斯洛伐克土壤有机碳(SOC)地图的数字化升级：高分辨率预测与集成机器学习助力精准碳管理与可持续农业

来自斯洛伐克的研究人员针对土壤有机碳空间信息精度不足的问题，开展了基于高分辨率环境因子与集成机器学习（Quantile Regression Forest）的国家尺度SOC制图研究，成功构建25米分辨率SOC图，修正了GSOCmap系统偏差，为碳农业、精准农业及土壤资源监测提供关键数据支撑。

　　

通过空间降尺度技术，对全球土壤有机碳地图(GSOCmap)（分辨率30角秒）进行数字化升级，生成斯洛伐克全国范围内分辨率达25米、深度为0–20厘米的土壤有机碳(SOC)分布图。研究采用多源高分辨率预测因子，包括地形参数、气候数据、生态系统生产力指标，以及土地利用类型和土壤分类信息，并通过矢量数据处理保障空间完整性。利用LUCAS（Land Use/Cover Area frame Statistical survey）2018数据校正全球地图的系统偏差，并在建模全过程引入集成机器学习方法——分位数回归森林(Quantile Regression Forest)。新地图不仅为土壤有机碳储量评估提供基准数据，也支撑精准农业实践、碳耕作策略和国家土壤资源动态监测。