基于"地-空-星"多模态遥感数据融合的土壤有机碳高精度预测新方法——ResoCroS-Net框架的创新与应用

为解决传统遥感数据难以平衡空间与光谱分辨率导致土壤有机碳(SOC)预测精度受限的问题，研究人员提出ResoCroS-Net创新框架，集成地面样本、无人机(UAV)影像与卫星数据，通过空间-光谱分辨率协同降尺度技术，使SOC预测的R2提升至0.75，RMSE降低至3.96 g kg?1。该研究为农业管理和生态系统服务提供了高精度SOC监测工具。

　　

土壤有机碳（SOC）作为衡量土壤肥力和碳汇能力的关键指标，其精准监测对农业可持续发展和气候变化应对具有重要意义。然而，传统遥感技术面临两难困境：卫星影像虽覆盖范围广但空间分辨率不足，难以捕捉田间尺度的SOC变异；无人机影像虽能获取厘米级细节却受限于覆盖范围。更棘手的是，单一传感器数据往往无法同时满足高空间分辨率和高光谱分辨率的需求，导致SOC预测模型常出现"细节丢失"或"特征混淆"现象。

针对这一挑战，中国农业科学院的研究团队在《Geoderma》发表创新成果，提出名为ResoCroS-Net的跨尺度遥感融合框架。该研究以中国最大国营农场——友谊农场（110,429公顷）为实验区，通过整合地面采样数据（797个0-20 cm土层样本）、无人机多光谱影像（1.1 m分辨率）以及ZY1-02D高光谱卫星（166波段）和Sentinel-2A多光谱卫星数据，构建了"地-空-星"三级观测体系。关键技术包括：基于ESRGAN的空间分辨率降尺度、利用NMF构建光谱字典的谱分辨率增强、3D-CNN联合特征提取，以及GNN/CNN等多算法预测模型比较。

4.1 航空基线层构建
通过无人机影像与地面样本建立的随机森林模型，生成R²达0.75的SOC基准图，揭示研究区SOC含量存在显著空间异质性（变异系数5.1%-22.4%），为卫星数据降尺度提供空间锚点。

4.2 影像降尺度效果
空间降尺度使Sentinel-2A影像波段相关性提升至0.98-0.99；光谱降尺度后，在700-1400 nm和>1850 nm波段对SOC差异的敏感性显著增强，相关系数达0.91-0.94。对比显示，光谱降尺度对精度提升贡献（R²+0.09）远超空间降尺度（R²+0.04）。

4.3 模型性能对比
GNN在整合光谱-空间特征的Model(iii)中表现最优（R²=0.75，RPIQ=2.07），而CNN更适合仅空间降尺度的Model(ii)。引入无人机基线层使预测误差降低1.09 g kg^?1，证实其作为"空间桥梁"的关键价值。

4.4 制图与不确定性
Model(iii)生成的SOC分布图能清晰识别田块边界梯度变化，其预测不确定性<3 g/kg的区域占比达83.01%，显著优于传统方法。典型区域分析表明，光谱降尺度对旱田SOC细节的还原度优于水田。

这项研究开创性地建立了多源遥感数据的层级整合范式，其核心突破在于：首次将无人机SOC基准图作为"航空基线层"，通过双重降尺度技术实现30米→3米的空间分辨率跃升和166波段光谱特征迁移。实践层面，该框架为黑土区精准施肥提供了技术支撑；方法论上，提出的HUNet-SRNet串联算法为遥感数据融合开辟了新路径。未来通过融合LiDAR地形数据和Transformer模型，有望进一步突破复杂下垫面的监测瓶颈。正如研究者所言："ResoCroS-Net不仅是个预测工具，更是实现'数字土壤'的重要拼图"。