《Remote Sensing》：An Improved Remote-Sensing Mapping Framework for Soil Total Nitrogen in Fog-Prone Regions: Integrating SST Covariates with the XGBoost Model
编辑推荐：
监测土壤全氮（total nitrogen, TN）状况及其空间变异对于防止土地退化和支持精准农业至关重要。遥感（remote sensing, RS）波段及其衍生的光谱指数是土壤TN制图的重要协变量。然而，在多雾区域，水汽对光谱信息的干扰可能使基于光学遥感的
监测土壤全氮（total nitrogen, TN）状况及其空间变异对于防止土地退化和支持精准农业至关重要。遥感（remote sensing, RS）波段及其衍生的光谱指数是土壤TN制图的重要协变量。然而，在多雾区域，水汽对光谱信息的干扰可能使基于光学遥感的土壤制图失效。本研究获取了多源对地观测数据，包括合成孔径雷达（synthetic aperture radar, SAR）、多光谱和地形数据。系统构建了与土壤TN相关的光谱指数、SAR衍生指数和地形指数。随后，采用PCC-VIF方法评估基于遥感指数的重要性并筛选最优协变量，称为SST协变量。最后，分别以SST协变量和实测土壤TN值为自变量和因变量，构建了基于XGBoost的持久雾覆盖区域土壤TN制图模型。结果表明：（1）SST协变量包括Ela、TWI、SOS、VHplusVV、VHdiffVV、B2和NDGI；（2）所提出的基于遥感的土壤TN制图模型达到了满意的精度，决定系数（R2）为0.82，性能与四分位距之比（RPIQ）为3.03；与传统方法构建的模型相比，R2提高了约0.16–0.52；（3）高土壤TN含量区域主要位于研究区南部，而较低TN值出现在北部。土壤TN含量及其空间分布主要受农业种植活动和微地形条件影响。本研究为多雾区域的基于遥感土壤TN制图提供了新见解。基于SST协变量和XGBoost算法的稳健土壤TN制图框架可支持粮食安全并有助于防止环境退化。
**多雾区域土壤全氮遥感制图：SST协变量与XGBoost框架的研究进展与核心发现**
**1. 研究背景与科学问题**
土壤全氮（total nitrogen, TN）是衡量土壤肥力、作物生产和环境可持续性的关键指标。据研究统计，1960年至2021年间，受农业用地扩张驱动，全球氮肥使用量增长了400%。然而，施入农田的氮肥无法完全滞留在农业生态系统中，过量氮素可能淋溶进入水体或释放到大气中，导致全球氮循环日益失衡，已超出地球系统的安全运行极限。因此，监测土壤TN状况并绘制其空间分布图，对于改善农业管理、促进环境可持续性以及应对气候变化具有重要意义。
数字土壤制图通过建立低成本环境协变量与目标土壤属性之间的关系来估算未采样区域的土壤TN并生成分布图。然而，传统野外采样与实验室分析方法耗时费力，且高强度人类活动已显著改变了土壤理化性质的空间格局，增强了土壤TN的空间异质性。遥感（remote sensing, RS）协变量因其覆盖范围广、获取便捷，在数字土壤制图中展现出巨大潜力。光谱指数能直接表征土壤理化性质，或通过反映植被生长状况间接指示土壤属性。但现有研究在持续多雾区域的应用受限，因为大气水汽会干扰光谱辐射传输。此外，光谱指数在表征土壤介电特性和植被垂直结构方面能力有限。为此，研究人员提出假设：引入合成孔径雷达（synthetic aperture radar, SAR）和地形协变量可提供土壤TN的补充信息，并提高制图框架对环境噪声的稳健性。
**2. 研究内容与总体结论**
本研究旨在开发一种可靠的多雾区域土壤TN遥感制图框架。研究的具体目标包括：（1）识别对土壤TN估算最重要的光谱、SAR和地形协变量；（2）整合三类协变量（即SST协变量）以克服单一遥感数据源的局限性；（3）构建土壤TN制图框架并评估其跨区域适用性。研究人员以中国东部章丘区为研究区，采集了425个表层土壤样本（0–20 cm），采用凯氏定氮法（Kjeldahl method）测定TN含量。通过构建光谱、SAR和地形指数库，使用皮尔逊相关系数-方差膨胀因子（PCC-VIF）方法筛选最优协变量，最终以XGBoost算法构建制图模型。结果表明：（1）SST协变量包含Ela、TWI、SOS、VHplusVV、VHdiffVV、B2和NDGI；（2）模型精度达R2为0.82、RPIQ（性能与四分位距之比）为3.03，较传统方法R2提高约0.16–0.52；（3）高TN区域集中于研究区南部，北部较低，土壤TN空间分布主要受农业种植活动和微地形条件控制。该框架在匈牙利西部和银北地区的跨区域验证中表现出良好的可迁移性。
**3. 关键技术方法**
本研究采用的主要技术方法包括：（1）基与PCC-VIF的协变量筛选方法，用于评估遥感指数与土壤TN的线性相关性及指数间的多重共线性；（2）XGBoost梯度提升决策树算法，用于构建土壤TN估算模型，该算法通过正则化项控制模型复杂度并降低过拟合风险；（3）SHAP（Shapley Additive Explanations）方法用于模型解释，定量衡量各输入变量对模型输出的贡献；（4）采用分层抽样按8:2比例划分校准集（n=340）与验证集（n=85），并应用人在回路的地理独立验证策略确保空间独立性；（5）通过五折交叉验证和网格搜索进行超参数调优。数据源自Sentinel-2多光谱影像（2021年1月19日）、Sentinel-1 SAR影像（2021年1月18日）以及ASTER全球数字高程模型（DEM），并在Google Earth Engine平台完成预处理。
**4. 主要研究结果**
**4.1 土壤全氮含量的描述性统计特征**
总样本集TN含量均值为1.13 g/kg，范围为0.38–3.58 g/kg，中位数为1.11 g/kg。校准集与验证集的统计特征与总样本集基本一致。变异系数（coefficient of variation, CV）介于28.25%–34.30%，表明研究区土壤TN具有中等变异程度和一定的空间异质性，样本划分具有合理性。
**4.2 SST协变量的构建与分析**
在光谱协变量方面，B3、B5和B6与土壤TN相关性最强（|r|>0.33），最终筛选出B2、B3、B5、B6、B7、BI和NDGI七个最优光谱指数。在SAR协变量方面，VH_ENT和VV_ENT相关性最强（|r|=0.25），最终选出VH_ENT、VH_HOM、VV_ENT、VV_HOM、VH、VHplusVV和VHdiffVV七个指数。在各地形指数中，Ela（r=0.53）和SOS（r=0.46）与TN相关性最强。经过VIF多重共线性检验，B6（VIF=107.79）和B7（VIF=101.30）存在严重共线性被剔除，最终保留Ela、TWI、SOS、VHplusVV、VHdiffVV、B2和NDGI七个SST协变量。
**4.3 基于SST协变量的土壤TN制图模型**
分别以光谱、地形、SAR和SST协变量作为模型输入构建制图模型。基于SST协变量的模型表现最佳，R2为0.82、RMSE为0.12 g/kg、RPIQ为3.03，而基于单一数据源模型的R2仅为0.25–0.45。SST模型的RPIQ较单一数据源模型高约55.44%–57.10%，验证集估计值与实测值紧密分布在1:1线附近，表明模型具有良好的一致性和满意的估算性能。
**4.4 土壤TN空间分布制图**
采用最优模型生成的土壤TN分布图显示，高值区主要位于研究区南部，低值区位于北部，TN呈自南向北递减趋势。TN值在1.0–1.2 g/kg和1.2–1.5 g/kg范围内的面积分别占研究区总面积的28.2%和28.3%。空间分布格局主要受农业种植强度和微地形条件影响。
**4.5 模型不确定性分析**
对制图模型进行50次迭代运行并计算标准差，结果显示不确定性范围为0–0.29 g/kg，均值为0.11 g/kg。南部区域的不确定性高于北部，可能与南部更复杂的土地利用和更大的空间异质性有关。未来应引入表征人类活动和生物气候的环境协变量，或在不确定区域增加采样密度以降低制图不确定性。
**5. 讨论与结论总结**
讨论部分指出，可靠的环境协变量对土壤TN制图的成功至关重要，可能比制图算法本身更为关键。双源数据组合模型的R2较单一数据源提高约0.10，但仍比SST协变量模型低约19.51%，证实了三源数据互补性的价值。SHAP分析显示，Ela是最重要的解释协变量（平均绝对SHAP值为0.412），地形协变量贡献占比达77.2%，其次为光谱（14.0%）和SAR（8.8%）。与常用模型对比，XGBoost较偏最小二乘回归（PLSR）R2最大提高70.83%，较随机森林（RF）提高7.89%，表明XGBoost在捕捉土壤TN与SST协变量之间的复杂非线性关系方面具有显著优势。SAR补充提供了植被垂直结构和土壤介电特性信息，有效克服了多光谱在持续多雾区域的观测局限。
研究结论翻译如下：本研究开发了一种基于SST协变量与XGBoost算法的土壤TN遥感制图框架，该框架在持续多雾区域表现出良好性能，并在全球多个案例区得到验证。SAR数据通过捕获与土壤结构和植被生长相关的微波后向散射信号补充多光谱影像的不足，克服了持续多雾区域多光谱监测的限制。研究主要发现：（1）Ela、TWI、SOS、VHplusVV、VHdiffVV、B2和NDGI等SST协变量能够有效表征多雾区域的土壤TN状况；（2）制图模型R2为0.82、RPIQ为3.03，较常用模型R2提高约0.16–0.52；（3）研究区土壤TN自南向北递减，其空间分布受作物种植模式和微地形影响。该研究为多雾区域土壤TN制图提供了新的遥感视角，并为农业生产和全球土地健康管理提供了科学依据和方法支持。
