融合光谱与地形特征的流域尺度黑土层厚度定量预测模型研究

本研究创新性整合Sentinel-2光谱数据、地形特征与植被指数，通过随机森林（RF）、极端梯度提升（XGBoost）和人工神经网络（ANNs）机器学习算法，实现了东北黑土区坡耕地黑土层厚度（BSHT）的高精度定量预测（R2最高达0.75），为黑土资源保护与农业可持续发展提供了关键技术支撑。

　　

Response characteristics of spectral reflectance to different BSHTes

通过提取0-25 cm、25-50 cm、50-75 cm和75-100 cm四个深度区间的黑土层厚度（BSHT）样本点光谱曲线均值，我们发现不同厚度的黑土在Sentinel-2光谱曲线形态相似但反射率存在显著差异（图5）。从可见光到短波红外1波段（B2-B11），光谱反射率随波长增加而逐步上升，而从短波红外1到短波红外2波段（B11-B12）则随波长增加逐渐下降。总体而言，黑土在可见光波段（B2-B4）反射率较低，在近红外（B8）和短波红外波段（B11-B12）反射率较高。值得注意的是，随着黑土层厚度增加，所有波段反射率均呈现下降趋势，尤其在近红外（NIR）和短波红外（SWIR）波段差异最为显著。这种现象可能与较厚黑土层具有更高有机质含量和更细土壤质地有关，这些特性会增强光吸收并降低反射率。

Discussion

在土壤厚度预测研究中，传统方法通常依赖地形因子和植被指数来表征土壤空间分布。尽管这些方法具有一定有效性，但往往忽略了光谱信息的应用——尤其在易受侵蚀的坡耕地区域，其光谱特性存在显著差异。因此，将光谱信息纳入土壤厚度预测模型，并系统评估其与地形因子的协同作用，对提升黑土区土壤厚度预测精度具有重要意义。本研究通过整合光谱、地形和植被指数多维变量，显著提升了黑土层厚度（BSHT）的预测性能。与仅使用地形因子或植被指数的模型相比，加入光谱信息的模型R2提升幅度达0.03–0.09，且均方根误差（RMSE）降低0.5–1.2 cm。这一结果证实了光谱数据对土壤厚度空间变异的强解释力，其机制可能源于光谱反射率与土壤理化性质（如有机质含量、颗粒组成）的密切关联。随机森林（RF）模型在三种机器学习算法中表现最优（R2=0.75，RMSE=6.32 cm），因其能够有效处理非线性关系和高维数据。本研究为黑土区坡耕地精细化土壤管理提供了创新技术方案。

Conclusions

本研究聚焦地形复杂、坡位变化显著的东北黑土区小流域，通过整合地形参数、光谱信息和植被指标，并采用RF、XGBoost和ANNs机器学习模型，实现了土壤厚度的高精度预测。结果表明：多维环境变量可解释61%–75%的黑土层厚度（BSHT）空间变异，其中光谱信息与地形因子的协同作用显著提升预测精度。随机森林（RF）模型在复杂地形条件下表现出最优的鲁棒性和预测能力。该研究为小流域尺度黑土资源动态监测与可持续农业管理提供了重要方法论支撑。