東北地理所在RSE發(fā)文提出融合土壤水分動(dòng)態(tài)的跨區(qū)域高分辨率耕地土壤有機(jī)質(zhì)深度學(xué)習(xí)制圖框架
土壤有機(jī)質(zhì)（SOM）是衡量土壤健康和農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵指標(biāo)。然而，由于環(huán)境驅(qū)動(dòng)因素（特別是土壤水分動(dòng)態(tài)）的復(fù)雜相互作用，在大空間尺度上實(shí)現(xiàn)高分辨率的SOM制圖仍然面臨巨大挑戰(zhàn)。當(dāng)前主流的SOM制圖方法仍然嚴(yán)重依賴于空間信息，而對(duì)時(shí)間維度的特征考慮不足。特別是，現(xiàn)有研究很少將土壤水分的長(zhǎng)期動(dòng)態(tài)變化及其與SOM含量的復(fù)雜物理反饋機(jī)制納入考量。
針對(duì)上述局限性，中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所農(nóng)業(yè)遙感學(xué)科組以中美兩大典型黑土區(qū)（中國(guó)東北和美國(guó)密西西比河流域）的耕地為研究對(duì)象，創(chuàng)新性地提出了一種融合土壤水分動(dòng)態(tài)反饋序列（SMDFS）的新型時(shí)空深度學(xué)習(xí)框架（ExP-C）。研究團(tuán)隊(duì)收集了2014-2024年間的2616個(gè)表層（0-20厘米）土壤實(shí)測(cè)樣本，并深度融合了Landsat-8裸土合成影像、SRTM地形變量以及ERA5氣象等多源數(shù)據(jù)。研究通過(guò)對(duì)多時(shí)相水分相關(guān)光譜指數(shù)（MNDWI、NDWI、NDMI）進(jìn)行百分位重構(gòu)生成了SMDFS，從而精準(zhǔn)捕捉了不同SOM水平與土壤水分保持能力之間的動(dòng)態(tài)反饋特征。在此基礎(chǔ)上構(gòu)建的ExP-C模型，融合了用于提取靜態(tài)協(xié)變量空間上下文特征的“專家卷積網(wǎng)絡(luò)”，以及用于挖掘多尺度SMDFS時(shí)間序列模式的“金字塔1D卷積網(wǎng)絡(luò)”，并結(jié)合對(duì)比學(xué)習(xí)策略進(jìn)一步增強(qiáng)了模型的特征表示能力。
圖1 SOM差異影響土壤水分動(dòng)態(tài)反饋機(jī)理圖
研究發(fā)現(xiàn)，在整合SMDFS與空間特征后，ExP-C模型的預(yù)測(cè)性能顯著優(yōu)于傳統(tǒng)的隨機(jī)森林和CNN-LSTM基線模型。在中國(guó)和美國(guó)研究區(qū)，該模型分別取得了R2=0.712（RMSE為6.221 g/kg）和R2=0.554（RMSE為7.693 g/kg）的高精度驗(yàn)證結(jié)果。基于梯度歸因分析的機(jī)制解釋進(jìn)一步證實(shí)，SMDFS和高程是主導(dǎo)預(yù)測(cè)結(jié)果的核心貢獻(xiàn)因子，這突顯了水分動(dòng)態(tài)變化在解釋SOM空間變異中的關(guān)鍵物理機(jī)制作用。此外，研究團(tuán)隊(duì)還引入了跨區(qū)域遷移學(xué)習(xí)策略（在中國(guó)數(shù)據(jù)上預(yù)訓(xùn)練，在美國(guó)數(shù)據(jù)上微調(diào)并部分凍結(jié)空間分支），成功將美國(guó)地區(qū)的預(yù)測(cè)精度（R2）提升至0.572，有效克服了異地樣本稀缺帶來(lái)的瓶頸。最終生成的30 m高分辨率SOM地圖清晰揭示了兩個(gè)黑土區(qū)均存在明顯的南北梯度分布規(guī)律，其中中國(guó)東北和美國(guó)密西西比河流域耕地的平均SOM含量分別為32.0 g/kg和36.8 g/kg。
圖2融合多源數(shù)據(jù)與ExP-C模型的中美典型黑土區(qū)SOM制圖流程
該研究通過(guò)對(duì)水分-SOM反饋機(jī)制的顯式深度學(xué)習(xí)建模，不僅極大推進(jìn)了數(shù)字土壤制圖技術(shù)的發(fā)展，更為全球尺度下的耕地碳動(dòng)態(tài)監(jiān)測(cè)及可持續(xù)農(nóng)業(yè)管理提供了一種穩(wěn)健且具有強(qiáng)可遷移性的全新范式 。
相關(guān)研究成果近期發(fā)表在國(guó)際遙感領(lǐng)域頂級(jí)期刊Remote Sensing of Environment上。論文由東北地理所羅沖項(xiàng)目副研究員、聯(lián)合培養(yǎng)研究生耿家樂(lè)、黑龍江大學(xué)陸軍教授以及劉煥軍研究員共同完成。本研究得到了國(guó)家自然科學(xué)基金（42401460）和國(guó)家重點(diǎn)研發(fā)計(jì)劃（2021YFD1500100）的資助。
論文信息及鏈接如下： Chong Luo, Jiale Geng, Jun Lu, Depiao Kong, Xiangtian Meng, Huanjun Liu. A transferable spatiotemporal deep learning framework integrating soil moisture dynamics for high-resolution cropland soil organic matter mapping across regions. Remote Sensing of Environment 338 (2026) 115365.
鏈接: https://doi.org/10.1016/j.rse.2026.115365
附件下載：
吉公網(wǎng)安備22017302000214號(hào)
