GIS与遥感技术融合在巴西塞拉多退化牧场土壤属性制图中的创新应用与机器学习优化

本研究针对巴西塞拉多退化牧场土壤属性评估难题，创新性整合Sentinel-1/2和ALOS-PALSAR遥感数据与随机森林（RF）机器学习算法，通过Boruta变量筛选和多元统计指标优化，实现了黏土（R2=0.86）、阳离子交换量（CEC）等关键参数的高精度预测（RMSE<25%），为退化生态系统修复和精准农业管理提供了可推广的技术范式。

　　

在巴西塞拉多草原这片全球重要的畜牧业生产基地，约60%的牧场（1.097亿公顷）正面临退化危机。长期过度放牧、施肥不足等粗放管理导致土壤酸化（pH=4.04±0.1）、养分流失（CEC仅3.85±2.26 cmol/dm3），而传统土壤检测方法成本高昂且难以实现大范围监测。更棘手的是，退化牧场被动植被恢复过程中，土壤属性与植被覆盖的复杂交互使得遥感解译面临巨大挑战。如何通过创新技术实现高效、精准的土壤评估，成为生态修复和可持续土地管理的关键科学问题。

针对这一难题，来自中国的研究团队在《Soil Advances》发表了一项突破性研究。该团队选择巴西马托格罗索州1197公顷退化牧场作为实验区，这里正实施"塔夸里种子"生态修复项目。研究创新性地构建了"遥感-机器学习-地理信息系统"三位一体的技术框架，通过Sentinel-1/2和ALOS-PALSAR卫星获取128个轨道变量，结合随机森林（Random Forest, RF）和Boruta算法，首次系统评估了不同统计指标（均值、中位数、标准差等）对土壤属性预测的影响。

研究采用了几项关键技术：1）运用ArcGIS?PRO的"平衡分区"工具创建120个管理分区（Management Zones, MZs），整合历史植被指数（TC_VEG）和地形坡度数据；2）采集0-0.2m和0.2-0.4m两层土壤样本（n=99），分析18项理化指标；3）通过灰度共生矩阵（GLCM）提取纹理特征，结合Spearman相关性筛选最优统计指标；4）采用70-30%数据集划分，通过10折交叉验证优化RF模型参数（ntree=500, mtry≈11）。

研究结果揭示多项重要发现：

3.1. 土壤肥力分析结果
空间分布显示黏土、有机质（SOM）等属性在海拔较高区域富集。箱线图分析发现pH、SOM等9项指标在两层间存在显著差异（p<0.01），其中表层（0-0.2m）的养分含量普遍更高。值得注意的是，研究区土壤呈现典型贫瘠特征：含沙量达79.34±14.04%，有效CEC（ECEC）仅0.98±0.38 cmol/dm3。

3.2. 遥感变量
突破性地发现标准差（SD）、最大值（MAX）等非均值统计量与土壤属性的相关性比传统均值高72%。Boruta算法将预测变量从128个锐减至6-10个关键因子，其中高程（Elevation）对黏土预测的%IncMSE贡献超20%，GLCM纹理指标（如B12_CON）对钙、镁等元素预测至关重要。

模型性能
RF+Boruta组合（T2/T4）在89%案例中表现最优：

• 0-0.2m层：黏土（R2=0.81, RMSE=25.2%）、CEC（0.73, 23.6%）
• 0.2-0.4m层：黏土（R2=0.86, RMSE=19.1%）、沙粒（0.78, 10.6%）
  Diebold-Mariano检验证实除铜、锰、锌外均无过拟合（p>0.05）。

这项研究为退化生态系统管理提供了多重启示：首先，创新性地证明"平衡分区"工具在土壤分区中的实用性，其整合时空植被指数与地形数据的策略可推广至其他生态系统。其次，研究颠覆了传统遥感土壤评估依赖均值统计的范式，揭示标准差、极值等指标对捕捉土壤异质性的独特价值。最重要的是，建立的高精度预测模型（如黏土R2>0.8）可直接指导精准施肥——通过识别高黏土区域优化肥料利用率，结合CEC图谱（预测误差<25%）可制定差异化石灰施用方案。

研究也指出未来改进方向：植被覆盖干扰使得纯土壤像元提取困难，建议结合无人机高光谱和LiDAR地形数据提升深层土壤预测。随着塞拉多植被从草本向灌木演替，动态监测土壤-植被互作将成为下一阶段研究重点。这项成果不仅为巴西牧场修复提供技术支撑，其"多源数据融合-机器学习优化"的技术路线更为全球类似生态系统的智能监测树立了新标杆。