東北地理所在基于黑土與非黑土精細化遙感分區(qū)的有機質制圖研究中取得進展
東北黑土區(qū)是我國糧食安全的壓艙石。然而，該區(qū)域并非整片均質的黑土，而是黑土（Mollisol）與非黑土（Non-Mollisol）交錯分布。準確識別黑土與非黑土的空間邊界，是進行土壤資源精準管理和有機質（SOM）高精度制圖的前提。傳統的FAO土壤分類分區(qū)由于分辨率低且更新滯后，往往難以捕捉黑土在復雜地形下的破碎化分布特征。
針對上述問題，中國科學院東北地理與農業(yè)生態(tài)研究所農業(yè)遙感學科組的研究人員提出了一種基于“遙感分區(qū)-特征選擇優(yōu)化-隨機森林（RSZ-FSO-RF）”的制圖框架。研究利用谷歌地球引擎（GEE）平臺獲取了2014-2023年多年平均的Landsat-8裸土期合成影像，結合地形和氣候協變量，構建了高精度的黑土與非黑土遙感分區(qū)模型，并對比了其與傳統FAO分區(qū)的差異。
研究發(fā)現，基于多時相遙感影像與環(huán)境協變量構建的分區(qū)模型，在識別黑土與非黑土區(qū)域方面表現優(yōu)異，總體精度達到92.13% 。研究定量揭示了遙感分區(qū)與FAO分區(qū)在黑土面積識別上的顯著差異：FAO分區(qū)劃定的耕地黑土區(qū)面積為154.071 km2（占比37.21%）；相比之下，遙感分區(qū)識別出的耕地黑土區(qū)面積為140.805 km2（占比34.01%）。差異分析表明，FAO分區(qū)傾向于“泛化”處理，忽略了過渡帶的細節(jié)，導致黑土面積被高估；而遙感分區(qū)能更敏銳地識別出地形破碎、邊緣退化區(qū)域的非黑土斑塊，從而更真實地反映土壤類型的空間異質性 。在此基礎上，研究團隊進一步在不同分區(qū)內利用遞歸特征消除（RFE）算法優(yōu)選預測變量。結果表明，基于遙感分區(qū)的分層建模策略（RSZ-FSO-RF）顯著提升了土壤有機質的預測精度（R2=0.627，RMSE=6.781 g kg?1），優(yōu)于基于FAO分區(qū)的建模結果。研究還發(fā)現，黑土區(qū)的有機質含量較高且分布相對均一，而非黑土區(qū)的空間變異性更強，受地形和氣候的聯合調控更為顯著。
圖1 黑土與非黑土SOM含量差異。A、黑土與非黑土區(qū)域中土壤有機質(SOM)含量的濃度值；B、黑土與非黑土區(qū)域中土壤有機質含量的均值與標準差；C、基于糧農組織(FAO)分區(qū)結果的局部地圖；D、基于遙感分區(qū)結果的局部地圖。
該研究成果明確指出，高精度的遙感分區(qū)能夠糾正傳統土壤圖在面積統計和空間邊界上的偏差，為東北黑土區(qū)在復雜地形條件下的土壤資源精準管理提供了更可靠的數據支撐。
相關成果發(fā)表在農業(yè)綜合性Top期刊Journal of Integrative Agriculture（中科院1區(qū)）上。本研究由農業(yè)遙感學科組聯合培養(yǎng)研究生李雪（第一作者）、助理研究員羅沖（通訊作者）與劉煥軍研究員等人共同完成。本研究得到國家自然科學基金（42401460）及國家重點研發(fā)計劃（2021YFD1500100）的共同資助。
論文信息如下：Li, X., B. Jiang, D. Kong,D. Zang, Y. Chen, C. Wang , H. Liu, C. Luo. 2026. A zoning-based machine learning framework for accurate soil organic matter prediction across Mollisol and non-Mollisol regions. Journal of Integrative Agriculture.https://doi.org/10.1016/j.jia.2026.01.016.
附件下載：
吉公網安備22017302000214號
