整合卫星衍生指数、土气变量和机器学习以预测墨西哥北部牧场的土壤有机碳

《Journal of Arid Environments》：Integrating satellite-derived indices, edaphoclimatic variables and machine learning to predict soil organic carbon in northern Mexico rangelands

　　

摘要

近年来，使用遥感和环境数据作为土壤有机碳（SOC）的替代指标已引起越来越多的关注；然而，它们在异质性干旱生态系统中的有效性仍不确定。本研究开发并评估了一个基于指标的建模框架，该框架整合了多光谱卫星指数、合成孔径雷达（SAR）指标和土气候变量，以预测墨西哥北部草原和灌丛生态系统的 SOC。在 16 个牧场共收集了 276 个复合土壤样本（0–30 厘米），并将其与卫星衍生和环境预测因子联系起来。比较了三种建模方法的预测性能：随机森林、极端梯度提升和多线性回归。其中，随机森林取得了最高的准确性（R² = 0.80）和最低的预测误差（RMSE = 7.0 吨/公顷）。变量重要性分析确定归一化木质素指数（NDLI）、年均温度、降水季节变化和太阳辐射是 SOC 空间变异的关键指标。所生成的模型能够创建空间显式 SOC 地图，估计奇瓦瓦州草原和灌丛的总储量约为 0.547 吉吨碳。这些结果表明，多传感器卫星衍生指标和土气候变量的整合为干旱生态系统中的 SOC 预测提供了一种可靠且可扩展的方法。所提出的框架在数据稀缺地区具有强大的应用潜力，并支持碳监测、土地管理和气候减缓策略的工具有效开发。

引言

墨西哥北部的草原和灌丛代表了土壤有机碳（SOC）的重要储存库，SOC 是调节土壤结构、肥力、水分入渗和微生物活动的关键组成部分，也是对区域和全球碳循环的重要贡献者（Bai and Cotrufo, 2022）。然而，在过去五十年中，这些生态系统经历了显著的范围缩减，草原减少约 14%，灌丛减少 26%。这主要归因于过度放牧和土地利用变化（Jurado-Guerra et al., 2021b）。这种转变损害了关键的生态系统服务并降低了其碳汇能力，从而加剧了气候变化的影响。因此，这些生态系统的保护和恢复已成为生态和气候优先事项。

除了生态重要性外，草原和灌丛日益被视为气候变化缓解努力中的战略组成部分。然而，这些生态系统的保护、恢复和可持续管理需要关于 SOC 储量及其景观变异的可靠且空间显式的信息。

将草原和灌丛纳入碳市场机制可以提供可持续管理的经济激励，但这种潜力仍未得到充分发挥。一个主要限制是缺乏实际、可扩展且经济有效的方法来量化和监测这些广阔且环境异质景观中的 SOC。

基于激励的机制（如碳市场）的实施根本上依赖于用于测量、报告和分析 SOC 的可靠系统的可用性。这些系统必须空间显式、可随时间重复，并能够捕捉草原生态系统特有的显著异质性。

由于土壤固有的空间变异性（主要由质地、结构、深度、pH 值和其他理化性质的差异驱动），准确量化 SOC 仍然具有挑战性。这种内在异质性产生了复杂且非线性的 SOC 分布模式，使其难以使用空间显式方法进行预测，并增加了大规模估计的不确定性。遥感和机器学习的最新进展为传统基于现场的 SOC 评估提供了有前景的替代方案，后者准确但成本高、劳动密集且空间有限。结合地形属性和光谱信息的机器学习方法也已被用于估计土壤有机质的空间分布，展示了数据驱动方法在区域土壤碳评估中的潜力（Faramarzi et al., 2022）。多光谱植被指数捕捉了与植物生产力、冠层结构和生理状况相关的关键属性，这些都影响了土壤的碳输入（Abbaszad et al., 2023; Kunkel et al., 2022）。类似的集成方法已经展示了将遥感衍生植被信息与环境变量结合用于大规模土壤健康评估的潜力（Khosravi Aqdam et al., 2023）。此外，最近的合成孔径雷达（SAR）数据提供了关于地表粗糙度、土壤湿度和植被结构的互补信息，对地下碳过程具有潜在相关性（Zhu et al., 2019）。世界各地在草原系统中使用这些方法已报告了鼓舞人心的结果（Morais et al., 2023; Trinco et al., 2025; Venter et al., 2021）。

尽管遥感在 SOC 建模中的使用日益增加，但对于在墨西哥北部等异质性干旱地区，如何组合卫星衍生指标和土气候变量作为 SOC 的稳健替代指标，了解仍然有限。解决这一差距对于开发支持碳核算、保护规划和可持续牧场管理的操作工具至关重要。因此，本研究的主要目标是评估多光谱光学指数、SAR 数据和土气候变量的预测性能，通过比较多元回归和机器学习模型（多线性回归、随机森林和极端梯度提升），对墨西哥北部奇瓦瓦州草原和灌丛的 SOC 进行空间估计。次要目标是生成空间显式的 SOC 栅格地图。

章节片段

研究区域与土壤采样

本研究在奇瓦瓦州的 16 个牲畜牧场进行，作为墨西哥北部草原和灌丛生态系统的代表（图 1）。在每个牧场建立了 3 至 9 条样带，样带间距为 120 米，以减少空间自相关。采样设计与本研究使用的 Landsat OLI 8 卫星图像 30 米空间分辨率（像元大小）一致。沿每条样带，三个复合土壤样本

SOC 预测因子之间的相关性

在光学和雷达传感器衍生指数之间观察到强相关性（r > 0.75）。指数 NDVI、MSAVI、LAI、NDSVI、EVI、BSI、VV_dB 和 VV + VH 与其他指数表现出高度相关性，因此被排除在后续分析之外（图 2）。几个土气候变量也观察到类似的模式。年均降水量、风速、粘土含量和土壤钠浓度因与其强相关性（r_x? > 0.75）而被移除

讨论

几个多光谱指数之间观察到的强相关性是意料之中的，因为这些指标中的许多都对重叠的生物物理特性做出响应，包括叶绿素浓度、绿色生物量和冠层结构（Huete et al., 2002）。因此，选择低共线性的预测因子是生态建模中的一个关键步骤，因为它提高了数值稳定性，促进了变量重要性的解释，并增强了解释能力

结论

本研究展示了整合多源地球观测数据和机器学习技术在异质性干旱生态系统中进行土壤有机碳（SOC）空间显式评估的强大潜力。通过将多光谱光学指数（包括木质素敏感指标）、合成孔径雷达（SAR）信息和土气候变量结合在一个非线性随机森林框架中，我们实现了草原和灌丛 SOC 的稳健预测

CRediT 作者贡献声明

何塞·米格尔·普里埃托-里韦罗： 写作 – 原稿，可视化，调查，形式分析，数据整理。克里斯托·奥马尔·普恩特-瓦伦苏埃拉： 写作 – 审阅与编辑，监督，资源，方法论，数据整理。卡洛斯·劳尔·莫拉莱斯-涅托： 写作 – 审阅与编辑，监督，数据整理。赫苏斯·亚历杭德罗·普里埃托-安帕兰： 写作 – 审阅与编辑，监督，软件。赫苏斯·曼努埃尔·奥乔亚-里韦罗： 写作 – 审阅与编辑，监督，资源。奥马尔·卡斯托·蓬塞·加西亚：

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些关系可能会影响本文中报告的工作。

何塞·米格尔·普里埃托-里韦罗|克里斯托·奥马尔·普恩特-瓦伦苏埃拉|卡洛斯·劳尔·莫拉莱斯-涅托|赫苏斯·亚历杭德罗·普里埃托-安帕兰|赫苏斯·曼努埃尔·奥乔亚-里韦罗|奥马尔·卡斯托·蓬塞·加西亚|劳尔·科拉莱斯-莱尔马|伊娃·奥罗拉·包蒂斯塔-卡尔德隆|艾伦·阿尔瓦雷斯-奥尔金

墨西哥奇瓦瓦州奇瓦瓦自治大学畜牧学与生态学学院。墨西哥奇瓦瓦州奇瓦瓦