遥感驱动的土壤肥力建模与阿萨姆邦洪泛平原农业生态系统夏季水稻适宜性制图

《Paddy and Water Environment》：Remote sensing-driven soil fertility modelling and summer rice suitability mapping in a floodplain agroecosystem of Assam

　　**摘要**洪泛区农业生态系统中可持续粮食生产日益受到土壤肥力变化、水文不稳定性以及气候变化等因素的制约。尽管数字土壤制图取得了进展，但将机器学习、遥感与空间不确定性分析相结合进行农业适宜性评估在热带冲积洪泛区的应用仍然有限。为弥补这些不足，本研究提出了一种以遥感为驱动的框架，用于对印度阿萨姆邦杜布里地区布拉马普特拉河洪泛区的土壤肥力和夏季水稻适宜性进行建模。我们对177个分层土壤样本的有机碳、大量营养元素、微量营养元素及pH值进行了分析。将环境协变量——包括Sentinel-2影像、地形属性、水文指标、气候数据及SoilGrids产品——整合到随机森林框架中，以预测土壤属性并绘制空间不确定性图。该模型对钾（R2=0.54）、有机碳（R2=0.47）和磷（R2=0.45）实现了中等程度的预测。然而，局部生物地球化学变异降低了氮和微量营养元素的可预测性。通过模糊土壤肥力指数（SFI）对空间肥力进行制图，并利用带有空间交叉验证的"存在-背景"随机森林模型估算夏季水稻适宜性。SFI将研究区40.26%的面积划分为极高肥力、29.87%划分为高肥力、19.48%划分为中等肥力和10.39%划分为低肥力。然而，高适宜性类别仅占总面积的4.21%，其余分布于中等偏低（40.14%）、中等偏高（32.48%）和低适宜性（23.17%）区间。该模型表现出中等判别能力（AUC=0.68，即受试者工作特征曲线下面积），其中SFI是夏季水稻适宜性的首要预测因子，其次是温度和土壤pH值。这些结果表明，高土壤肥力本身并不能保证夏季水稻种植具有较高的模型适宜性。该机器学习框架将遥感、数字土壤制图和空间不确定性分析相结合，为杜布里地区等洪泛区农业生态系统的夏季水稻适宜性评估提供了一种可迁移的工具。