《Remote Sensing》：Phenology-Guided Multi-Source Data Fusion Improves Soil Organic Matter Mapping Across Chinese Farmlands
编辑推荐：
农田土壤有机质（SOM）的精准空间制图对农业可持续发展至关重要，但作物覆盖干扰和区域环境异质性使其仍具挑战。研究人员构建了一种物候引导的多源数据融合框架，用于预测中国五个典型农田区域0–20 cm表层土壤有机质。该框架整合了基线环境协变量、多年Sentinel
农田土壤有机质（SOM）的精准空间制图对农业可持续发展至关重要，但作物覆盖干扰和区域环境异质性使其仍具挑战。研究人员构建了一种物候引导的多源数据融合框架，用于预测中国五个典型农田区域0–20 cm表层土壤有机质。该框架整合了基线环境协变量、多年Sentinel-2物候参数和高分五号（GF-5）高光谱特征，采用前向递归特征选择（FRFS）结合机器学习算法，并在各研究区20次随机训练–验证划分中对所有模型进行评估。将物候与高光谱协变量融入基线数据后，各区域表现均最优，平均验证R2由0.508提升至0.875，平均均方根误差（RMSE）由4.148降至2.127 g kg?1。FRFS平均将预测变量维度缩减83.8%，在全部100次配对比较中均优于全变量策略，并将验证R2的划分间标准差由0.129降至0.030。
一、研究背景与科学问题
土壤有机质（SOM）是土壤健康、粮食安全和陆地碳循环的基石，在农业生态系统中可增强土壤结构稳定性、改善保水与养分缓冲能力并调节温室气体动态。在全球实现土地退化零增长和保障粮食安全的背景下，高分辨率精准刻画SOM空间分布已成为精准农业和可持续土地管理的基础。中国高度重视高标准农田建设，但即便经过标准化工程干预，田间仍保留由历史管理和自然成土过程决定的显著土壤异质性，亟需可靠、经济的数字土壤制图（DSM）框架。DSM通常依赖SCORPAN框架，通过定量经验或机器学习（ML）模型结合空间环境协变量预测目标土壤属性。卫星遥感提供了土壤形成因子的连续时空代理变量，但密集作物冠层、残茬覆盖和动态地表水分严重阻碍了对土壤属性的直接光学观测。传统方法通过非植被期提取裸土合成影像应对该问题，但固定日历窗口常因作物历、降雨、土壤水分和积雪的区域差异而失效。时间序列多光谱影像可通过物候引导建模克服上述局限，将作物物候动态视为土壤肥力的动态间接代理；同时，星载成像光谱仪如高分五号（GF-5）搭载的高级高光谱成像仪（AHSI）提供数百个窄波段，可更灵敏地捕捉有机质官能团、黏土矿物和铁氧化物的诊断吸收特征。然而，多源DSM中仍存在若干关键方法学问题：多作物物候参数与单日期星载高光谱观测如何条件互补基线地形、水文和土壤质地协变量尚未系统量化；高维遥感协变量堆叠易引发多重共线性和计算冗余；中国农田环境差异显著，统一协变量组合或ML算法能否在不同景观中保持一致表现仍不明确。
二、研究内容与主要结论
为填补上述空白，研究人员开发了集成的物候引导多源数据融合框架，在中国五个代表性高标准农田区域（涵盖亚热带、温带、冲积平原和丘陵景观）制图表层SOM。研究主要目标包括：建立基于多年Sentinel-2时间序列的区域物候提取工作流；量化物候参数与GF-5高光谱特征在四种建模情景中的独立与协同贡献；评估变量选择在降低预测变量数量的同时维持预测精度的有效性；生成10 m分辨率区域SOM分布图并利用bootstrap建模评估预测不确定性。研究得出以下核心结论：融合物候与高光谱协变量后，各区域验证R2由基线情景（S0）的0.449–0.593提升至组合情景（S3）的0.858–0.885，平均RMSE由4.148降至2.127 g kg?1；FRFS平均减少83.8%的预测变量，在全部100次配对比较中均优于全变量策略，并将验证R2的划分间标准差由0.129降至0.030。研究意义在于：多时相物候与窄波段光谱的融合可有效降低作物覆盖对数字土壤制图的干扰；带bootstrap不确定性的10 m SOM地图支持高标准农田的区域针对性土壤管理。
三、关键技术与方法
研究采用的主要关键技术方法包括：基于Sentinel-2 Level-2A地表反射率产品构建月度中值合成影像，计算归一化植被指数（NDVI）、增强型植被指数（EVI）、归一化红边指数（NDRE）和地表水分指数（LSWI）；利用谐波回归模型拟合EVI时间序列，并通过相对振幅归一化识别生长季与低覆盖期；构建包含土壤质地、地形、水文、裸土光学、Sentinel-1雷达和空间坐标的基线协变量，物候协变量及GF-5高光谱主成分（PC）协变量；采用前向递归特征选择（FRFS）结合随机森林（RF）、Cubist、极端梯度提升（XGBoost）和支持向量回归（SVR）四种机器学习算法；通过20次随机训练–验证划分进行配对比较，采用10折交叉验证进行超参数优化；利用SHAP（SHapley Additive exPlanations）进行模型解释，并通过100次bootstrap重拟合量化像素级预测不确定性。样本来源为五个研究区共576个土壤样品（当阳108个、德州81个、嘉善202个、梨树122个、宜宾63个），SOM含量采用重铬酸钾–硫酸氧化法测定。
四、研究结果
4.1 物候窗口识别结果
谐波拟合EVI时间序列分析揭示了五个研究区作物生长季和低覆盖期的显著区域差异。生长季为当阳5–9月、德州2–10月、嘉善3–11月、梨树6–10月、宜宾4–9月。低覆盖期为当阳2–3月和10–12月、德州11月、嘉善2月、梨树4–5月、宜宾11月。研究证实，低植被活动本身并不总是表示可用的低覆盖条件，适宜时期的时点和时长具有强烈区域依赖性。
4.2 模型性能与最优模型选择
基线情景（S0）下验证R2为0.449–0.593，平均0.508。加入物候协变量（S1）后各区域验证R2提升0.082–0.202，平均升至0.656。加入高光谱协变量（S2）后验证R2为0.630–0.854，平均0.729。组合情景（S3）在各区域均取得最高验证R2（0.858–0.885），平均0.875，平均RMSE降至2.127 g kg?1，平均MAE降至1.728 g kg?1。FRFS在全部100次配对比较中均优于全变量策略，平均验证R2由0.408升至0.875，预测变量平均减少83.8%，且精度稳定性显著提升（R2标准差由0.129降至0.030）。
4.3 预测SOM空间分布
区域平均预测SOM以嘉善最高（32.54 g kg?1），梨树（20.04 g kg?1）和当阳（19.87 g kg?1）居中，宜宾（18.11 g kg?1）和德州（15.99 g kg?1）最低。空间结构差异显著：嘉善呈明显西高东低格局，当阳和宜宾呈局部高值聚集，梨树自北向南适度递减，德州分布最均匀。嘉善绝对变异最大（SD 5.79 g kg?1），宜宾相对变异最高（CV 18.38%），德州和梨树分布最集中。
4.4 预测不确定性空间格局
bootstrap不确定性绝对量级以嘉善（平均SD 2.077 g kg?1）和当阳（1.971 g kg?1）最高，梨树（0.688 g kg?1）和德州（0.667 g kg?1）最低。相对不确定性以当阳（9.92%）和宜宾（9.60%）最高，梨树（3.48%）最低。空间上，德州不确定性低且均匀，嘉善呈中等水平并沿田块和空间过渡带局部升高，当阳和宜宾不确定性更高且空间异质性更强。
4.5 SHAP模型解释
各组贡献存在区域差异：当阳以光谱主成分（35.51%）和地形（33.99%）为主；德州呈较均衡的多源结构；梨树以光谱主成分（72.23%）和水文（10.34%）互补；嘉善和宜宾分别以光谱主成分（73.41%和72.39%）为主导。个体预测变量层面，各地主导变量不同，高光谱特征在各区域均突出，物候、植被、地形、水文和低覆盖光学变量提供区域特异性补充信息。值得注意的是，解释方差高的主成分（如PC1）在模型中排名反而较低，表明光谱方差解释率并不决定模型重要性。
五、讨论与结论
讨论部分指出，物候与高光谱信息的互补性源于其不同的信息机制：物候参数通过多年时间序列提供与作物生产力、轮作制度和水资源可用性相关的间接SOM信息，在高标准农田中尤为有效；高光谱窄波段则直接捕捉有机质官能团和矿物学吸收特征。FRFS的优势在于通过消除冗余和噪声变量提升精度稳定性，其增益在基线模型表现较差的区域更为显著。区域间模型结构和主导变量的差异表明，统一框架需具备区域适应性。研究结论为：物候引导的多源数据融合框架结合FRFS特征选择，可在中国多样化农田景观中实现高精度、稳定的10 m分辨率SOM制图，为高标准农田的精准土壤管理和碳核算提供了可靠的技术支撑。
