机器学习与多源卫星数据融合提升甘南高寒草甸土壤有机碳密度精准制图研究

本研究针对甘南高寒草甸区土壤有机碳密度(SOCD)估算难题，整合Sentinel-1/2雷达与光学卫星数据及DEM地形特征，采用GBDT、XGBoost和RF机器学习模型进行对比分析。结果表明，GBDT模型在融合多源数据时表现最优（R2=0.5702），DEM和Sentinel-1纹理特征显著提升预测精度，为高寒生态系统碳循环监测提供新方法。

　　

在全球气候变化背景下，土壤有机碳(SOC)作为关键的气候变化指标，其动态监测对理解碳循环至关重要。甘南地区作为中国重要的畜牧业基地，其独特的高海拔、寒冷干旱环境使SOC储量和分布模式研究面临特殊挑战。传统SOC估算方法如Walkley-Black湿化学法和干燃烧元素分析存在可扩展性和空间变异性捕捉的局限，而遥感技术以其非侵入性、成本效益和广域覆盖优势成为理想替代方案。

针对这一科学问题，来自甘肃的研究团队在《Ecological Indicators》发表论文，系统评估了Sentinel-2(S2)光学影像、Sentinel-1(S1)雷达数据和数字高程模型(DEM)在SOCD预测中的协同效应。研究创新性地构建了六种数据融合场景，采用极端梯度提升(GBDT)、随机森林(RF)和梯度提升回归树(XGBoost)三种机器学习算法，通过SHAP可解释性分析揭示了关键环境变量的贡献机制。

研究主要采用以下技术方法：(1)从国家冰川冻土沙漠科学数据中心获取2010-2020年90m分辨率SOCD样本数据；(2)利用Google Earth Engine(GEE)平台处理S1/S2影像，提取23种光谱指数和19种雷达纹理特征；(3)通过5折交叉验证优化模型超参数，采用R²、RMSE、MAE和LCCC指标评估性能；(4)应用博弈论的SHAP值解析特征重要性。

研究结果揭示：

1. 模型性能比较：GBDT在六种场景中均表现最优，尤其在融合S1+S2+DEM数据时达到峰值精度（测试集R²=0.5702，RMSE=4.1557 kg C m^-2），较单数据源模型提升112.52%。
2. 数据融合效应：DEM的引入使所有模型过拟合风险降低，S1纹理特征使GBDT预测性能提升30.48%，证实多源数据协同优势。
3. 特征重要性：高程（平均SHAP值0.87 kg C m^-2）和黏土矿物比率(CMR)是最关键预测因子，S1衍生的GLCM纹理特征首次被证明对高寒区SOCD预测有效。
4. 空间分布：制图结果显示SOCD呈西北高东南低格局，100次迭代预测的标准差(0.62-3.09 kg C m^-2)验证了模型稳定性。

讨论部分强调，该研究首次在甘南高寒草甸验证了SAR数据对SOCD预测的增强作用，GBDT模型展现出色的多源数据整合能力。高程的主导作用反映了人类活动对高海拔区域SOC分布的影响，而CMR的重要性佐证了黏土矿物对有机碳固定的关键机制。尽管静态模型框架尚未捕捉时序动态，但建立的方法体系为长期碳监测提供了可扩展方案，对实现"双碳"目标下的精准土壤管理具有重要实践价值。