考虑到年度气候变异性和多维度环境因素的高精度土壤有机质分布制图

《Remote Sensing Applications: Society and Environment》：High-Precision Mapping of Soil Organic Matter Considering Annual Climate Variability and Multidimensional Environmental Factors

　　

摘要

准确绘制土壤有机质（SOM）的分布图对于可持续土地管理和气候变化评估至关重要。以中国东北部的友谊农场为例——该农场位于世界四大黑土区域之一——研究人员收集并分析了188个土壤样本，构建了一个高质量的SOM数据集。基于Sentinel-2影像，开发了一个多时相遥感数据集，涵盖了三个气候条件不同的年份（2019年洪水年、2020年正常年份和2021年干旱年份），整合了光谱带、植被指数和环境协变量。系统比较了四种机器学习模型：随机森林（RF）、梯度提升决策树（GBDT）、极端梯度提升（XGBoost）和粒子群优化-支持向量回归（PSO-SVR）。结果表明，仅使用裸土光谱信息时，PSO-SVR模型表现最佳（R2=0.544，RMSE=1.159%）。加入生长季节植被指数（NDVI、EVI、LSWI）后，R2根据不同气候年份提高了2.0%至5.5%；进一步整合16个环境协变量后，在干旱年份R2提高到了0.617，相对提升了13.4%。SHAP分析显示，通道网络基础水平、绿色波段（B3）和年平均温度是主要预测因子，揭示了地形排水、光谱反射率以及温度依赖的微生物过程如何共同控制SOM的空间变异性。模型准确性的顺序为：干旱年份 > 正常年份 > 洪水年份，这为在不同气候条件下选择最佳的遥感采集时期提供了实际指导。总体而言，明确考虑年际气候变异性显著提高了黑土区域SOM预测的准确性和稳健性。

引言

黑土区域是全球最宝贵的耕地资源之一，其SOM含量远高于其他土壤类型，这对维持土壤肥力和生态功能至关重要（Rui等，2025年）。然而，过度耕作和土地退化导致了SOM含量的大幅下降，对土壤健康和碳封存构成了严重威胁（Wang等，2022年）。因此，准确预测和绘制SOM的空间分布对于可持续土地管理和精准农业至关重要（Zhang等，2024b）。

然而，大多数现有的DSM研究依赖于单一年份或时间上静态的影像数据，隐含地假设SOM的光谱响应在多年间保持稳定。这一假设存在问题，因为年际气候变异性（包括降水异常和温度波动）会显著改变作物生长条件和地表土壤湿度，从而影响用于SOM预测的光谱反射率（Liu等，2025年）。这种不确定性直接削弱了碳核算和精准施肥等实际应用的可靠性。尽管年际气候变异性对SOM制图准确性的影响至关重要，但目前文献中对此关注较少。

数字土壤制图（DSM）已成为量化土壤属性空间分布的广泛采用的方法（Minasny和McBratney，2016年）。DSM结合了统计分析、遥感和空间插值，探索了土壤属性与环境因素之间的复杂关系，从而实现了定量空间预测。其中，多时相遥感由于SOM的时间动态性和卫星传感器的高效周期性观测能力而发挥着不可替代的作用（Duan等，2022年）。构建具有多种时间分辨率（如每周、每月或每年）的时间序列遥感数据集，可以有效表征SOM的季节性变化和年际演变，同时减少单日影像造成的空间偏差（Lei等，2024年）。多时相DSM的最新进展显著提高了预测准确性和稳健性（Zhang等，2024b年）。在建模层面，时间-空间克里金法和结合时间特征的混合机器学习模型已被开发出来，以提高动态预测精度（Lai等，2024年）。在数据融合方面，多源遥感与地形和气候变量的结合有助于构建高维特征空间（Ghamisi等，2019年），而自适应反演算法则提升了模型在复杂地形和植被覆盖区域的泛化能力。这些发展推动了DSM向更高精度、动态制图和智能自动化的方向发展。

机器学习算法凭借其强大的非线性拟合和特征提取能力，已成为SOM制图研究的核心（?ayir等，2018年）。机器学习使系统能够自动从数据中学习并提升预测性能（Sarker，2021年），有效捕捉SOM与多种环境变量之间的非线性关系。随机森林（RF）、支持向量机（SVM）和决策树（DT）等流行算法已被广泛应用（Kavzoglu等，2020年）。支持向量回归（SVR）是一种强大的非线性回归方法，而受鸟类群行为启发的粒子群优化（PSO）可以高效寻找最佳参数组合，从而提高模型准确性和效率。为了验证优化效果，本研究使用了RF、GBDT和XGBoost模型进行了比较。与传统方法相比，机器学习在遥感应用中表现出更强的预测能力（Kavzoglu等，2018年；Thanh Noi和Kappas，2017年；Gislason等，2006年）。

为了解决这一差距，本研究在中国东北部的友谊农场，针对三个不同气候年份（2019年洪水年、2020年正常年份和2021年干旱年份），研究了年际气候变化对SOM遥感反演的影响（Song等，2021年），并在多阶段建模框架中整合了裸土光谱、生长季节植被指数和环境协变量。

本研究的具体目标是：（1）提出一个可解释的SOM制图框架，整合年际气候变异性、多源遥感信息和环境变量；（2）比较RF、GBDT、XGBoost和PSO-SVR模型在预测SOM含量方面的性能，并从预测准确度（R2、RMSE、MAE）和模型稳健性等方面进行全面评估，以确定最佳建模方法；（3）研究不同年际气候模式下作物生长信息对SOM预测的影响。

章节摘录

技术路线图

本研究的技术路线图如图1所示。构建了一个基于多时相和多源特征的综合框架，并实施了三阶段实验设计，系统评估了不同预测因子-模型组合的性能（表1）。

研究区域

研究区域友谊农场（图2）位于中国东北部三江平原的中心地带（北纬46°28′–46°59′，东经131°27′–132°15′），总面积约为...

使用裸土时期影像的SOM预测性能和模型比较

表6总结了RF、GBDT、XGBoost和PSO-SVR模型的性能。结果表明，基于裸土光谱特征的SOM预测准确率在不同时间组合下存在差异。仅使用单月数据进行训练的模型表现出较大的波动和有限的准确性，而两个月的数据组合在稳定性方面略有提升。相比之下，多年数据集通过扩展训练数据显著提升了模型性能...

不同气候年份下作物生长信息在SOM制图中的作用

本研究将作物生长季节特征整合到裸土遥感数据中，以提高黑土区域的SOM预测准确率。生长季节植被指数的加入明确了SOM与作物生长之间的关系（Schnecker等，2023年），从而提升了模型性能。在三个气候年份中，干旱年份的准确率最高（R2=0.574），其次是湿润年份（R2=0.561）和正常年份（R2=0.555）...

结论

土壤有机质（SOM）是土壤肥力和生态系统健康的关键指标，其准确 retrieval 对精准农业和可持续土地管理至关重要。本研究开发了一个多时相、多源的SOM预测框架，整合了裸土影像、生长季节植被动态和环境协变量，在不同气候条件下进行评估。在四种评估模型（PSO-SVR、XGBoost、GBDT和RF）中，PSO-SVR表现最佳...

CRediT作者贡献声明

**Chuan Qin**：验证、软件开发。**Chao Wang**：可视化、验证、形式分析、概念化。**Peiwen Cheng**：撰写 – 审稿与编辑、初稿撰写、可视化、验证、方法论、调查、形式分析。**Xinle Zhang**：撰写 – 审稿与编辑、初稿撰写、可视化、监督、资源管理、项目协调、方法论、资金获取。**Huanjun Liu**：资源管理、项目协调、方法论、资金获取、数据分析。

利益声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文的研究结果。

关于人类和动物的研究声明

本研究未涉及人类参与者、人类组织、人类数据或动物。研究使用了公开可获得的遥感数据、环境数据和土壤调查数据，因此无需伦理批准、知情同意或动物福利批准。

竞争利益声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文的研究结果。

致谢

本研究得到了中国吉林省科学和技术发展计划项目（项目编号20240101043JC）、国家关键研发计划（项目编号2021YFD1500100和2024YFD1501100）以及吉林农业大学》的人才引进计划（项目编号202020010）的财政支持。

Xinle Zhang | Peiwen Cheng | Chao Wang | Chuan Qin | Yihan Ma | Huanjun Liu吉林农业大学信息技术学院，中国长春130118