落物积累，从而提升SOM含量。同时，较高的SOM会改善土壤结构，增强持水能力，形成正向反馈。RI和ARVI则通过捕捉植被生长状态间接表征SOM动态。环境变量中，海拔（DEM）和气温（LST）与SOM呈负相关，而植被指数（NDVI）与SOM正相关。模型对比显示，随机森林（RF）凭借其抗过拟合能力和对复杂关系的捕捉能力，在验证集上表现最优（R² = 0.849，RMSE = 1.868，RPD = 2.572），显著优于支持向量机（SVM）、极限梯度提升（XGBoost）等模型。

结论

本研究通过融合多源遥感数据与机器学习模型，实现了河西走廊1990-2024年表层SOM的高精度反演。mRMR-RF模型集成方案为干旱区土壤监测提供了可靠技术框架。空间上，SOM呈现"西低东高、北低南高"的分布格局，绿洲周边含量显著提升；时间上，2000年前后为SOM含量变化的转折点，整体以中等水平波动为主。研究成果为区域土地质量评估与生态修复提供了科学依据。