盐渍化沿海农田土壤有机碳遥感制图中环境协变量选择策略的优化及其对制图精度的影响

推荐：针对沿海盐渍化农田土壤有机碳(SOC)空间分布监测难题，山东师范大学团队通过多策略协变量筛选（包括全变量、相关性分析、随机森林特征重要性及组合策略）构建MLR、SVR、GPR和RF模型，发现组合策略D结合RF模型效果最优（R2达0.79），揭示植被指数(35.36%)与盐分指标(18.44%)对SOC贡献显著，为海岸带农业碳管理提供高精度制图方法。

　　

在气候变化与粮食安全双重挑战下，沿海盐渍化农田的土壤质量监测成为生态学研究热点。土壤有机碳(SOC)作为陆地生态系统最大碳库，其动态变化直接影响土壤肥力和全球碳平衡。然而，传统SOC监测方法耗时耗力，而数字土壤制图(DSM)技术虽能高效预测，却面临环境协变量选择策略的争议——线性相关性分析可能忽略非线性关系，而机器学习特征重要性又可能遗漏关键线性指标。尤其在盐渍化严重的海岸带农田中，土壤盐分与SOC的复杂相互作用更增加了制图难度。

针对这一科学难题，山东师范大学地理与环境学院的研究团队在《Ecological Genetics and Genomics》发表最新成果。研究以黄河三角洲垦利区为实验区，采集128个土壤样本，基于Landsat影像提取27个环境协变量（包括增强型植被指数EVI、黏土指数CI、盐分指数SI等），创新性提出四种协变量选择策略：全变量策略A、相关性策略B、随机森林策略C及组合策略D。通过构建多元线性回归(MLR)、支持向量回归(SVR)、高斯过程回归(GPR)和随机森林(RF)模型，系统评估不同策略对SOC制图精度的影响，并首次将最优模型应用于2000-2022年海岸带农田SOC时空动态监测。

关键技术方法包括：1) 基于Kennard-Stone算法的样本划分（75%校准集/25%验证集）；2) 多源遥感指数计算（如采用Tasseled Cap变换获取地表湿度LSW、绿度LSG等）；3) 曼-肯德尔(MK)趋势检验；4) 50次重复建模的稳定性验证。

研究结果揭示：

1. 协变量选择策略比较：组合策略D表现最优，RF模型在校准集和验证集的R²分别达0.79和0.69，较单一策略提升10%-25%。重要性分析显示地表绿度LSG（0.36）和盐分指标SDI（0.32）贡献突出。

2. 关键驱动因子：植被信息（35.36%）、原始反射率（24.32%）和土壤盐分（18.44%）是SOC变异的主要来源，其中盐分指数SI2与SOC呈显著负相关（r=-0.33）。

3. 时空动态特征：2000-2022年SOC含量呈波动上升趋势（年均增长0.07 g/kg），2010年出现突变点，但耕地面积缩减导致相对SOC储量指数(SOCI)2022年降至0.86。

这项研究的突破性在于：首次在海岸带农田SOC制图中整合线性与非线性协变量选择策略，证实盐分指标的不可或缺性；构建的RF模型为高精度碳监测提供工具，其预测不确定性（SD<0.8 g/kg）显著低于传统方法。成果对海岸带土地质量评估、盐碱地改良及"碳中和"目标下的农田碳管理具有重要实践价值，也为全球类似生态脆弱区的DSM研究提供了方法论参考。未来研究可结合多时相遥感与深度学习技术，进一步提升模型在季节尺度上的适用性。