《Journal of Soil Science and Plant Nutrition》：Integrating Proximal and Remote Sensing to Improve Characterization and Mapping of Soil Organic Carbon Stocks under Contrasting Land Uses
编辑推荐：
摘要专业翻译
土壤是支撑生态系统功能的基础。因此，理解土壤有机碳储量（SCS）作为气候调节、可持续农业实践和肥料施用优化的重要环境组成部分至关重要。本研究旨在利用土地利用、成土母质、土壤类型、近端和遥感数据作为预测变量，对巴西米纳斯吉拉斯州Palmital农场
摘要专业翻译
土壤是支撑生态系统功能的基础。因此，理解土壤有机碳储量（SCS）作为气候调节、可持续农业实践和肥料施用优化的重要环境组成部分至关重要。本研究旨在利用土地利用、成土母质、土壤类型、近端和遥感数据作为预测变量，对巴西米纳斯吉拉斯州Palmital农场的SCS进行预测和制图。研究人员采用规则网格设计（200×200 m）在表层（A）和亚表层（B）土层共采集76个土壤样品。采用Walkley–Black方法测定碳含量。通过随机森林（Random Forest）算法构建预测模型，并采用留一法交叉验证（leave-one-out cross-validation）进行验证。研究人员对SCS的环境和人为影响进行了统计和空间分析。表层土壤在原生植被和牧场区域的平均SCS值最高（约33 Mg ha?1），这归因于持续的有机质输入和缺乏扰动。紫苏辉石（Charnockite）母质发育的土壤表现出较高的SCS值（表层31.24 Mg ha?1）。在土壤类型中，Argissolos（老成土）的SCS值最高（35.86 Mg ha?1）。遥感数据和地形属性组合取得了最佳的SCS预测效果（R2=0.43）。影响SCS的主要因素为土地利用/管理和土壤质地。此外，植被指数、部分地形属性与SCS之间观察到强相关性。这种多变量组合方法表明，利用这些数据实现精确的SCS预测具有中等潜力，同时也揭示了详细尺度制图中SCS空间变异的高度复杂性和变异性。
论文解读
一、研究背景与问题
土壤是支撑生态系统功能的基础资源，土壤有机碳（SOC）作为陆地生态系统中最大的碳库，在缓解气候变化、维持作物生产力和促进可持续农业实践中发挥着关键作用。土壤有机碳储量（SCS）的计算涉及土壤碳含量、土壤容重和采样土层厚度的乘积，其空间变异性受地形、土地利用、气候条件和管理措施等多重因素的综合影响。然而，SCS在垂直深度和景观尺度上均表现出高度变异，传统实地采样方法难以高效、准确地刻画其空间分布格局，这成为精准农业和环境管理面临的重要挑战。
近年来，近端传感技术（如便携式X射线荧光光谱仪pXRF、磁化率仪和数字色度计）与遥感技术（如植被指数、地形属性和辐射数据）已被证明能够间接反映与碳动态相关的土壤属性，为SCS预测提供了新的途径。尽管这些技术在区域尺度上已取得一定成功，但在农场尺度（高空间细节）尤其是热带条件下的应用研究仍相对匮乏。本研究正是在这一背景下展开，旨在探索多种数据源组合在详细尺度上预测SCS的潜力与局限。
二、研究目标与意义
本研究以巴西米纳斯吉拉斯州Ijaci市Palmital农场（约139公顷）为研究区域，该区域属于湿润亚热带气候（Cwa），年均气温约21°C，年均降水量1500 mm。研究区域具有极高的土壤类型（Argissolos、Latossolos和Cambissolos）、成土母质（紫苏辉石charnockite、泥岩mudstone和冲积沉积物alluvial sediments）、土地利用方式（牧场、原生林、一年生作物、桉树和松树人工林）和地形条件的异质性，为检验预测模型在复杂环境下的表现提供了理想场景。
研究假设近端和遥感数据结合其他环境数据能够在农场尺度上为表层和亚表层土壤提供准确的SCS预测。其核心目标包括：表征和绘制表层（A层，0–20 cm）和亚表层（B层，60–80 cm）的SCS空间分布；评估近端和遥感数据及环境信息是否能够提高SCS预测精度，通过测试多种预测变量组合来实现。
三、关键技术方法
研究人员在200×200 m规则网格上采集了38个样点的表层和亚表层土壤样品，共计76个样品。碳含量采用Walkley–Black方法测定，土壤容重（Bd）采用环刀法测定，SCS按公式SCS = [SOC × Bd × e]/10计算。近端传感数据包括：pXRF（Tracer 5g型）测定全量元素含量、Bartington MS2B磁化率仪测定低频磁化率（MS）、Nix-PRO?数字色度计获取多种颜色系统参数（CIE Lab、LCh、XYZ、RGB、CMYK）。遥感数据包括基于Sentinel-2影像（10 m分辨率）计算的归一化植被指数（NDVI）、归一化水体指数（NDWI）、归一化湿度指数（NDMI）及直接、散射和总太阳辐射，以及基于ALOS PALSAR数字高程模型（12.5 m分辨率）提取的16种地形属性。预测建模采用随机森林（RF）算法，通过留一法交叉验证评估模型性能，以决定系数（R2）和均方根误差（RMSE）为评价指标。
四、研究结果
4.1 SCS特征表征
土地利用方式对SCS有直接影响。一年生作物种植区SCS最低（表层均值15.83 Mg ha?1），主要归因于传统耕作加速有机质分解和植被覆盖缺失期增加侵蚀风险。原生植被（32.70 Mg ha?1）和牧场（32.31 Mg ha?1）表层SCS均值相近且最高，这与持续有机质输入和缺乏土壤扰动有关。按成土母质划分，紫苏辉石发育土壤SCS最高（表层31.24 Mg ha?1，亚表层24.33 Mg ha?1），与其较高的粉粒和黏粒含量相关；泥岩发育土壤表层均值最低（19.36 Mg ha?1）但变异系数高达50.07%；冲积沉积物发育土壤亚表层SCS最低（10.19 Mg ha?1），与粗碎屑限制根系发育有关。按土壤类型划分，Argissolos（老成土）表层SCS均值最高（35.86 Mg ha?1），其亚表层黏粒含量较高有利于有机碳的物理保护；Cambissolos Flúvicos eutróficos（CYe）和Latossolos Amarelos eutróficos（LAe）SCS最低（15.0–16.2 Mg ha?1），前者因砂粒含量高且受侵蚀影响，后者虽黏粒含量高但位于频繁扰动的作物种植区。
4.2 SCS与近端和遥感数据的相关性分析
表层土壤中，pXRF检测的Si、S、Sr、Rb、Mn、K与SCS呈正相关，Al呈负相关；亚表层中As、P、S呈正相关，而Si、Rb、K转为负相关。数字色度计在亚表层提供了与SCS相关性最强的变量。遥感数据中，NDVI、NDMI、NDWI、MRVBF（谷底平坦度多分辨率指数）、坡度和LS因子与SCS呈中到强相关。主成分分析（PCA）显示，表层PC1解释42.39%的方差，SCS与S、Sr、NDMI和LS因子方向一致，表明湿润植被景观下的Latossolos（氧化土）更易积累碳；亚表层PC1解释50.87%的方差，SCS与S、P、As正相关，与RGB颜色系统中的红色波段负相关，说明亚表层碳变异主要受成土过程和矿物学控制而非土地利用影响。
4.3 SCS建模与空间变异
在多种变量组合中，使用植被指数、辐射数据和地形属性的组合在表层取得了最佳预测性能（R2=0.43，RMSE=7.57），表明遥感数据在表层SCS预测中具有较强潜力。亚表层所有组合的预测性能均较差（最高R2=0.16，RMSE=5.23），说明预测精度随深度增加而显著下降。空间分布图上，牧场区域在表层表现出较高的SCS值，亚表层中一年生作物区域SCS较高，紫苏辉石分布的小面积区域在两层均表现出最高的SCS值。
五、讨论与结论
研究讨论指出，土地利用/管理方式和土壤质地是影响SCS的主要因素。传统耕作加速有机质分解，而牧场和原生植被通过持续的根系输入和免扰动维持较高碳储量。黏粒含量高的土壤通过孔隙闭塞和矿物表面吸附等物理机制保护有机碳免遭微生物降解。紫苏辉石发育土壤因富含黏土矿物而有利于碳稳定；泥岩发育土壤因地形起伏和裸露期长而易受侵蚀，降低SCS；冲积沉积物发育土壤因粗碎屑限制根系发育和碳储存能力而SCS最低。值得注意的是，LAe虽黏粒含量高但SCS低，进一步证实了土地利用/管理实践对SCS的支配性影响。研究还发现，pXRF测定的全量Al（包括高岭石等铝硅酸盐中的结构铝）而非可提取态铝，可能限制了其与有机碳络合关系的表达。磁化率与SCS在两个土层中均呈弱相关，而数字色度计在亚表层的相关性更强，这与亚表层较亮的底色使有机质引起的颜色变化更易被检测有关。
研究结论表明，综合多源数据（土地利用、母质、土壤类型、近端和遥感数据）在详细尺度上预测SCS具有中等潜力（表层R2=0.43），揭示了SCS空间变异的高度复杂性和多因素控制特征。遥感数据和地形属性是最有效的预测变量组合，而近端传感数据在亚表层预测中表现有限。该研究强调了土地利用管理和土壤质地作为SCS主要驱动因子的重要性，为热带农场尺度碳储量制图和精准管理提供了科学依据。
