实验室VNIR-SWIR光谱与Landsat-8裸土影像融合提升土壤有机碳预测精度的研究

推荐：本研究针对卫星多光谱数据波段有限及土壤湿度/粗糙度干扰问题，创新性整合实验室高光谱库(SSL)与Landsat-8裸土合成影像，通过随机森林(RF)模拟201波段高光谱数据，结合分数阶导数(FOD)和卷积神经网络(CNN)建模，将SOC预测验证R2从0.38提升至0.79，为全球碳循环监测提供新范式。

　　

土壤作为地球最大的陆地碳库，其有机碳(SOC)含量的微小变化可能引发大气CO₂浓度的显著波动。然而传统实验室检测方法耗时费力，卫星多光谱数据又受限于波段数量和环境干扰，如何实现大范围高精度SOC监测成为全球性难题。中国研究人员在《Remote Sensing of Environment》发表的研究，通过融合实验室控制环境下的高精度光谱与卫星遥感数据，为这一难题提供了创新解决方案。

研究团队开发了包含873个样本的土壤光谱库(SSL)，提出基于中位数(Median)和90百分位(R90)的裸土合成方法，利用随机森林(RF)将Landsat-8的6个波段扩展为201波段高光谱模拟数据。通过对比实验室光谱、Median模拟和R90模拟三种数据源，结合分数阶导数(FOD)预处理和深度学习算法，系统评估了SOC预测性能。关键技术包括：1)多时相裸土像素 mosaicking技术；2)RF驱动的卫星高光谱模拟；3)0.75-1.25阶FOD光谱优化；4)CNN/ARDN(自编码残差网络)深度学习建模。

研究结果

1. 裸土合成方法比较：Median法在光谱相关性(R=0.94)和SOC预测精度(R²=0.49)上均优于R90法，因其能更好保留典型土壤光谱特征。
2. 高光谱模拟效果：201波段模拟数据使验证R²较原始6波段提升36%(Median)和10%(R90)，证实波段扩展有效捕捉C-H/C=O等有机键吸收特征。
3. 数据源性能排序：实验室光谱(R²=0.79) > Median模拟(R²=0.68) > R90模拟(R²=0.54)，显示环境控制对光谱质量的关键影响。
4. 算法优化发现：CNN模型在0.75阶(实验室)、0.75阶(Median)和1.25阶(R90)FOD预处理时达到最优，揭示不同数据源需定制化微分阶数。

结论与意义
该研究开创性地建立了实验室光谱与卫星影像的桥梁，证明历史SSL与现有多光谱卫星融合可显著提升SOC制图精度。提出的Median mosaicking策略比传统干旱优先(R90)方法更可靠，而RF模拟的高光谱数据成功克服了Landsat-8波段不足的缺陷。研究不仅为碳循环监测提供了新方法(验证R²最高达0.79)，更启示全球SSL可作为先验知识库支持新一代卫星任务。这种"实验室-卫星"协同框架，对实现《巴黎协定》土壤碳汇评估目标具有重要实践价值，也为其他土壤属性遥感监测提供了可推广的技术范式。