基于时间序列遥感数据的平缓地区土壤有机质数字制图

In plains and gently undulating terrains, soil spatial variability is not closely related to relief and vegetation, and thus digital soil mapping (DSM) methods based on soil-landscape relationships often fail in these areas. Therefore, it is necessary to develop and find new environmental covariates for DSM in plains. Soil organic matter (SOM) is a crucial parameter determining soil fertility and agricultural productivity. In plains, soil hydrothermal regimes, cultivation management, and soil texture are the main factors affecting accumulation and decomposition of SOM. This research would utilize time-series remotely sensed data combining with long-term ground observation experiments to develop new environmental covariates reflecting these factors, and then improve the accuracy of SOM mapping in plains. The research includes four parts: (1) to explore relationships between SOM and long-term soil temperature, soil moisture regimes and their variation characteristics using field continuous observation and experiments, and then develop new environmental covariates reflecting soil hydrothermal regimes using time-series MODIS data based on the relationships; (2) to estimate the spatial distribution of cultivation management based on time-series NDVI, straw returning investigation and quadrat survey; (3) to estimate soil texture spatial distribution based on geostatistics and soil parent material; (4) to map SOM spatial distribution using new environmental covariates, and uncertainty estimation. This research would develop new environmental covariates derived from time-series remotely sensed data, and then improve the accuracy and efficiency of SOM mapping in plains.

平缓地区地形、植被条件相似，土壤属性却存在明显的空间变异，基于土壤-景观模型的数字土壤制图方法难以有效预测土壤属性。构建新的环境协同变量是平缓地区数字土壤制图的关键。土壤有机质（SOM）是土壤肥力的重要指标。项目拟从影响平缓地区SOM累积与分解的主要因素——土壤水热状况、耕作管理措施、土壤质地等出发，尝试利用时间序列遥感数据，结合长期地面观测实验，构建能够表征这些因素的环境协同变量，提高平缓地区SOM制图精度。研究包括（1）基于野外连续观测实验探讨SOM对长期土壤温度、水分状况及变化特征的响应，据此用MODIS时间序列数据构建表征土壤温度、水分状况和变化特征的环境协同变量；（2）利用NDVI时间序列、田间调查等估算耕作管理因子的空间分布；（3）利用地统计学和成土母质估算土壤质地的空间分布；（4）利用新环境协同变量，预测SOM空间分布，估算不确定性。该研究可为平缓地区数字土壤制图提供新思路。

平缓地区地形、植被条件相似，土壤属性却存在明显的空间变异，基于土壤-景观模型的数字土壤制图方法难以有效预测土壤属性。构建新的环境协同变量是平缓地区数字土壤制图的关键。项目从影响平缓地区土壤有机质（SOM）累积与分解的主要因素——土壤水热状况等出发，利用MODIS的地表温度时间序列遥感数据开发新的环境变量，提高平缓地区SOM制图精度。本项目开展了以下研究取得了如下结果。（1）基于MODIS的地表温度时间序列产品，利用栅格统计、主成分变换和二维离散小波分解等特征提取方法，构建了4类新的环境协同变量；包括LST、NLST和DTD序列的栅格统计特征、DTD主成分、LST主成分和LST小波分解特征。这些环境协同变量与SOM呈不同程度的显著相关，能够表征土壤水热条件的空间变异。（2）运用线性混合模型、地理加权回归、机器学习等方法完成了研究区SOM数字制图和精度评价，验证了新环境变量用于平缓地区SOM数字制图的有效性。为平缓地区SOM制图提供了有效的环境协同变量；提高平原区数字土壤制图精度和效率。同时为平原区农业生产提供较及时的土壤属性空间信息等数据服务。（3）对比了不同特征筛选方法与随机森林和支持向量回归模型等机器学习方法相结合的SOM预测制图的精度差异。递归特征消除和过滤选择算法筛选的特征变量组合较优，支持向量回归预测模型较随机森林模型精度稍高。随机森林预测模型更稳定，参数组合对模型影响较小。为如何选择最优环境变量、选择何种机器学习方法进行大区域数字土壤制图研究提供借鉴。（4）对比了利用栅格气象数据和3种混合模型的SOM制图精度差异。结果表明，样点数量较多时SOM制图精度差异不大，样点较少时GWR和GWR+IDW能够保证制图精度，为大区域稀疏样点区域提供参考。（5）按照光谱相似性分类后建立的SOM预测模型的决定系数和相对分析误差有所提高，均方根误差降低；比按土壤类型建立的模型的精度明显提高。通过光谱相似分类方法可以提高SOM光谱建模的精度。