融合主动-被动遥感与机器学习的异质性热带景观土壤水分动态监测研究

为解决热带地区高分辨率土壤水分(SM)监测难题，研究人员整合Sentinel-1 SAR、Sentinel-2光学影像、地形指数和土壤属性数据，开发了基于随机森林(RF)的相对土壤水分指数(RSMI)。该模型在Cerrado生物群系验证中达到R2=0.79的预测精度，揭示了黏土含量和地形粗糙度等关键驱动因子，为热带地区精准农业和干旱风险管理提供了可扩展工具。

　　

热带地区土壤水分(SM)动态监测长期面临空间异质性强、植被干扰大等技术瓶颈。传统卫星产品如SMAP虽能提供全球覆盖，但其粗分辨率(约9km)难以满足区域农业管理需求。巴西Cerrado生物群系作为全球重要农业前沿区，其复杂的水文地质相互作用使得高精度SM监测尤为迫切。Jean Jesus Macedo Novais团队在《Soil Dynamics and Earthquake Engineering》发表的研究，通过创新性融合多源遥感与机器学习，为这一难题提供了突破性解决方案。

研究采用Sentinel-1 C波段SAR数据(VV/VH极化)、Sentinel-2 NDVI植被指数、10米数字高程模型(DEM)衍生的地形指数(包括地形粗糙度指数TRI和地形湿度指数TWI)，结合1560组实地采集的土壤属性数据(0-5cm深度)，构建了随机森林(RF)预测模型。通过十次同步卫星过境的野外采样(2019-2020年)，采用时空归一化方法开发了相对土壤水分指数(RSMI)，并与降尺度后的SMAP产品进行交叉验证。

3.1 土壤特性与分类

实验室分析显示研究区土壤以铁铝土(FR)为主(占样本量41.2%)，其中罗迪奇铁铝土(FR ro,dy)具有最高黏土含量(16.9±6.76%)，而砂质新成土(ARdy)含水量最低(9.16±5.33%)。土壤pH普遍呈酸性(5.4-5.6)，铝饱和度(m%)低于热带土壤典型值，反映农业改良措施的影响。

3.3 预测SM时空变异

模型在旱季表现优异(验证R²达0.91)，雨季精度稍降(R²≈0.68)。时空动态显示：2019年9月旱季SM均值仅6-15%，而2020年2月雨季升至18-25%。黏土质铁铝土(FR)表现出稳定的水分保持能力，而砂质新成土(ARdy)变异系数(CV)高达58%，证实土壤质地是SM动态的关键调控因子。

4.4 与SMAP产品的对比

RSMI与降尺度SMAP产品具有显著相关性(R²=0.65)，但前者显示出更精细的空间细节。例如在黏土质平原区，RSMI检测到持续高湿度区域(指数>70%)，而SMAP因分辨率限制未能识别这些微地形蓄水热点。

4.6 与传统地图的关联分析

叠加分析表明：80%的高RSMI区(>50%)分布在平坦的铁铝土(FR)地带，而砂质土(ARdy)仅占0.5%。地质上，Paranoá群沉积岩区贡献了58.9%的高变异区域，印证母质对SM持留能力的控制作用。

该研究开创性地将相对湿度指数概念引入热带SM监测，其RSMI框架通过归一化处理有效克服了绝对含水量测量的地域局限性。在方法论层面，多时相SAR与光学数据的协同利用解决了植被覆盖下的信号衰减难题，而RF算法对VH后向散射(平均重要性评分0.73)和NDVI(0.59)的特征选择，为复杂景观下的变量筛选提供了范例。实际应用中，该技术可支持巴西农业带的精准灌溉规划，其检测到的土壤水分持久性差异(黏土区比砂土区高2.3倍)为作物布局优化提供了量化依据。未来通过融合L波段雷达和长期气候数据，有望进一步提升模型在极端干旱事件中的预警能力。