融合AVIRIS-NG高光谱与Sentinel-2多光谱数据的土壤微量营养素数字化制图研究

本研究创新性地整合AVIRIS-NG高光谱、Sentinel-2多光谱、SRTM-DEM地形及土壤气候数据，通过随机森林（RF）、分位数随机森林（QRF）和Cubist三种机器学习模型，实现了土壤DTPA提取态锌（Zn）、铜（Cu）、铁（Fe）、锰（Mn）的高精度数字化制图（R2达0.71-0.63），为精准农业中的微量营养素管理提供了新范式。

　　

Highlight

本研究首次证实了AVIRIS-NG高光谱数据与Sentinel-2多光谱数据协同在土壤微量营养素数字化制图中的潜力，结合地形（SRTM-DEM）、土壤和气候数据，通过机器学习模型（RF/QRF/Cubist）实现了锌（Zn）、铜（Cu）、铁（Fe）、锰（Mn）的高分辨率预测制图，为精准农业微量营养素管理提供了经济高效的解决方案。

Descriptive statistics of soil available micronutrient cations

土壤有效态微量营养素阳离子的描述性统计显示，锌（Zn）、铜（Cu）、铁（Fe）、锰（Mn）在全数据集中的含量范围分别为0.04-6.60、0.28-12.32、2.20-124.00和1.40-138.00 mg kg^?1。校准数据集与验证数据集的数据分布一致性验证了采样策略的科学性。

Evaluating models in digital micronutrient mapping

模型评估表明，随机森林（RF）凭借其抗过拟合特性成为微量营养素预测的最佳模型（Zn预测R²=0.71）。研究还发现，土壤pH是最关键的影响因子，而高光谱变量（如PC2对Zn/Fe、PC1/PC3对Mn）和地形变量（谷深、海拔）对预测精度提升贡献显著。

Conclusion

该研究构建了融合多源遥感数据的微量营养素数字化制图框架，证实了数据协同可显著提升预测精度。土壤pH和高光谱主成分是核心驱动变量，而铁（Fe）、锰（Mn）的较高预测不确定性提示需加强相关区域土壤采样。这一成果为应对全球土壤微量营养素缺乏危机提供了新技术路径。

（注：翻译严格遵循了术语规范，如DTPA（二乙烯三胺五乙酸）、AVIRIS-NG（机载可见红外成像光谱仪-新一代）等专业缩写均在首次出现时标注，并保留了R²、mg kg^?1等科学表达格式）