《European Journal of Agronomy》：Continental-scale prediction of soil organic carbon using optical-thermal-microwave satellite observation synergies
編輯推薦：
本研究針對大尺度土壤有機碳（SOC）數字制圖中不同遙感傳感器（光學、熱紅外、微波）及雷達參數的影響尚不明確的問題，系統評估了多源、長期衛星觀測數據（MODIS、Landsat-8、Sentinel-1、PALSAR-1/2）在預測亞洲大陸兩個土壤深度（0–20 cm和20–100 cm）SOC的效能。研究發現，光學-熱紅外-微波數據的協同使用效果最佳，能分別解釋約62%和53%的SOC變異。該研究為利用Google Earth Engine（GEE）平臺整合多源遙感數據實現高效、低成本的大范圍土壤碳評估提供了創新框架與實踐驗證。
土壤被譽為地球的“皮膚”，其中蘊藏的有機碳（Soil Organic Carbon， SOC）不僅是評估土壤肥力與健康的關鍵指標，更是全球碳循環的重要參與者。準確掌握其空間分布，對于保障糧食安全、應對氣候變化至關重要。然而，傳統的土壤調查方法耗時費力，難以描繪廣袤土地的精細碳圖。幸運的是，地球觀測衛星為我們提供了俯瞰大地的“天眼”，光學、熱紅外、雷達等各類傳感器從不同視角捕捉地表信息。但面對琳瑯滿目的遙感數據，一個核心問題懸而未決：在預測大范圍土壤有機碳時，究竟哪種傳感器貢獻最大？不同雷達的工作頻率和極化模式又會帶來怎樣的影響？這些傳感器數據是“單打獨斗”好，還是“聯合作戰”更強？為了解開這些謎團，一項覆蓋亞洲24個國家、旨在揭示光學-熱紅外-微波衛星觀測協同效應的大陸尺度研究應運而生，其成果已發表于《European Journal of Agronomy》。
本研究主要依托幾個關鍵技術方法展開：首先，利用世界土壤信息服務（World Soil Information Service， WoSIS）提供的標準化土壤剖面數據庫，獲取了亞洲研究區內數千個采樣點的SOC數據，并通過樣條函數將其統一到0–20 cm和20–100 cm兩個標準深度。其次，借助Google Earth Engine（GEE）這一強大的云平臺，高效收集并預處理了長期的衛星觀測數據，包括MODIS光學數據、Landsat-8熱紅外數據、以及Sentinel-1（C波段）和PALSAR-1/2（L波段）合成孔徑雷達（Synthetic Aperture Radar， SAR）數據。所有數據空間分辨率均統一至250米。接著，研究人員設計了11種不同的預測場景，從單一傳感器、單一極化到多傳感器融合，系統構建輸入變量組合。然后，采用遞歸特征消除（Recursive Feature Elimination， RFE）方法進行特征選擇，并運用隨機森林（Random Forest， RF）和極端梯度提升（eXtreme Gradient Boosting， XGBoost）兩種機器學習算法建立SOC預測模型。最后，通過10折交叉驗證評估模型性能，并基于最優模型進行空間制圖與不確定性分析。
研究結果如下：
3.1. 不同預測場景的性能評估
模型預測精度受到機器學習算法、傳感器類型和雷達傳感器參數（極化與頻率）的共同影響。總體而言，XGBoost和RF算法表現相當，各有優勢。在所有場景中，僅使用單極化雷達數據（如僅HH或僅VV）構建的模型預測性能最差，而交叉極化（HV/VH）的表現優于同極化（HH/VV）。對于C波段和L波段雷達，使用雙極化數據比單極化數據能取得更好的預測結果。同時，將兩個波段的雷達數據結合使用（C+L波段）能進一步提升模型表現，例如，相比僅使用L波段數據，雙波段數據使RF模型在0–20 cm深度的R2從0.41提升至0.46。然而，即便使用多頻段雷達數據，其預測精度仍低于單獨使用光學（MODIS）或熱紅外（Landsat-8）數據。當光學數據與多波段雷達數據協同使用時（場景9），模型表現優于僅使用其中一種數據源。在分別獨立使用光學、熱紅外和雷達數據建模時，對于0–20 cm深度的SOC預測，基于熱紅外的模型表現最佳（R2= 0.56），其次是光學，雷達模型最差；對于20–100 cm深度，則是光學模型最佳（R2= 0.46），其次是熱紅外，雷達模型最差。在所有場景中，融合了光學、熱紅外和微波三種傳感器數據的模型（場景11）取得了最優性能，其XGBoost模型在0–20 cm和20–100 cm深度的R2分別達到0.62和0.53，表明該模型能分別解釋約62%和53%的SOC空間變異。
3.2. 光學、熱紅外和微波數據預測土壤有機碳的重要性
變量重要性分析顯示，在不同預測場景和土壤深度下，光學、熱紅外和微波遙感衍生的特征重要性各不相同。在結合光學和多波段雷達數據的模型（場景9）中，MODIS光學數據的總相對重要性最高（表土層48%，亞土層43%），其次是C波段和L波段雷達數據。在融合了光學、熱紅外和微波三種數據的模型（場景11）中，對于表土層SOC預測，Landsat-8熱紅外波段是最主要的解釋變量（相對重要性47%），其次是MODIS（36%）、Sentinel-1（12%）和PALSAR-1/2（5%）。在所有模型中，交叉極化后向散射數據獲得的重要性評分均高于同極化數據。
3.3. 基于光學-熱紅外-微波數據的土壤有機碳空間預測
基于最優模型（場景11的XGBoost模型）生成了亞洲大陸尺度兩個土壤深度的SOC數字地圖。預測結果顯示，SOC含量在不同區域表現出高度的空間異質性。平均而言，0–20 cm和20–100 cm土層的平均SOC含量分別為15.32 g/kg和5.79 g/kg。高SOC值區域主要出現在中國青藏高原東部和東北部、日本北部和東北部以及東南亞森林地區；而低值區則分布在氣候干旱、植被稀疏的中國西北部和巴基斯坦西部等地。通過100次模型迭代生成的不確定性地圖顯示，預測的標準差（SD）值較低（0.01–13.60 g/kg），表明模型具有較好的可靠性和穩定性。
結論與討論部分強調，本研究首次在亞洲大陸尺度上系統評估了不同光學、熱紅外和SAR傳感器對SOC建模的影響。核心結論表明：雷達傳感器的配置（頻率和極化）顯著影響SOC預測，交叉極化和多頻段融合能有效提升模型性能；盡管雷達數據單獨使用時預測能力有限，但其與光學、熱紅外數據的協同利用能產生“1+1+1>3”的效應，顯著改善預測精度。這證實了多源遙感數據在提供互補性地表信息方面的巨大價值。研究還凸顯了GEE平臺在處理海量遙感數據、支持大尺度數字土壤制圖方面的強大能力與成本效益。該框架為未來利用日益豐富的多模態地球觀測數據進行精準、高效的土壤屬性監測與制圖提供了可借鑒的技術路徑。盡管本研究僅使用了遙感衍生變量，但作者指出，未來結合氣候、地形等更多環境協變量，有望進一步提升SOC制圖的精度。這項研究不僅深化了對多源遙感數據在土壤碳估算中作用的理解，也為全球變化背景下土壤碳庫的監測與管理提供了重要的方法論支持。
