论文部分内容阅读
土壤作为陆地生态系统中的重要碳库,能够与大气中的二氧化碳进行交换,对全球温室气体的排放产生重要影响。土壤中的碳大约是大气中的三倍,主要以有机碳的形式存在,即土壤有机碳（soil organic carbon,SOC）。SOC作为评价土壤质量的关键指标,是农业土壤的重要参数。因此,定期监测以实现SOC含量空间分布制图具有十分重要的意义。传统测量样本点的方法耗时且成本高昂,并且实验室土壤反射光谱只能提供有限区域范围的光谱数据,均不适宜大规模监测,而遥感数据易获取,覆盖范围广,可实现全年的地面监测,在SOC预测中具备突出优势。特别是重访时间短、空间分辨率高且拥有高质量物理校准数据的Sentinel-1和Sentinel-2卫星,可提供大量卫星影像数据,为实现SOC精准预测提供数据支撑。本研究以重庆市万州区长江以北区域为研究区,依据果园、旱地和水田采集的565个土壤表层样本,将合成孔径雷达卫星影像（Sentinel-1）、光学卫星影像（Sentinel-2）和数字高程模型（digital elevation model,DEM）数据作为输入变量,基于梯度提升回归树（gradient boosting regression tree,GBRT）、支持向量回归（support vector regression,SVR）、随机森林（random forest,RF）和极端梯度提升（extreme gradient boosting,XGboost）方法构建具有不同特征变量组合的预测模型。此外,采用决定系数（R~2）、平均绝对误差（MAE）和均方根误差（RMSE）评估模型的预测精度,然后选择最优预测方法和特征组合对SOC含量进行预测,旨在探索雷达和光学卫星影像在SOC预测中的协同作用和揭示遥感影像数据对不同土地利用类型SOC含量预测的重要性。（1）遥感变量从2020～2021年的Sentinel-1和Sentinel-2数据中提取。包括Sentinel-1数据中的两种后向散射系数:垂直-垂直（Vertical–Vertical,VV＿1～VV＿12）和垂直-水平（Vertical–Horizontal,VH＿1～VH＿12）极化,Sentinel-2数据中的10个光谱波段（B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12）,4个土壤辐射指数和20个植被辐射指数。土壤辐射指数分别为:亮度指数（BI）、第二亮度指数（BI2）、红度指数（RI）和颜色指数（CI）;植被辐射指数分别为:土壤调整植被指数（SAVI）、转换土壤调整植被指数（TSAVI）、修正土壤调整植被指数（MSAVI）、二次修正土壤调整植被指数（MSAVI2）、差异植被指数（DVI）、比率植被指数（RVI）、垂直植被指数（PVI）、红外百分比植被指数（IPVI）、加权差异植被指数（WDVI）、转换归一化植被指数（TNDVI）、绿色归一化植被指数（GNDVI）、全球环境监测指数（GEMI）、大气阻抗植被指数（ARVI）、归一化差异指数（NDI45）、梅里斯陆地叶绿素指数（MTCI）、修正叶绿素吸收率指数（MCARI）、红边拐点指数（REIP）、反向红边叶绿素指数（IRECI）、色素特定简单比率算法（PSSRa）和归一化植被指数（NDVI）。地形变量以30 m分辨率的DEM为数据源,包括高程、坡度和坡向。基于以上变量构建SOC含量预测模型,Model A:Sentinel-1+Sentinel-2（春）+DEM、Model B:Sentinel-1+Sentinel-2（夏）+DEM、Model C:Sentinel-1+Sentinel-2（秋）+DEM、Model D:Sentinel-1+Sentinel-2（冬）+DEM。（2）基于不同机器学习方法的SOC预测结果表明,XGboost方法在果园、旱地和水田SOC含量预测中的精度均为最高。具体表现为:果园SOC预测中的R~2排序为XGboost＞RF＞GBRT＞SVR;在旱地中,R~2的排序为XGboost＞GBRT＞SVR＞RF;在水田中,R~2的排序为XGboost＞GBRT＞SVR＞RF。（3）基于最优预测方法（XGboost）和不同预测模型（Model A、Model B、Model C和Model D）的SOC预测结果表明,基于Model A的SOC含量预测在果园、旱地和水田中均为最高精度。在果园中,R~2的排序为Model A＞Model C=Model D＞Model B;在旱地中,R~2的排序为Model A＞Model B＞Model D＞Model C;在水田中,R~2排序为Model A＞Model B＞Model D＞Model C。结果显示,光学卫星影像的采集时间对SOC的遥感预测具有显著影响,春季Sentinel-2数据是SOC含量的有效预测变量。（4）基于最优方法（XGboost）和模型（Model A）的不同土地利用类型SOC含量预测结果表明,模型在果园中的预测精度最高,在旱地和水田中的预测精度一般。果园SOC含量预测的R~2、MAE和RMSE值分别为0.78,0.10%和0.13%,重要性得分较高的变量为高程（DEM）、VV＿4（Sentinel-1）、VH＿9（Sentinel-1）和VH＿5（Sentinel-1）,表明Sentinel-1和DEM数据在果园SOC含量预测模型中的重要性高于Sentinel-2数据。旱地SOC含量预测的R~2、MAE和RMSE值分别为0.49、0.16%和0.19%,关键预测变量为SAVI（Sentienl-2）、VH＿4（Sentienl-1）、VV＿5（Sentienl-1）和B11（Sentienl-2）,表明Sentienl-2数据对旱地SOC含量预测的贡献大于Sentienl-1数据。水田SOC含量预测的R~2、MAE和RMSE值分别为0.59、0.17%和0.21%,对模型贡献较大的变量分别为VH＿4（Sentienl-1）、MTCI（Sentienl-2）、VV＿2（Sentienl-1）和BI（Sentienl-2）,表明水田中Sentinel-1数据的重要性高于Sentinel-2数据。（5）基于XGboost和Model A在研究区进行SOC含量空间分布制图,果园中的SOC含量平均值为0.73%,含量变化范围为0.39%～1.73%;旱地中的SOC含量平均值为0.74%,含量变化范围为0.29%～1.42%;水田中的SOC含量平均值为0.92%,含量变化范围为0.44%～1.52%。SOC含量的空间分布情况表明,果园、旱地和水田中的SOC含量均具有明显的高、低值聚集特征。