《Rangelands》：An integrated framework to detect soil degradation under Brazilian rangelands
编辑推荐：
摘要：
• 检测退化牧场对管理牲畜区域至关重要，但退化本质与土壤质量相关，而土壤质量取决于母岩地质材料，因此过程复杂。
• 复杂性适用于用作退化指标的现场和遥感参数。
• 绝大多数用于检测牧场退化的方法忽略了地质作用，从而产生误导性结果。
•
摘要：
• 检测退化牧场对管理牲畜区域至关重要，但退化本质与土壤质量相关，而土壤质量取决于母岩地质材料，因此过程复杂。
• 复杂性适用于用作退化指标的现场和遥感参数。
• 绝大多数用于检测牧场退化的方法忽略了地质作用，从而产生误导性结果。
• 研究人员提出了一种基于多种现场和遥感参数的综合方法，并针对不同地质类型进行分段应用，在巴西米纳斯吉拉斯州的一个区域实现了退化牧草的高精度检测。
• 除了这一新颖且重要的进展外，该研究因其适用于一个退化牧场面积近1亿公顷且也是世界牲畜生产国的国家而具有合理性。
论文解读文章
**研究背景与问题**
土壤质量是环境质量的核心支柱之一，与水和空气并列，支撑着生态系统功能、农业生产力和景观可持续性。土壤有机碳（SOC）在土壤系统中扮演关键角色，直接影响土壤的物理、化学和生物性质，并调节肥力和水分动态，但其高空间变异性和形成过程的复杂性给大规模观测和环境建模带来挑战。地表温度（LST）已被识别为土壤和植被状况的相关间接指标，因为其影响水分、生物活性和剖面结构；天然植被转化为牧场往往导致LST升高，与归一化植被指数（NDVI）和生产力指标下降相关，表明热胁迫和牧草质量损失。退化牧场不仅表现出较低的SOC含量，还呈现水分保持能力和土壤结构下降，这些问题损害农业生产力和可持续土地利用。然而，当前研究在整合SOC、LST和水/植被指数以空间表征牧场退化时，缺乏考虑研究区域的地质变异性，这导致对退化模式的误判。因此，填平这一空白对于为生产者和公共管理者提供可持续利用实践和退化区域恢复的技术支持至关重要。
**研究目的与意义**
研究人员旨在通过分析SOC、LST、归一化差值水分指数（NDWI）、改进型归一化差值水分指数（MNDWI）与主要地质形成之间的关系，绘制牧场退化的空间分布图。具体目标包括：在不同地质形成下划分2022年乌贝拉巴河环境保护区（EPA）的健康和退化牧场区域；按地质形成生成SOC、LST、NDWI和MNDWI专题图；通过统计分析量化这些参数与牧场状况之间的关联。该研究为巴西退化牧场（近1亿公顷）提供针对性干预措施和保护政策的技术支持，并适用于其他具有类似土壤-气候-地质特征的区域。论文发表在《Rangelands》。
**主要技术方法**
研究人员采用现场采样与遥感数据集成的方法。现场采样于2024年雨季在乌贝拉巴河EPA进行，共采集65个土壤样本（45个于2月，20个于3月），随机选自遥感分类的健康和退化牧场极端阶段（A和D），并基于地质形成分层；使用电子贯入仪测量贯入阻力（PR），由认证实验室分析SOC含量。遥感数据来源于Google Earth Engine（GEE）平台：SOC存量图来自MapBiomas Solos数据库（2022年，30米分辨率），LST来自Landsat 8 Collection 2（2022年，30米），NDWI和MNDWI来自Sentinel-2（2022年，10米重采样至30米）。通过GEE脚本提取7,710个随机点（按地质形成和牧场状态分层）的变量值。统计分析采用Kolmogorov-Smirnov正态性检验，正态数据用ANOVA和Tukey检验，非正态数据用Kruskal-Wallis和Dunn检验。
**研究结果**
**Pasture maps and assessment of their conservation status**
空间分析显示，退化牧场（12,480公顷）占主导，健康牧场（7,942公顷）仅占38.9%，表明研究区牧草系统严重退化，反映人为压力与可持续管理需求。
**Spatial distribution of SOC**
SOC空间分布与地质形成密切相关：碎屑-铁质覆盖层（Detrital-lateritic cover）的SOC含量异常高（最高达221 t·ha?1），而其他地质单元（Marília、Serra Geral、Uberaba）的SOC主要集中于36-60 t·ha?1；Serra Geral和Uberaba形成区因城市和采矿导致遥感数据缺失。
**Spatial distribution of LST**
LST梯度与SOC呈反比：南部城市边界温度最高（约33°C），而Marília形成区因植被茂密温度最低，表明植被覆盖对热调节的直接作用。
**Spatial distribution of NDWI and MNDWI**
NDWI（-0.451至0.101）以负值为主，反映低水分可用性，与退化牧场分布一致；MNDWI（-0.371至0.124）同样以负值为主，但两者均显示城市边界附近有水分积累。
**Statistical analysis**
- **Field samples**：ANOVA显示SOC均值在牧场状态与地质形成的组合间显著差异（P<0.001）。退化Uberaba形成区SOC均值最高（26.91 g·kg?1），健康Serra Geral最低（12.60 g·kg?1）。Tukey检验表明地质形成对SOC变异的主导作用大于牧场状态，短期内子深松等干预未显著提升SOC。
- **Remote-sensing samples (SOC)**：Kruskal-Wallis检验显著（P<0.001），Dunn检验显示地质形成固定时，牧场状态变化仅引起平均绝对差0.95 t·ha?1；而状态固定时地质变化引起平均绝对差21.13 t·ha?1，表明地质对SOC控制远强于退化状态。
- **Remote-sensing samples (LST)**：LST在大多数地质形成中能区分健康与退化牧场（除碎屑-铁质覆盖层），退化区域LST显著升高，尤其在Marília形成区，表明LST是有效的热监测指标。
- **Remote-sensing samples (NDWI)**：NDWI在多数地质形成中无法区分牧场状态，仅在Marília形成区退化区域略高，表明其受地质控制，退化诊断能力有限。
- **Remote-sensing samples (MNDWI)**：MNDWI在所有地质形成中均能显著区分健康与退化牧场，是本研究中最敏感的指标，因其SWIR波段更有效检测地表水分和稀疏植被变化。
**讨论与结论**
讨论部分总结：地质形成驱动SOC、LST、NDWI和MNDWI的空间变异性，MNDWI在退化监测中表现最佳（100%区分能力），LST次之（75%），NDWI最弱（25%）。研究局限性包括：现场样本密度低（65点）、仅雨季采集、点空间聚集、以及2022年遥感与2024年现场数据的时间差异。未来研究应扩大样本量、纳入多时相分析、结合生物物理与社会经济因素，并探索其他光谱指标。结论：地质变异性塑造了退化与健康牧场的光谱和热响应，MNDWI在评估条件下灵敏度最高，但需结合遥感模型不确定性进行解释。
