基于深度学习融合遥感与实验室光谱数据绘制两种不同气候区土壤碳含量分布图

本研究针对光学遥感数据在绘制土壤有机碳(SOC)和土壤总碳(STC)含量时面临的云层干扰、裸土条件限制及土壤表面状况干扰等问题，研究人员结合Sentinel-2遥感影像与实验室可见光-近红外-短波红外(Vis-NIR-SWIR)光谱数据，开发了一种深度学习神经网络模型。研究在法国Naizin和突尼斯Merguellil两个气候条件迥异的地区成功绘制了高精度碳含量分布图，并证实添加实验室光谱指数可显著提升模型预测精度。该研究为不同气候条件下土壤碳含量的快速、精准监测提供了有效方法，对农业生产力评估和全球碳循环研究具有重要意义。

　　

在全球气候变化和粮食安全日益受到关注的背景下，土壤碳含量的精准监测成为农业环境管理的重要课题。土壤有机碳（SOC）和土壤总碳（STC）不仅是衡量土壤肥力的关键指标，也直接影响着作物的生长和碳汇功能。然而，传统基于光学遥感的手段在绘制土壤碳分布图时仍面临诸多挑战，例如可用影像数量受云层影响大、裸土暴露时间有限，以及土壤湿度、粗糙度等地表条件带来的光谱干扰等。尽管已有研究尝试结合多时相遥感数据和机器学习方法提升预测精度，但如何在不同气候与土壤条件下建立稳健且可推广的预测模型，仍是当前研究的难点。

为此，由Hayfa Zayani、Youssef Fouad、Didier Michot等多国研究人员组成的团队在《Geoderma》上发表了一项研究，他们利用Sentinel-2遥感时间序列数据和实验室高光谱测量结果，开发了一种融合多源光谱特征的深度神经网络模型，成功实现了在温带气候区和半干旱气候区中土壤碳含量的高分辨率制图。这项研究不仅验证了深度学习在跨环境条件下预测碳含量的适用性，还系统评估了引入实验室光谱指数对提升模型准确性与空间分布细节的作用。

本研究主要依托来自法国西北部的Naizin和突尼斯中部的Merguellil两个试验区的野外采样数据、Sentinel-2 L2A级遥感影像以及实验室ASD FieldSpec?光谱仪测得的Vis-NIR-SWIR光谱数据。通过多时相遥感数据提取裸土像元，并计算多种光谱指数；借助多因子分析（MFA）筛选敏感指数，进一步利用深度神经网络（DNN）建立碳含量预测模型；最后对比仅用遥感数据与加入实验室光谱指数后模型的性能及空间制图效果。

3.1. 两地土壤碳含量与光谱特性差异显著

Naizin地区土壤样品SOC平均值为22.3 g·kg?1，Merguellil的STC平均为48.8 g·kg?1。实验室光谱反射率明显高于Sentinel-2影像光谱，半干旱区Merguellil土壤整体反射更高，但其在水分吸收波段（1400 nm和1900 nm）附近反射率较低，这与两地土壤质地和气候条件密切相关。

3.2. 不同指数对碳含量的敏感性不同

通过多因子分析从40个光谱指数中分别筛选出12个代表性指数，其实验室等效指数与碳含量相关性差异明显。在Naizin，NBR2指数与SOC相关性最高（r = 0.85），而在Merguellil，NDWI指数与STC的相关性最强（r = 0.77）。

3.3. 加入实验室光谱指数显著提升模型性能

使用仅含Sentinel-2波段数据建模时，Naizin模型的RPIQ为1.33，表现较差；而Merguellil模型RPIQ达2.35，预测效果较好。当逐步加入与碳含量最相关的实验室指数后，两地模型的预测精度均显著提高，Naizin在加入2个指数后RPIQ升至1.77，Merguellil仅加入1个指数就使RPIQ提高到4.17。

3.4. 土壤碳空间分布图揭示明显地域差异

最终生成的土壤碳含量分布图显示，Naizin地区SOC高值多集中于坡度较低（<2%）的区域，与土壤类型和坡度分布一致性较高；Merguellil地区STC含量高值区与粘土含量高值区高度吻合，且作物类型（若橄榄园等）与碳含量分布也存在一定关联。

3.5. 加入光谱指数影响空间变异格局

在Naizin，添加实验室光谱指数后，SOC分布显示出更高的田间内部变异；而在Merguellil，同类操作则降低了田块间与田块内的变异性。这种差异与两地采样点密度及空间插值过程有关。

本研究通过融合多时相遥感数据与实验室光谱测量技术，结合深度学习方法，实现了在温带和半干旱两种不同气候区条件下对土壤碳含量的准确估算与空间制图。结果表明，引入实验室光谱指数作为辅助变量，可有效提升预测模型的精度与稳健性，尤其在地表条件复杂、遥感数据质量受限的区域效果更为显著。研究还发现，不同气候背景下土壤的光学特性存在系统性差异，因此在发展预测模型时需考虑地域适应性。

该研究提出的方法不仅显著推进了遥感技术在土壤碳监测中的应用水平，也为不同农业生态区制定有针对性的土壤管理措施提供了数据支持。未来，可进一步探索高光谱遥感数据替代实验室光谱以消除插值误差、优化采样策略以更好捕捉空间变异，以及推动模型在不同气候区之间的迁移能力，从而为全球土壤碳循环研究提供更强大的工具。

论文信息：Hayfa Zayani, Youssef Fouad, Didier Michot, et al. Mapping soil carbon content in two contrasting pedoclimatic regions using a deep learning approach with remote sensing imagery and laboratory spectral datasets. Geoderma.