融合多时相遥感与机器学习的黑土区土壤碳氮比空间分布解析及其生态意义

本研究针对黑土区土壤有机碳(SOC)和全氮(TN)协同反演难题，创新性整合多时相Sentinel-2影像与环境协变量，通过递归特征消除(RFE)优化随机森林模型，实现SOC与TN高精度空间制图（R2分别提升0.035和0.040），首次揭示稻田与旱田碳氮比(C:N)差异规律（旱田11.53 vs 稻田10.67），为黑土健康评估与精准农业管理提供新范式。

　　

黑土作为"耕地中的大熊猫"，其土壤质量直接关系国家粮食安全与碳中和战略。然而，传统土壤监测方法难以满足大尺度、高精度的碳氮循环研究需求，特别是土壤碳氮比(C:N ratio)这一关键生态指标的空间异质性机制尚不明确。中国科学院东北地理与农业生态研究所黑土保护与利用国家重点实验室的科研团队在《Soil and Tillage Research》发表创新成果，通过融合多时相遥感与机器学习技术，首次实现典型黑土区土壤有机碳(SOC)和全氮(TN)的协同高精度制图，并揭示农田管理方式对碳氮比的调控规律。

研究团队采用188个土壤样本（0-20cm深度），结合2019-2023年14景Sentinel-2多时相影像（10个波段）及地形气候协变量，通过递归特征消除(RFE)、Boruta和LASSO三种特征选择方法对比，最终选用RFE优化的随机森林模型。关键技术包括：多时相影像时序特征提取、环境协变量空间插值（10m分辨率）、10折交叉验证等。

3.1 不同SOC和TN含量的光谱曲线特征

通过划分SOC(<20、20-30、>30 g/kg)和TN(<2、2-3、>3 g/kg)梯度，发现短波红外区(SWIR)在4-5月呈现独特反射峰，而6月因植被覆盖导致光谱特征弱化，证实作物物候对土壤光谱诊断的显著影响。

3.2 多时相影像对预测精度的提升

相比单时相影像（SOC-R² 0.312-0.480），多时相数据使SOC和TN预测R²分别提升至0.604和0.565，RMSE降低1.25g/kg(SOC)和0.12g/kg(TN)，凸显时序数据捕捉土壤动态变化的优势。

3.3 环境协变量的贡献

地形因子（高程、坡度）和气候变量（年均温、降水）使模型精度进一步提升，其中高程对SOC预测的重要性占比达18.7%，揭示地形梯度对黑土养分空间分异的控制作用。

3.4 特征选择方法比较

RFE表现最优，将SOC和TN的特征数从150个分别压缩至42和50个，B2(蓝)、B3(绿)波段对SOC敏感，而B11、B12(SWIR)波段对TN反演更具特异性，证实不同土壤组分的差异化光谱响应机制。

3.5 制图结果与碳氮比解析

空间制图显示SOC(25.38±5.01g/kg)与TN(2.27±0.45g/kg)在东北部富集，而碳氮比(11.18±0.68)呈西高东低格局。尤为重要的是，稻田因淹水环境和氮肥过量使用导致C:N比(10.67)显著低于旱田(11.53)，这一发现为优化农田管理提供了量化依据。

该研究突破传统单指标土壤评估局限，首次实现黑土区碳氮比的遥感定量解析。通过构建"多时相遥感+环境协变量+RFE优化"的技术框架，不仅将SOC和TN制图精度提升至新高度，更揭示农田类型对碳氮化学计量的调控规律。这些发现为黑土保护性耕作实施、氮肥精准施用提供了科学依据，对实现"藏粮于地"战略具有重要实践价值。未来研究可结合深度学习算法和人类活动因子，进一步优化模型在复杂农业景观中的适用性。