基于MODIS数据与QRF模型的南非全域关键土壤属性数字制图研究及其对全球土壤地图计划的贡献

本研究针对南非缺乏区域尺度数字土壤养分（DSN）信息的问题，利用南非国家土壤数据库和MODIS遥感数据，采用分位数回归森林（QRF）模型对土壤有机碳（SOC）、pH、阳离子交换容量（CEC）及颗粒组成（黏土、砂土、粉砂）等关键GlobalSoilMap属性进行高精度制图，并量化预测不确定性。结果表明，本地化DSM产品与全球产品iSDA相关性超80%，且植被指数、地表温度和降水是核心预测因子，成果可为农业管理和政策制定提供科学依据。

　　

土壤作为地球上最关键的自然资源之一，维系着农业生产的命脉、生态系统的平衡以及全球碳循环的稳定。然而，在全球变化背景下，土壤退化、侵蚀及养分流失问题日益严峻，直接威胁到联合国可持续发展目标（SDGs）和土地退化零增长（LDN）目标的实现。尤其在南非这样高度依赖农业但缺乏高精度土壤信息产品的发展中国家，区域尺度的土壤属性空间分布信息严重缺失，制约了精准农业发展和土地资源优化管理。

传统土壤调查方法成本高昂、耗时费力，且难以覆盖大面积区域。虽然中红外光谱（MIR）和无人机遥感（UAV）等技术精度较高，但其应用受限于成本和站点特异性。卫星遥感技术为大尺度土壤特性监测提供了可行方案，其中MODIS数据因其时间序列长、空间分辨率适中（最高250米），成为区域尺度土壤制图的重要数据源。尽管全球土壤制图产品（如SoilGrids 2.0、iSDA非洲土壤数据库）已初步建立，但其分辨率难以满足国家及区域级应用需求，且缺乏对本地土壤异质性的充分表征。

为此，由南非农业研究理事会（ARC）自然资源与工程研究所的Cilence Munghemezulu、Mahlatse Kganyago、Zinhle Mashaba-Munghemezulu、George Johannes Chirima、Harold Weepener和Lwandile Nduku组成的研究团队，在《Soil Security》期刊上发表了题为"Regional-Scale Digital Soil Mapping of key GlobalSoilMap properties using machine learning and MODIS data in South Africa"的研究论文。该研究依托南非国家土壤数据库（包含超过1万个地理参考土壤剖面），融合MODIS衍生的环境协变量，采用分位数回归森林（Quantile Regression Forest, QRF）机器学习模型，首次在南非全域生成了0-30厘米耕作层关键土壤属性（SOC、pH、CEC、黏土、砂土、粉砂）的高分辨率数字制图产品，并量化了预测不确定性，为全球土壤地图（GlobalSoilMap）计划提供了重要的区域实践案例。

本研究主要采用以下关键技术方法：

1. 1.

   数据整合与处理：从ARC管理的南非国家土壤数据库中提取8307–10113个土壤剖面数据，利用质量保持样条函数将多层土壤数据 harmonized（协调）到0-30厘米统一深度层；

2. 2.

   环境协变量构建：基于Google Earth Engine平台集成MODIS遥感数据、生物气候变量、地形特征等72个环境协变量，并通过双线性插值统一至250米空间分辨率；

3. 3.

   机器学习建模：采用QRF模型进行土壤属性预测，该模型能够同时输出条件分位数估计和预测不确定性；

4. 4.

   模型验证与评价：通过10折交叉验证重复10次评估模型性能，采用平均误差（ME）、平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²）和建模效率系数（MEC）等指标量化精度；

5. 5.

   产品对比验证：将本地生成的DSM产品与全球iSDA土壤数据库进行空间相关性分析，验证其一致性与差异性。

3.1. 土壤养分参数的分布特征

通过对土壤参数的统计分析发现，SOC平均值为1.21%，黏土、砂土和粉砂的平均含量分别为21.84%、50.04%和16.57%，pH和CEC均值分别为6.67和10.62 cmol(+)/kg。砂土变异程度最高（标准差27.84%），SOC、CEC、粉砂和黏土呈右偏分布，pH呈双峰分布，砂土为左偏分布。这些统计特征反映了南非土壤的高度空间异质性。

3.2. 模型性能与环境影响因子

QRF模型对不同土壤参数的预测性能存在差异：SOC和pH预测精度最高（R²分别为0.55和0.61），CEC预测精度较低（R²=0.36）。模型误差分析表明，SOC的RMSE为0.66%，pH为0.69，CEC为5.63 cmol(+)/kg。变量重要性分析显示，归一化植被指数（NDVI）、地表温度（LST）和降水是影响SOC、CEC和黏土预测的最重要因子；pH主要受温度和降水控制；砂土和粉砂则与蒸散发和季节性降水关系密切。

3.3. 空间分布与全球产品对比

空间制图结果清晰展示了土壤属性的地理分异规律：高SOC含量集中在降水充沛、植被茂密的东北及南部地区，而半干旱的卡拉哈里和纳马卡鲁地区则呈现低值；pH高值区（碱性土壤）与砂土分布区高度一致；CEC空间分布与SOC和黏土含量呈正相关。与全球iSDA产品的对比表明，本地DSM产品与iSDA在砂土、黏土、粉砂和pH参数上具有超过80%的相关性，但在局部细节上存在差异，这主要源于模型协变量、算法及采样密度的不同。

该研究通过QRF模型成功实现了南非全域尺度关键土壤属性的高精度制图，并证实了MODIS数据在区域土壤建模中的有效性。本地化DSM产品不仅填补了南非土壤信息空白，而且其精度显著优于全球尺度产品，能够为农业管理、土壤保育和气候变化应对提供更可靠的数据支撑。植被指数、地表温度和降水被确定为核心预测因子，这深化了对土壤-环境关系的理解。

研究的局限性包括历史土壤数据的时间不一致性可能引入偏差，卡拉哈里等干旱区样本稀疏影响预测精度，以及协变量自身误差的传递效应。未来工作应拓展至微量养分元素制图、多深度层建模，并融合更高分辨率的 Sentinel-2 和 Landsat 数据。南非《气候变化法案》（2024年）的实施将进一步凸显土壤碳库测绘在气候减缓中的战略价值，本研究提供的SOC分布数据可为低碳农业转型和生态补偿政策提供科学依据。

总之，这项研究不仅是南非对全球土壤地图计划的重要贡献，也为发展中国家利用开源遥感数据和机器学习方法开展国家尺度数字土壤制图提供了可复制的技术范式。其成果将直接助力于提升土壤资源管理的精细化水平，推动农业可持续发展与生态文明建设。