论文部分内容阅读
耕地土壤有机碳（Soil Organic Carbon,SOC）是土壤健康的重要指标,也是农田固碳减排的主要来源。掌握区域SOC含量和空间分布状况对耕地地力提升、气候变化减缓和耕地资源可持续性利用具有重要意义。当前基于协同变量构建的随机森林模型（Random Forest,RF）正被广泛用于土壤有机碳空间制图,但环境变量的选择仍有不足。人类活动强烈影响耕地表层土壤有机碳含量分布,但目前耕地SOC空间预测依然对人为因素刻画不足,尤其针对大范围复杂地貌区的土壤制图,且少有区域对比研究。本研究以闽东的宁德市,以及闽西的三明和龙岩市所辖11个县作为研究区,采用随机森林模型,基于Sentinal-2时间序列数据提取轮作模式分类信息（Crop Rotation,CR）,以及可反映轮作模式信息的植被特征变换变量（Harmonic Analysis of Time Series,HANTS）,分别作为农业活动定性和定量因子,并联合气候和地形构成的自然环境因子,作为环境协同变量,参与土壤有机碳RF模型的构建。针对不同区域,基于大量SOC实测样点数据分别训练四种环境变量组合（气候+地形、气候+地形+轮作模式、气候+地形+HANTS变量、气候+地形+轮作模式+HANTS变量）驱动的RF模型。通过不同变量组合RF模型表现的对比,探索时序Sentinel-2影像提取的农业活动因子提高耕地SOC空间预测精度的可能性,并选取最优RF模型。基于此获取两区SOC空间分布格局,并对两区SOC制图精度,SOC空间分布特征和主控环境因子进行分析对比。主要结论如下:（1）通过比较四次随机采样集对应RF模型预测精度均值可知,针对闽西和闽东南区,包含两种农业活动因子的RF-D（CF+TF+Faa）模型均获得最高预测精度,而仅自然环境因子驱动的RF-A（CF+TF）模型均获得最低预测精度。RF-D模型相较于RF-A模型,在闽西地区,R~2和R分别提高了89.47%和36.36%,RMSE和MAE分别下降了10.66%和12.05%;在闽东地区,R~2和R分别提高了275%和91.43%,RMSE和MAE分别下降了24.92%和23.88%。上述结果表明加入轮作模式相关农业活动因子能有效提高SOC空间制图精度。（2）从两区环境变量重要性分析中可知,各类别变量均有被保留参与建模,但保留因子及贡献度均有差异。闽西四种RF模型变量重要性分析中,变量重要性排名前四位都是年降水量（Rainfall）、高程（DEM）、年最高和最低气温（Maxt、Mint）,说明气候和地形影响SOC含量分布,尤其气候因子在土壤SOC制图中占据重要地位。。闽东四种RF模型中,RF-A模型中因子重要性排名前四名依次是Rainfall、Maxt、Mint和坡向（Aspect）,当在RF-A模型中加入农业活动因子CR或HANTS变量时,因子排名发生较大变化;在最优模型RF-D（CF+TF+Faa）中,因子重要性排名前三位分别是CR、Imaginary2和DEM,说明农业活动因子对闽东SOC含量分布影响强烈,同时气候因子只筛选保留Mint,且排名相对靠后,表明该区SOC含量分布也受到地形和气候的影响,但气候因子影响低于地形因子。两区轮作模式和部分HANTS变量均被筛选保留,说明两区SOC含量分布均受到地形、气候和农业活动等因子共同作用。（3）基于不同云量比例NDVI时序影像获取的HANTS变量,协同地形、气候和轮作模式类别因子重新构建RF模型。闽西云量≤50%和≤100%的模型预测精度均低于RF-D模型（云量≤10%）,R~2分别降低了19.44%和13.89%,RMSE分别升高了4.36%和3.25%;闽东结果与闽西一致,云量≤50%和≤100%的模型R~2分别降低了20%和8.89%,R分别降低了10.45%和4.43%,RMSE分别升高了7.92%和3.20%,MAE分别升高了7.24%和1.55%。说明由于受到云含量的影响,即使时序遥感影像更充裕也未能提高模型预测精度,反而降低了计算效率。（4）从两区四种RF模型预测的SOC含量分布来看,总体分布趋势表现一致。闽西主要表现为闽西中部地区有机碳含量低于北部和南部地区,南部地区SOC含量最高;而闽东主要表现为宁德市东部沿海地区有机碳含量低于北部和西部地区。闽西最优模型RF-D（CF+TF+Faa）预测范围为8.25～30.69 g kg-1,均值为18.22 g kg-1,预测结果表现为南部土壤有机碳含量较高,中部有机碳含量较低。闽东最优模型RF-D（CF+TF+Faa）预测SOC范围为7.70～29.50g kg-1,均值为16.47g kg-1;预测结果整体表现为西部和北部SOC含量相对较高,南部和东部沿海地区SOC含量相对较低。