基于时空光谱特征的洱海流域耕地土壤有机碳储量估算模型构建与应用

本研究针对高原湖盆区地形复杂、地块破碎和种植结构多样导致的土壤有机碳(SOC)预测不确定性难题，整合多源遥感数据与土壤成土模型，创新性地结合CNN-LSTM_A深度学习架构提取时空光谱(TSS)特征，构建了洱海流域耕地SOC储量年际变化精确估算框架。结果显示模型较传统方法显著提升预测精度(RMSEmean降低1.6796-1.9558 g kg?1)，证实植被生长信息可间接反映SOC累积过程，为生态脆弱区碳循环研究提供了新范式。

　　

在应对全球气候变化的背景下，土壤有机碳(SOC)作为陆地生态系统中最大的活性碳库，其精确量化一直是环境科学领域的重大挑战。尤其对于高原湖盆区这类"生态敏感区"，复杂的地形条件、破碎化的耕地格局以及多样化的人类活动，使得传统SOC监测方法如同"雾里看花"——既难以捕捉空间异质性，又无法解析时间动态。以洱海流域为例，这片镶嵌在云南高原上的"大地调色盘"，垂直高差超过2000米的地形造就了"一山有四季，十里不同天"的微气候环境，更让土壤碳循环过程充满未解之谜。

昆明理工大学的研究团队在《Solid Earth Sciences》发表的研究，犹如为这片神秘土地装上了"时空显微镜"。研究人员创造性地将多源遥感数据与土壤成土模型耦合，通过卷积神经网络(CNN)提取空间特征、长短期记忆网络(LSTM)捕捉时序规律，再引入注意力机制实现特征权重分配，构建出CNN-LSTM_A混合模型。技术路线的精妙之处在于：利用Sentinel-2和Landsat OLI合成裸土影像克服云层干扰，通过NDVI等植被指数阈值筛选确保数据质量，并整合地形、气候等7类成土因子构建多维特征空间。

研究结果部分揭示了一系列重要发现：
【精度与时空可迁移性】CNN-LSTM_A模型在2007和2016两期数据验证中均表现最优，R²达到0.6284-0.7656，较随机森林等传统方法显著提升。特别是对作物长期生长信息的特征提取，使模型能够"透过植被看土壤"，破解了多云地区观测受限的难题。

【空间分布特征】2007-2016年间，洱海流域耕地SOC含量呈现"西高东低、北丰南瘠"的格局，最高值出现在洱海西岸和北部区域。通过地理探测器分析发现，植被因子解释力达32.7%，显著高于地形因子的21.3%，印证了"植物-土壤"反馈机制在碳循环中的主导作用。

【碳储量动态】尽管单位面积SOC含量总体增长0.245 Tg C，但由于耕地面积缩减导致净损失4.366 Tg C→4.136 Tg C。这一发现如同"双面镜"：既反映了农业管理改善的积极效应，也警示着土地利用变化可能引发"隐性碳泄漏"。

讨论部分深入剖析了方法学的突破价值：传统SOC估算在高原湖盆区面临"三难"困境——样本稀疏难代表、环境复杂难建模、云层遮挡难观测。本研究通过时空光谱特征融合，首次实现了"碎片化数据"到"连续场模拟"的跨越。特别是注意力机制赋予模型"特征透视眼"，使植被物候等间接指标与SOC的关联变得可解释。正如研究者所言："作物生长时序不仅是绿色量的记录仪，更是土壤碳代谢的示踪剂"。

这项研究的意义远超学术范畴：其构建的0.01°分辨率碳储量图谱(相当于1公里网格)，为洱海流域量身定制了"碳家底明白账"；揭示的"北增南减"时空规律，为差异化生态补偿提供了科学依据；开发的TSS特征提取框架，更可推广至青藏高原等类似生态脆弱区。当全球都在寻找"碳中和"解决方案时，这项研究提醒我们：或许答案就藏在这些高原湖泊与农田交织的"碳指纹"之中。