融合多时相遥感与先进统计方法的地理空间框架在土壤表征中的应用研究

本研究针对精准农业中土壤特性空间变异性高、传统测绘方法效率低的问题，开发了一种集成多时相遥感与统计建模的地理空间土壤表征框架。通过Sentinel-2卫星数据生成合成土壤图像（SYSI），结合主成分分析（PCA）和地理加权回归（GWR）技术，成功实现了对土壤质地、有机碳（SOC）及宏量元素（NPK）的高精度空间预测。该研究为数字土壤制图（DSM）提供了可扩展的技术路径，对提升农业资源管理效率具有重要意义。

　　

随着全球人口增长和气候变化对农业生产的压力日益加剧，实现精准农业管理已成为保障粮食安全的关键。然而，传统土壤调查方法存在成本高、效率低、空间覆盖有限等局限性，难以满足大范围精细化土壤管理的需求。数字土壤制图（Digital Soil Mapping, DSM）技术通过融合遥感数据和统计模型，为快速获取土壤属性空间分布提供了新途径。尽管中等分辨率遥感影像（如Sentinel-2）具有时间序列密集、开放获取等优势，但如何有效利用多时相数据捕捉土壤特性的时空变异规律，仍是当前研究的难点。

为解决上述问题，研究团队在意大利艾米利亚-罗马涅和托斯卡纳地区的两个实验区（总面积4704公顷）开展了创新性研究。该成果发表于《Smart Agricultural Technology》，首次构建了从多时相遥感数据生成合成土壤图像（Synthetic Soil Image, SYSI）到土壤属性空间预测的完整技术框架。

研究采用的技术方法主要包括：首先通过Google Earth Engine平台处理2017-2024年期间的Sentinel-2影像，利用GEOS3（Geospatial Soil Sensing System）技术生成合成土壤图像；随后提取可见光-近红外波段计算11种土壤光谱指数；采用主成分分析（PCA）进行数据降维，通过NbClust包确定最优聚类数量；最后运用地理加权回归（GWR）建立土壤属性预测模型。研究共采集384个表层土壤样本，测定土壤质地、有机碳（SOC）和宏量元素（NPK）含量作为验证数据。

土壤质地空间分异特征

通过PCA和聚类分析将两个研究区分别划分为3个土壤管理分区。在Jolanda di Savoia地区（Area 1），粘土含量从分区1到分区3呈现明显递减趋势（44.38%→35.28%），而砂粒含量则显著增加（13.53%→27.27%）。Cortona地区（Area 2）表现出相似规律，粘土含量从分区1的46.34%降至分区3的18.56%，砂粒含量相应从21.23%增至48.07%。这种空间分布模式与两地不同的成土母质和地形特征密切相关。

土壤有机碳分布规律

两个研究区均表现出从分区1到分区3土壤有机碳（SOC）含量逐步降低的趋势。Area 1的SOC含量从分区1的4.08%降至分区3的1.54%，Area 2则从1.17%降至0.74%。通过子类划分进一步发现，SOC的空间变异与土壤质地密切关联，粘土含量较高的区域通常表现出更好的有机质保持能力。

宏量元素空间变异模式

氮素含量在两个研究区均呈现从分区1到分区3递减的明显趋势，与SOC的空间分布模式高度一致。磷和钾的分布规律则较为复杂，Area 1中磷含量在分区2最高（19.03 ppm），而钾在分区1和分区2含量相近（约210 meq/100g），分区3显著降低。这种差异反映了成土过程和管理措施对养分空间分布的复合影响。

模型预测性能评估

地理加权回归（GWR）模型在土壤属性预测中表现出良好性能。对于粘土含量预测，Area 1和Area 2的验证R值分别达到0.78和0.92，RPD（性能偏差比）分别为1.59和2.72。SOC预测效果同样显著（Area 1: R=0.78, RPD=1.59; Area 2: R=0.73, RPD=1.50）。氮素预测精度与SOC相当，但磷和钾的预测可靠性相对较低，表明这些元素的遥感反演需要进一步改进。

研究结论强调，集成多时相遥感与先进统计方法的框架能够有效捕捉土壤特性的空间变异性，为精准农业提供可靠的数据支撑。讨论部分指出，尽管模型在主要土壤属性预测中表现良好，但对磷、钾等元素的预测精度仍有提升空间，未来需要结合更多环境协变量和机器学习方法。该研究的创新在于开发了从多时相数据生成到空间建模的完整工作流，其方法论可推广到其他农业生态区，对实现联合国可持续发展目标中的零饥饿和气候行动具有重要实践意义。