《Geoderma》：A soil-type-specific stratified approach to bare soil mosaicking and SOC prediction from Sentinel-2 time series
编辑推荐：
精确的高分辨率土壤有机碳（SOC）制图对于环境建模与可持续土地管理至关重要，然而，基于卫星影像的SOC预测常受到植被与水分的影响，这可能导致广义模型在土壤异质性景观中失效。为解决这一问题，研究人员构建了一种分层框架，使裸土阈值筛选与SOC建模能够适配特定土壤类
精确的高分辨率土壤有机碳（SOC）制图对于环境建模与可持续土地管理至关重要，然而，基于卫星影像的SOC预测常受到植被与水分的影响，这可能导致广义模型在土壤异质性景观中失效。为解决这一问题，研究人员构建了一种分层框架，使裸土阈值筛选与SOC建模能够适配特定土壤类型。基于法国Centre-Val de Loire地区7年期Sentinel-2时间序列与414个土壤样点，研究首先识别出可见光与短波红外干旱指数（VSDI）是一种有效的水分替代指标，从而避免对可获取性受限的外部水分数据的依赖。随后，针对每一种主要土壤类型，分别优化归一化植被指数（NDVI）、归一化燃烧比率2（NBR2）和VSDI阈值，以筛选裸土观测。最后，研究构建了土壤类型特异性的偏最小二乘回归（PLSR）模型，并与单一广义模型进行比较。
结果表明，土壤类型特异性策略显著优于广义模型，例如，对富饶褐土（Brunisols eutriques）而言，四分位距性能比（RPIQ）由0.68提高至2.38。SOC的主要光谱预测因子具有显著变异性，随土壤类型不同，可由可见光波段变化至短波红外（SWIR）波段。优化后的VSDI筛选对性能提升同样至关重要，对于淋溶土（Luvisols）等壤质土壤，其预测均方根误差（RMSE）降低近50%。本研究表明，在超大区域尺度上实现高精度SOC预测时，针对具体情境（土壤类型）的裸土阈值分层与SOC建模至关重要，可作为将土壤学知识整合进SOC预测及后续数字土壤制图（DSM）流程的框架。
该文发表于《Geoderma》，聚焦于大区域尺度土壤有机碳（SOC）遥感预测中的关键瓶颈：当研究区土壤类型高度异质时，基于统一阈值和单一模型的传统策略往往难以稳定提取裸土信息，也难以建立稳健的SOC—光谱关系。SOC是维系土壤健康、农业生产力与生态系统可持续性的核心指标，也是气候变化缓解与土地管理评估的重要基础变量，因此其高精度制图具有明确的科学与应用价值。然而，光学遥感对SOC的估算易受植被覆盖、作物残体、表层水分和地表粗糙度干扰，尤其在农业景观中，这些干扰因作物制度和时序变化而更加复杂。研究人员据此提出，若继续采用对整个区域一体化设定的裸土筛选阈值与广义模型，就可能混入大量非理想裸土观测，或错误剔除有效样本，最终削弱SOC预测性能。因此，该研究开展的核心目的，是把土壤类型这一土壤学信息前置嵌入裸土镶嵌与SOC建模流程，建立一种“按土壤类型分层”的区域尺度SOC预测框架。
在研究设计上，研究人员以法国Centre-Val de Loire地区为研究区，利用2017—2023年Sentinel-2地表反射率时间序列，结合414个具有SOC记录的表土样点，以及5735个具有S2MP水分—反射率联合观测的样点，系统评估土壤水分光谱指数、裸土阈值组合及其对SOC模型的影响。研究结论明确表明：在土壤高度异质的景观内，面向土壤类型的分层裸土镶嵌与分层建模显著优于单一广义模型；同时，可见光与短波红外干旱指数（VSDI）能够作为稳定而有效的土壤表面水分替代指标，用于优化裸土筛选。该研究的重要意义在于，它不仅证明了土壤类型分层对于提升SOC遥感预测精度的必要性，也为在数字土壤制图（DSM）中系统整合土壤学知识提供了可推广的方法框架。
研究采用的主要关键技术方法可概括如下：研究样本来源于法国国家土壤调查项目Inventaire, Gestion et Conservation des Sols（IGCS）与Réseau de Mesures de la Qualité des Sols（RMQS），选取表土深度<30 cm样本；遥感数据使用Theia提供的Sentinel-2 Level-2A地表反射率产品，并提取B2、B4、B8、B11、B12等波段计算NDVI、NBR2及多种水分指数；通过与S2MP土壤水分产品进行日期匹配，比较MIRI、NMDI、SWCI、VSDI、S2WI等指数与水分的相关性；随后按土壤类型系统测试NDVI、NBR2与VSDI阈值组合，采用时间序列中位数构建裸土镶嵌；最后使用偏最小二乘回归（PLSR）并结合重复10折交叉验证进行SOC建模与评估。
在结果部分，论文首先给出了“3.1. Descriptive statistics of soil samples”的结果。研究显示，414个样本覆盖多类土壤，SOC含量变化范围较大，为4.24—90.40 g·kg
?1，均值为15.33 g·kg
?1。由于不少土壤类型样本量不足，后续重点分析了Brunisols、Brunisols eutriques、Calcisols、Calcosols、Colluviosols、Luvisols、Néoluvisols和Rendosols等主要土壤类型。不同土壤类型间SOC分布差异显著，例如Luvisols变异度最大，而Néoluvisols分布较集中。相关性分析表明，在未充分筛选的全体观测中，SOC与多个光谱波段、植被/残体指数、水分指数存在弱至中等相关，但这些关系明显受外界因素混杂。经典型阈值筛选后，许多波段与SOC的直接相关性减弱，而黏粒、砂粒、碳酸钙含量、粗颗粒含量和发泡强度等土壤性质与SOC的关系更加清晰。进一步按土壤类型分层后发现，不同土壤类型中SOC与光谱及环境变量的关系方向和强度均存在显著异质性，这直接支撑了分层策略的必要性。纹理分析还表明，高SOC更倾向于聚集在高黏粒和/或高粉粒组分中，不同土壤类型也呈现不同纹理特征与光谱行为。
在“3.2. Correlation between product-derived soil moisture and soil moisture indices”中，研究人员比较了5种土壤水分指数与S2MP土壤水分产品的相关性。结果清晰表明，VSDI是最稳健的土壤表层水分光谱替代指标，其平均相关系数达到r = 0.41，明显高于S2WI（r = 0.24），且变异系数最低，说明稳定性最好。相反，MIRI、NMDI与SWCI与土壤水分的相关性极弱，几乎不适用于该研究情境下的水分估算。进一步按土壤类型分层分析后，VSDI在几乎所有土壤类型中都保持最高或近最高的正相关，部分类型相关系数可达0.54，仅在Réductisols中表现例外。基于这一结果，研究选定VSDI作为后续裸土筛选中的土壤水分代理变量。
在“3.3. Improved SOC prediction with type-specific mosaicking strategies and models”中，论文展示了分层裸土镶嵌与分层模型对SOC预测的核心增益。全土壤类型统一建模的基线模型表现较差，R
2 = 0.22，RMSE = 8.30 g·kg
?1，RPIQ = 0.68，说明单一广义模型无法在该异质区域内实现可靠估算。与之相比，按土壤类型分别建模后，多数土壤类型的预测性能显著改善，而且最优NDVI—NBR2阈值组合在不同土壤类型之间差异很大。例如，Calcisols的最优阈值较严格，而Luvisols则需要更宽松的阈值范围，这表明“何为裸土”并非区域统一概念，而是强烈依赖土壤类型背景。进一步评估水分筛选作用后发现，直接使用S2MP水分产品进行阈值过滤的效果不稳定；而使用VSDI作为水分代理进行过滤，在多数主要土壤类型中能更有效提升模型性能，尤其在Brunisols eutriques与Luvisols中最为显著。对于Brunisols eutriques，最佳模型的RMSE降至1.86 g·kg
?1，RPIQ升至2.38；对Luvisols，RMSE由12.43 g·kg
?1降至6.70 g·kg
?1。变量投影重要性（VIP）分析进一步表明，不同土壤类型对应的关键光谱驱动波段并不相同：Luvisols主要依赖SWIR1（B11）及其他近红外（NIR）/短波红外（SWIR）波段，Calcisols更多依赖可见光蓝光与绿光波段，Brunisols eutriques则主要依赖NIR波段。这一结果说明，不存在普适统一的SOC—光谱关系，不同土壤类型具有不同的主导光谱响应机制。
在“3.4. Analysis of SOC prediction residuals”中，研究人员对最优模型的残差进行了系统诊断。总体上，模型在高SOC含量区域倾向于低估，在低SOC区域倾向于高估，不同土壤类型的偏差程度也不同，其中Brunisols eutriques精度最高，Calcosols最低。纹理三角图显示，残差在中等至细质地土壤中相对较小，而在高砂含量粗质地土壤中存在系统性SOC高估。相关分析进一步证实，多个土壤类型的预测残差与砂粒含量显著负相关，而与粉粒和/或黏粒含量正相关，说明粒径组成是残余误差的重要来源。对于Calcosols，残差还与粗颗粒含量显著相关，提示模型未能完全捕捉粗颗粒及其潜在地表粗糙度效应。对于Luvisols和Néoluvisols等土壤，残差与多种土壤属性广泛相关，说明光谱数据虽能抓住SOC变化主趋势，但剩余方差仍受复杂次级土壤性质共同影响。
讨论部分首先指出，基线模型表现较差是可以预期的。一方面，纯遥感光谱对SOC的解释能力本就有限，尤其在SOC值分布较紧凑的区域；另一方面，研究区内土壤异质性很强，而单一模型假定统一的SOC—光谱关系，这一前提并不成立。论文据此强调，在大尺度异质景观中直接套用统一阈值和统一模型，存在显著方法学风险。
关于水分指标的讨论，研究认为土壤水分是裸土镶嵌质量的关键扰动因素。与依赖外部S2MP产品不同，VSDI直接由卫星反射率导出，避免了外部水分数据在时间分辨率、空间覆盖与可获取性上的限制。VSDI之所以优于其他指数，原因在于其公式同时利用可见光与SWIR信息，较好抑制植被和土壤背景影响，并突出SWIR对水分的敏感性。研究同时指出，VSDI的有效性具有土壤类型依赖性，在高黏土土壤或特殊水文土壤中未必同样适用，因此其跨区域迁移仍需本地验证。
关于土壤类型整合的讨论，论文强调土壤类型不仅控制SOC分布，也深刻影响土壤光谱行为与SOC的可预测性。研究从描述统计、相关分析、模型表现和VIP结果四个层面一致证明：将土壤分类信息整合进裸土提取与SOC预测流程，有助于识别每类土壤最合适的裸土阈值和最敏感的光谱区域，从而建立更稳定的模型。该研究进一步提出，这种情境特异性分层策略与实验室土壤光谱库和近地传感研究中的分层思想是一致的，在区域到国家尺度SOC制图中具有重要补充价值。
论文结论部分可译为：本研究证明，在超大区域尺度且土壤高度异质的景观中，基于7年Sentinel-2时间序列进行SOC预测时，针对特定土壤类型同时定制裸土阈值筛选与建模的分层策略是获得准确结果的关键。该框架中的土壤类型特异性模型显著优于广义模型，后者在本研究区内不足以支持可靠的SOC估算。研究结果证实，利用植被指数提取裸土时的最优阈值具有局地依赖性，必须依据各土壤类型独特的光谱特征进行调整。此外，研究识别出VSDI是一种有效的土壤表层水分光谱替代指标，其重要优势在于可直接由卫星影像获得，从而避免外部土壤水分数据可用性不足及时间不匹配对SOC监测造成的限制。VSDI筛选对于降低预测误差具有关键作用，尤其是在易受水分影响的细质地土壤中。总体而言，本研究强调，数据准备阶段——尤其是通过植被与水分筛选来定义最优裸土观测——对SOC预测至关重要且具有情境依赖性；在这两个步骤中整合土壤学知识，是提升SOC预测精度、可靠性及后续数字土壤制图（DSM）应用能力的必要条件。
