東北地理所在RSE發文提出融合土壤水分動態的跨區域高分辨率耕地土壤有機質深度學習制圖框架
土壤有機質（SOM）是衡量土壤健康和農業可持續發展的關鍵指標。然而，由于環境驅動因素（特別是土壤水分動態）的復雜相互作用，在大空間尺度上實現高分辨率的SOM制圖仍然面臨巨大挑戰。當前主流的SOM制圖方法仍然嚴重依賴于空間信息，而對時間維度的特征考慮不足。特別是，現有研究很少將土壤水分的長期動態變化及其與SOM含量的復雜物理反饋機制納入考量。
針對上述局限性，中國科學院東北地理與農業生態研究所農業遙感學科組以中美兩大典型黑土區（中國東北和美國密西西比河流域）的耕地為研究對象，創新性地提出了一種融合土壤水分動態反饋序列（SMDFS）的新型時空深度學習框架（ExP-C）。研究團隊收集了2014-2024年間的2616個表層（0-20厘米）土壤實測樣本，并深度融合了Landsat-8裸土合成影像、SRTM地形變量以及ERA5氣象等多源數據。研究通過對多時相水分相關光譜指數（MNDWI、NDWI、NDMI）進行百分位重構生成了SMDFS，從而精準捕捉了不同SOM水平與土壤水分保持能力之間的動態反饋特征。在此基礎上構建的ExP-C模型，融合了用于提取靜態協變量空間上下文特征的“專家卷積網絡”，以及用于挖掘多尺度SMDFS時間序列模式的“金字塔1D卷積網絡”，并結合對比學習策略進一步增強了模型的特征表示能力。
圖1 SOM差異影響土壤水分動態反饋機理圖
研究發現，在整合SMDFS與空間特征后，ExP-C模型的預測性能顯著優于傳統的隨機森林和CNN-LSTM基線模型。在中國和美國研究區，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）的高精度驗證結果。基于梯度歸因分析的機制解釋進一步證實，SMDFS和高程是主導預測結果的核心貢獻因子，這突顯了水分動態變化在解釋SOM空間變異中的關鍵物理機制作用。此外，研究團隊還引入了跨區域遷移學習策略（在中國數據上預訓練，在美國數據上微調并部分凍結空間分支），成功將美國地區的預測精度（R2）提升至0.572，有效克服了異地樣本稀缺帶來的瓶頸。最終生成的30 m高分辨率SOM地圖清晰揭示了兩個黑土區均存在明顯的南北梯度分布規律，其中中國東北和美國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融合多源數據與ExP-C模型的中美典型黑土區SOM制圖流程
該研究通過對水分-SOM反饋機制的顯式深度學習建模，不僅極大推進了數字土壤制圖技術的發展，更為全球尺度下的耕地碳動態監測及可持續農業管理提供了一種穩健且具有強可遷移性的全新范式 。
相關研究成果近期發表在國際遙感領域頂級期刊Remote Sensing of Environment上。論文由東北地理所羅沖項目副研究員、聯合培養研究生耿家樂、黑龍江大學陸軍教授以及劉煥軍研究員共同完成。本研究得到了國家自然科學基金（42401460）和國家重點研發計劃（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：
吉公網安備22017302000214號
