干旱区绿洲土壤含水量与有机碳的反演建模及耦合分析

《Agricultural Water Management》：Inverse modeling and coupled analysis of soil moisture content and organic carbon in oasis areas of arid regions

　　

土壤含水量（soil moisture content, SMC）和土壤有机碳（soil organic carbon, SOC）是影响干旱区生态系统稳定性和植被生长的重要环境因子。然而，土壤水碳的协同演化机制以及深层土壤属性的反演仍认识不足。本研究选取渭干河-库车河三角洲绿洲为研究区，将Sentinel-1和Landsat多源遥感数据与野外实测样本相结合，并利用Bootstrap-Optimized Shrinkage（BOSS）特征选择算法优化变量组合，构建了包含卷积神经网络（convolutional neural network, CNN）、长短期记忆网络（long short-term memory, LSTM）及CNN-LSTM的多层土壤水碳反演模型，并采用地理加权回归（geographically weighted regression, GWR）、双变量Moran's I和耦合协调度模型分析了土壤水碳的空间关系。结果表明：（1）CNN-LSTM模型在多深度反演中表现最佳，在0–10 cm层精度最高（SMC：R²=0.72；SOC：R²=0.74），且精度随深度增加逐渐降低；（2）SMC和SOC均呈现显著空间异质性，SMC随土壤深度增加而增大，SOC随深度增加而减小，二者的空间分布均表现为“绿洲中心高值、边缘低值”的格局；（3）土壤水碳关系呈明显垂直差异，表层相关性显著并随深度逐渐减弱，双变量Moran's I最大达0.83，表明两者具有较强的空间聚集性；但整体耦合协调水平仍有提升空间。本研究为干旱区土壤属性的多深度遥感反演提供了方法支持，并增强了对绿洲生态系统水碳相互作用机制的认识。

土壤系统是连接大气圈、水圈、生物圈和岩石圈的关键纽带，在全球碳、水循环中扮演重要角色。土壤含水量（soil moisture content, SMC）作为植被生长的直接水源，调节地表蒸散和能量交换；土壤有机碳（soil organic carbon, SOC）则是土壤肥力与碳储能力的重要表征。干旱半干旱区降水稀少、蒸发强烈，土壤水分往往成为制约农业生产和生态稳定的关键因子，而SOC整体含量偏低且对环境变化敏感。传统土壤属性获取依赖野外采样和实验室分析，虽精度较高但空间代表性不足、成本高昂；遥感技术虽可实现区域尺度监测，但单一数据源在空间分辨率、时间分辨率和观测机理上各有局限。已有研究多集中于单一土壤性质或单一土层，缺少多深度水碳反演及空间耦合机制的系统分析。为此，研究人员以新疆渭干河-库车河三角洲绿洲（简称渭库绿洲）为研究区，旨在通过多源遥感数据与深度学习相结合，实现多层土壤水分和有机碳的高精度反演，并系统揭示二者在不同深度上的空间耦合关系。该成果发表于《Agricultural Water Management》。

研究人员选择位于新疆的渭干河-库车河三角洲绿洲（41°5′–