融合遥感与机器学习的日本中部森林土壤电导率预测模型构建及生态意义

本研究针对森林土壤电导率(EC)评估的时空局限性，通过整合Sentinel-2遥感数据与地表土壤湿度(SSM)，采用随机森林(RF)、XGBoost等6种机器学习模型，在30米分辨率下实现EC分类预测（最高精度MA=0.926），为森林生态系统健康监测和可持续管理提供创新技术框架。

　　

森林土壤如同地球的"隐形血管"，其电导率(EC)是反映土壤健康的关键指标，直接影响养分有效性、水分保持和碳封存能力。然而传统EC测量方法耗时费力，难以捕捉复杂森林生态系统的空间异质性。尤其在气候变化背景下，日本高降雨量地区森林土壤EC动态与农业土壤显著不同——主要受有机质、水文过程而非盐分驱动，但相关研究长期空白。东京大学森林科学研究团队首次系统评估了遥感与机器学习(ML)在日本中部多元森林类型中的EC预测潜力。

研究团队在东京大学千叶森林(UTCBF)2225公顷实验区，采用分层随机采样获取375个地面EC数据点，覆盖针叶林、阔叶林等7类森林类型。通过Google Earth Engine(GEE)平台整合Sentinel-2多光谱数据、地表温度(LST)、地形特征和前期开发的土壤湿度分类图(SSM)，构建5种数据组合方案。运用随机森林(RF)、分类回归树(CART)等6种ML模型进行30米分辨率EC分类预测，采用五折交叉验证评估性能。

关键发现：

1. 森林类型显著影响EC分布：日本柳杉人工林EC值(0.21-0.35 dS/m)显著高于天然阔叶林(0.02-0.09 dS/m)，印证植被通过凋落物分解和水分调控间接塑造土壤离子环境。
2. 光谱指数筛选机制：黏土指数(CI)和缨帽湿度指数(TCWetness)成为最优土壤指标，冠层盐分响应指数(CRSI)和增强型植被指数(EVI)则最能反映植被-EC关联。
3. 土壤湿度的核心作用：融合SSM的Synergy 3方案在RF和XGBoost模型中表现最优(MA分别达0.926和0.923)，证实水分对离子迁移的关键调控。
4. 模型性能阶梯：RF凭借抗过拟合特性稳居榜首，XGBoost次之，而最小距离(MD)模型因欧氏距离局限表现最差(MA仅0.417)。

生态启示：
该研究突破传统点状测量的局限，首次证明30米分辨率下遥感ML联用可精准捕捉森林EC三维分布。RF模型构建的EC图谱显示，74.58%区域属低EC类(<0.10 dS/m)，21.04%为高EC区(>0.20 dS/m)，这种空间异质性为差异化施肥和抗旱树种选择提供科学依据。尤其创新性地揭示SSM与EC的强耦合关系，为气候变暖背景下的森林水文调控指明新方向。

这项发表于《Soil Advances》的研究，不仅为森林土壤数字孪生提供技术范式，其构建的GEE自动化流程更可推广至全球森林监测。未来若能结合LiDAR三维植被结构数据，有望进一步解开"植被-土壤-气候"三角关系的未解之谜。