土壤学报

作者：魏宇宸，卢晓丽，朱昌达，张秀秀，潘剑君

单位：魏宇宸，南京农业大学资源与环境科学学院, 南京 210095；,卢晓丽，南京农业大学资源与环境科学学院, 南京 210095；,朱昌达，南京农业大学资源与环境科学学院, 南京 210095；,张秀秀，南京农业大学资源与环境科学学院, 南京 210095；,潘剑君，南京农业大学资源与环境科学学院, 南京 210095；jpan@njau.edu.cn,

关键词：土壤有机碳;地形元素;小流域尺度;空间分布;机器学习

基金：国家自然科学基金项目（41971057，41771247）资助

土壤有机碳（Soil organic carbon，SOC）既是衡量土壤质量的重要指标，也是影响全球碳氮循环的关键因素之一。作为数字土壤制图（Digital soil mapping，DSM）研究中起主要作用的环境变量，地形元素在SOC预测制图中也是无可替代的。应用机器学习模型，通过引入不同超参数设置下获得的高分辨率（5 m）Geomorphons（GM）地形分类图作为丘陵地形特征信息的补充，结合数字高程模型（Digital elevation model，DEM）衍生变量和光学、合成孔径雷达（Synthetic aperture radar，SAR）遥感数据对句容市黄梅镇北部小流域尺度（1：25 000）丘陵地貌区地表层SOC含量进行预测制图，并评估不同GM变量在SOC含量预测中的表现。基于74个土壤样本和不同环境变量组合，分别采用袋装决策回归树（Bagged classification and regression tree，Bagged CART）、随机森林（Random forest，RF）和立体派（Cubist）三种方法构建SOC含量预测模型，并通过四个精度验证指标，采用十折交叉验证对生成的模型性能进行分析评价。总体上，Cubist模型的预测表现优于Bagged CART和RF模型。分析显示，与单独使用DEM衍生变量相比，引入GM变量能提供更准确的SOC含量预测，其中设置20像元（cells）搜索半径（L）与5°平坦度阈值（t）的GM变量表现出最高的模型贡献度，两者与遥感类变量的组合产生了最高的预测精度（R2=0.53）。引入GM变量后，使用Cubist模型估算SOC含量的R2提高了14.3%。研究表明，在小流域尺度丘陵地貌区，地形类变量是SOC预测的主要解释变量，其中谷底平坦综合指数（Multi‑resolution index of valley bottom flatness，MRVBF）和高程是模型中最重要的两个环境变量；同时，在建立SOC预测模型时，高分辨率GM图像具有作为输入环境变量的应用潜力。

来源：2023年第1期

《土壤学报》期刊编辑部

查看土壤学报杂志2023年第1期