從“點上測得準”到“區域繪得開”：科學家建構多尺度土壤有機碳模擬制圖綜合框架

　　近日，西安交通大學吳一平教授團隊聚焦“面對不同數據條件，如何平衡點尺度預測精度與區域應用能力”這一具有普遍性和現實意義的問題，系統比較了高光譜、重采樣多光譜和衛星多光譜三條數據路線，以及多種機器學習模型的預測表現，為異質性農業景觀中的土壤有機碳制圖構建了兼顧預測精度與空間擴展能力的技術框架。相關研究成果發表于中國工程院院刊Engineering。

　　研究團隊于2023年春季農田裸土期，在黃土高原180余個縣同步開展調查，共布設460個采樣點；剔除異常值后，獲得448份有效表層土壤樣品（0–5 cm）。研究同步開展土壤有機碳化學測定和實驗室高光譜測量，并整合MODIS多時相遙感數據以及地形、氣候和土壤等環境變量。圍繞“點尺度高精度—光譜尺度轉換—區域尺度制圖”，研究采用多種算法系統比較了52種模型—數據組合。

　　在高光譜路線中，SG–SD預處理能夠有效降噪并增強土壤有機碳敏感信息；CARS進一步保留關鍵波段、剔除冗余變量。最終，CARS–SVM模型僅使用7.8%的光譜變量，驗證集R2達到0.97，RMSE為0.57 g·kg?1，RPD為5.99，在所有模型—數據組合中表現最佳。這一結果說明，當高質量高光譜數據可獲得時，合理的光譜預處理和特征篩選方法結合非線性模型能夠充分挖掘土壤有機碳的細微光譜信號。

　　將實驗室高光譜重采樣為MODIS式寬波段后，土壤有機碳信息仍可被部分保留，最優SPA–BPNN模型驗證集R2為0.67。然而，當模型進一步遷移到經輻射校正的實際MODIS多光譜數據時，驗證集R2下降至0.33。這種性能落差并非模型失效，而是直觀量化了實驗室光譜向區域遙感遷移時面臨的復合誤差：殘余大氣與輻射誤差、點樣本與500 m像元之間的尺度錯配，以及植被、秸稈和地表水分引起的混合像元效應。對于地形破碎、地表異質性強的黃土高原，這些問題尤為突出。

　　在區域制圖情境下，融合MODIS多時相數據與環境協變量的SPA–BPNN模型取得了驗證集R2 = 0.62、RMSE = 1.83 g·kg?1、RPD = 1.62。雖然精度低于實驗室高光譜模型，但其在數據可獲得性、空間擴展能力和解釋性之間實現了更好的平衡。SHAP分析顯示，多時相光譜信息發揮主導作用，地形等環境變量則補充了寬波段難以直接表達的生態與地貌控制信息。

　　本研究通過構建融合人工智能與多源遙感數據的土壤有機碳模擬框架，系統評估了高光譜數據、高光譜重采樣數據及結合環境變量的多光譜數據在多種機器學習模型下的預測性能。黃土高原案例應用表明在高空間異質性和有限先驗知識條件下，人工智能和高光譜技術結合在復雜土壤環境的點位預測上具有顯著優勢。同時表明人工智能、多光譜數據與關鍵環境因子結合在數據可獲得性、預測精度與空間可擴展性方面實現了最優平衡。本研究為大尺度土壤有機碳模擬預測提供了可推廣的方法體系。