基于Landsat-8影像的土壤有机碳与全氮储量估算优化研究——建筑、水体及植被干扰效应的模糊学习消除法

本研究针对Landsat-8遥感反演土壤有机碳(SOC)和全氮(STN)储量时受建筑、水体及植被干扰的难题，创新性提出基于多指数的独立变量模糊学习方法，构建了泛欧尺度高精度预测模型（SOC模型R2=0.56，STN模型R2=0.52），首次实现28.13 Gt SOC和2.25 Gt STN的0-20 cm土层储量估算，为全球土壤碳氮监测提供卫星技术新范式。

　　

土壤作为地球关键生态系统组成部分，其有机碳(SOC)和全氮(STN)储量的精准监测对理解气候变化与生态退化至关重要。然而传统土壤测绘方法受限于样本数量少、空间异质性强的特点，难以实现大尺度实时动态监测。尽管Landsat-8卫星凭借30米空间分辨率和免费数据优势成为理想工具，但建筑、水体及植被等地表特征的复杂干扰导致现有模型精度普遍较低，欧洲尺度SOC预测R²通常不足0.4。这一技术瓶颈严重制约了卫星遥感在"碳中和"战略中的应用价值。

针对这一挑战，中国研究人员在《International Soil and Water Conservation Research》发表创新成果。研究团队创造性地将模糊学习理论引入遥感反演领域，设计出基于重建系数f的独立变量优化算法。该方法通过11轮迭代学习（每轮构建247万个子模型），系统消除建筑指数(BSI/NDBBI/NDISI)、植被指数(GCVI/MSAVI/NDVI/RVI)和水体指数(EWI/LSWI/MNDWI/NDWI)对光谱变量的干扰效应，最终建立的偏最小二乘回归(PLSR)模型将SOC和STN预测精度分别提升55.6%和116.7%。

关键技术方法包括：1) 基于LUCAS 2018数据库的201个裸地样本（0-20 cm土层SOC/STN/容重数据）；2) Landsat-8 11波段光谱及其55种微分变换构建66维特征空间；3) 重建系数f=p²(1-t)+1的19种参数组合(p=0.1-10)模糊学习；4) 采用RPIQ(性能与四分位距比)和RSD(相对标准偏差)进行不确定性评估。

【建模性能评估】
通过11轮指数特异性学习，SOC模型R²从初始0.36提升至0.56，MAE(平均绝对误差)降低19.8%至10.38 t C ha^-1；STN模型R²从0.24跃升至0.52，RMSE(均方根误差)优化17.2%至1.20 t N ha^-1。验证集散点图显示，学习后样本更贴近1:1线，系统偏差显著减小。

【欧洲土壤碳氮储量】
模型预测显示0-20 cm土层SOC储量呈现明显纬度梯度：北欧(58-65 t C ha^-1) > 中欧(57-66 t C ha^-1) > 南欧(39-53 t C ha^-1)，奥地利(66.36 t C ha^-1)和西班牙(39.27 t C ha^-1)分别成为储量极值区。STN分布与之相似，波兰(4.90 t N ha^-1)和西班牙(3.76 t N ha^-1)分列两端。全欧SOC和STN总储量分别为28.13 Gt和2.25 Gt。

【不确定性分析】
学习后模型RSD地图显示：1) SOC不确定性在多数国家<20%，仅南欧四国(西班牙/意大利/英国/爱尔兰)超过30%；2) STN的RSD均值从学习前39.67%骤降至16.77%，爱尔兰(37.82%)成为唯一超30%区域；3) 意大利南部和西班牙仍存在局部高不确定斑块，可能与特殊土地利用方式有关。

这项研究开创性地将模糊数学与遥感光谱分析相结合，解决了大尺度土壤属性卫星反演的核心技术难题。相比传统"纯净像元"筛选策略，该方法直接修正干扰效应，使模型适用性扩展至混合像元场景。特别值得注意的是，STN模型精度提升幅度(116.7%)显著高于SOC(55.6%)，暗示氮素光谱特征可能更易受地表干扰。研究提出的"指数轮次学习"框架，为其他土壤属性(如pH值、重金属)的卫星监测提供了普适性技术路线。未来通过引入更高性能计算平台和更精细参数区间(p)，有望进一步逼近实验室光谱分析精度，为全球土壤健康评估提供实时动态监测工具。