基于光学雷达遥感技术在不同气候条件下黑土区土壤有机质含量的定量估算

《International Journal of Digital Earth》：Quantitative estimation of soil organic matter content in black soil region under varying climatic conditions using optical radar remote sensing technology

　　

以黑土区的典型区域——合山农场作为案例研究，本研究探讨了光学与雷达遥感信号在不同气候年份水文条件极端变化下的响应变异性。研究人员构建了融合最优裸土期影像、多时相生长季数据及稳定环境协变量的多源集成框架，以提高土壤有机质（SOM）反演的精度与稳定性。利用2019–2021年的光学与雷达遥感数据，研究人员比较了三种策略：裸土影像、多时相融合以及环境协变量集成。结果表明，最优观测期因年份而异，其中2020年6月达到最高精度（R²=0.660，RMSE=6.003 g/kg）。生长季影像（主要为9月）的集成使R²提升了0.030，RMSE降低了0.286 g/kg。进一步纳入地形、气候和土壤理化变量后，获得了最大精度（R²=0.708，RMSE=5.577 g/kg）。空间分析显示南部低洼区域的SOM浓度较高，而不确定性分析则表明2021年为最稳定的预测年份（平均不确定性=2.67 g/kg）。总体而言，多时相遥感数据与环境协变量的集成显著提高了SOM空间预测的精度与稳健性。

本研究发表于《International Journal of Digital Earth》，聚焦于气候变化背景下黑土区土壤有机质（SOM）遥感监测这一关键科学问题。研究背景源于SOM作为土壤最活跃组分，在维持土壤肥力、稳定碳循环及提供生态系统服务中的核心作用，尤其中国东北黑土区作为重要粮食生产基地，其SOM动态变化直接影响区域与国家尺度的碳源汇平衡。数字土壤制图（DSM）作为获取空间土壤信息的有效途径，传统的土壤—景观模型受内在理化性质与外部环境条件变化的双重制约，限制了SOM含量的准确预测。尽管机器学习在捕获非线性关系方面表现突出，但模型复杂度与过拟合风险仍是关键挑战。光学与雷达遥感数据融合虽取得显著进展，但现有研究多依赖固定时间窗口或单年数据训练，隐含假设遥感信号与SOM的稳定关系，忽视了极端年际气候变异性导致的信号退化问题，尤其缺乏将时变遥感观测与稳定环境驱动因子动态整合的稳健框架。东北黑土区在降水加剧侵蚀、气温升高加速分解及季节性冻融循环等复合影响下，遥感信号易受干扰，预测框架的时适应性亟待增强。

研究人员以黑龙江省合山农场（48°40′–49°0′N，124°50′–125°30′E）为研究区，该区域位于三江平原北缘，面积约57,218 ha，其中耕地30,954 ha，主要土壤类型为黑钙土（Chernozem），具深厚腐殖质层与高有机质含量。研究利用Google Earth Engine云平台获取2019–2021年Sentinel-1合成孔径雷达（SAR）与Sentinel-2多光谱数据，涵盖三个完整作物生长周期。Senttails-2选取可见光—近红外（B2、B3、B4）、红边（B5、B6、B7）、近红外（B8、B8A）及短波红外（B11、B12）共10个波段；Sentinel-1获取VV/VH双极化C波段数据。环境协变量包括阳离子交换量（CEC）、土壤pH、坡度、2019–2021年生长季平均温度（TEMP）、生长季平均降水量（PRE）及海拔高程（DEM），均重采样至10 m分辨率。研究人员比较随机森林（RF）、XGBoost和Cubist三种机器学习模型，通过十折交叉验证确定最优算法，建立"最优裸土期—生长季影像—环境协变量"递进式建模策略，并开展30次重复训练的不确定性分析。

研究结果部分，研究人员首先比较了不同年份裸土期（4–6月）遥感影像的SOM反演精度。结果表明最优成像期存在明显年际差异：2019年干旱年6月影像精度最高（R²=0.633，RMSE=6.225 g/kg）；2020年洪涝年同样以6月最优（R²=0.660，RMSE=6.003 g/kg）；2021年正常年份则以5月最优（R²=0.617，RMSE=6.571 g/kg）。这说明裸土期最优观测窗口随气候条件动态迁移，并非固定不变。

多时相数据融合精度提升分析表明，在确定各年最优裸土期基础上融合生长季（7–9月）影像可显著改善模型性能。2019年6月裸土期影像与9月生长季影像融合后，R²从0.633提升至0.663，RMSE从6.225 g/kg降至5.968 g/kg；2020年融合后R²达0.676，RMSE降至5.882 g/kg；2021年融合后R²提升至0.640，RMSE降至6.285 g/kg。植被生长季信息（尤其9月）为SOM建模提供了有价值的补充信息。

引入环境协变量后的模型优化效果显示，在裸土期与生长季影像融合基础上，进一步纳入地形、气候和土壤理化属性可实质性提升预测精度。2020年改善最为显著，R²从0.663提升至0.708，RMSE从5.968 g/kg降至5.577 g/kg；2019年R²达0.683，RMSE为5.802 g/kg；2021年R²达0.690，RMSE降至5.863 g/kg。环境协变量在增强模型稳健性方面发挥关键作用。

土壤有机质空间分布格局分析表明，基于各年最优模型生成的10 m分辨率SOM空间分布图显示：2019年均值为42.77 g/kg，标准差6.32 g/kg；2020年均值43.45 g/kg，标准差6.64 g/kg；2021年均值显著降至19.84 g/kg，标准差4.79 g/kg。空间上SOM高值集中于南部低洼平坦区域，向北随海拔升高和坡度增大而逐渐降低，中部呈现高低值镶嵌分布。2021年SOM水平下降但空间分布更为均一。

制图结果不确定性分析显示，三年不确定性范围约为0.73–5.73 g/kg。2020年不确定性最高（最大5.73 g/kg），且高不确定区分布广泛；2019与2021年不确定性相对较低且相近，北缘及边界存在低不确定性带。2021年平均不确定性最低（2.67 g/kg），为最稳定预测年份。

不同时间阶段预测误差特征表明，单一裸土期误差分布分散，中位误差接近0.5 g/kg但存在大量高值异常点；融合生长季数据后误差明显减小；进一步加入环境协变量后误差进一步降低且分布更为紧凑，佐证了多源数据融合的关键作用。

讨论部分，研究人员指出裸土期遥感信号退化与最优时间窗口年际动态密切相关。极端气候事件改变土壤水分与残茬条件，调制SOM的遥感响应：2019年春季积雪融化和间歇降雨维持高土壤水分，升高介电常数使SAR后向散射增强并扭曲Sentinel-2反射率，随干旱持续至6月土壤水分下降后光学信号更能反映SOM特性；2020年虽6月降水仍高，但前期土壤相对干燥且植被覆盖不完整，使得有效SOM检测成为可能。最优时机强烈受土壤水分动态调控。多时相遥感融合的气候依赖性表现为：极端气候年份（2019干旱、2020洪涝）加入生长季影像后精度提升显著（R²绝对增量分别为0.030和0.016），因高SOM土壤具有更强持水能力和更稳定的团聚体结构，在干旱或洪涝条件下与低SOM土壤的差异被多期遥感信号显著捕获；即使正常年份2021融合亦有所改善。环境协变量通过提供独立于短期气候波动的稳定成土信息，在遥感信号受极端气候扭曲时发挥"锚定"作用，防止模型过度拟合不稳定输入。2021年SOM异常偏低可能源于稳定气候条件下持续的微生物分解速率较高、物候 timing 差异导致的采样代表性变化，以及模型对光谱对比度差异的敏感性偏差，但无法排除农业管理措施等未量化人为因素的影响。

研究结论指出，准确稳健的SOM估算需超越静态信号检索，转向以稳定成土控制为锚的集成框架。最优裸土观测期随气候条件年际动态迁移，生长季植被信号（尤其9月影像）可部分缓解极端事件期间退化光谱响应，地形、长期气候及土壤理化协变量的纳入达到峰值预测精度（R²=0.708，RMSE=5.577 g/kg）。2021年SOM异常偏低并非模型失效，而是揭示非极端条件下持续微生物分解可能驱动更大损失的重要发现。该框架将环境协变量重新定义为对抗气候变异性的稳定锚点，为脆弱农业生态系统中韧性SOM监测提供了可扩展的10 m分辨率方法，其核心原则在于：通过锚固于地球系统持久过程来预测土壤属性。